在介紹人工智能在醫療影像的應用場景之前，首先需要糾正大家的一個偏見：醫療影像診斷實際上就是醫生“看片子”，人工智能+醫療影像就是“機器看片”。實際上，影像診斷主要分兩類：結構類影像及功能類影像診斷：

　　1 ） 結構類影像 ：簡單來說就是“所見即所得”的影像，比如 X 光、CT 就屬于這一種，它能夠非常直觀地觀察到生理結構，判斷是否有物理變化的病變，相當于“大家來找茬”。這種影像類型結合人工智能，就是大家通常意義上講的“機器閱片”。但對于一些沒有明顯物理變化的疾病，就束手無策了。

　　2 ） 功能類影像 ：相當于結構類影像的“補集”。這類影像能夠研究臟器細胞對某種物質的代謝能力，從而反映出這個臟器的功能是否正常。機器檢查放射性示蹤劑在人體代謝的狀況，記錄反應能量代謝的數據矩陣，通過一張二維的影像片子來呈現。影像不能反映真實生理結構，只能通過影像像素的明暗程度來表示代謝的強弱程度、是否異常，而醫生又無法研讀數據矩陣。這樣一來，診斷結果只能全憑醫生的肉眼和經驗來判斷，即使是專家，誤診漏診率也在30%-50%。對于這類影像，人工智能要做的事情就是幫助醫生做更精確的判斷，也就是影像信息的后處理，將影像信息轉換為定量的數據并做分析診斷。具體流程：第一步，就是做定量化。要把肉眼看到的影像，轉化成數學的數據，把一張圖像轉化成數學矩陣，通過數字的方式去診斷病灶。第二，引入大數據。建立疾病數據庫，把定量化的數據引入到可參照的系統中，并進行下一步的比對分析。

　　從功能來看， 人工智能在醫療影像領域的應用場景可以分為兩類：1）機器看片：強調的是替代或者輔助醫生觀察影像數據的作用。以幫助醫生提升影像診斷效率為主要目的，解決醫生資源不足的問題；2）機器讀片：強調的是對醫學影像數據的內容解讀，幫助醫生進一步提高影像診斷精準度，解決的問題是加強醫生的診斷水平。

　　在供需存在巨大缺口，而且短期很難補齊的現實條件下，將人工智能應用于醫學影像，提高醫生的讀片效率和準確率，減輕現在影像科醫生的工作壓力，成為了剛需。此外，機器看片更為客觀的分析結果，其實也一定程度上降低了人為操作的誤判率。

　　我國醫院財報顯示影像檢查收入占醫院收入的10-20%，與檢驗科接近，僅次于藥品。根據 2015 年中國衛生和計劃生育統計年鑒數據統計，我們 2015 年醫療費用支出約 4 萬億，那么醫療影像的市場規模大約在 4000 億左右（以醫院收入的 10%測算）。在 在 4000 億的影像市場中，無論是上游醫療影像成像硬件設備還是下游醫療影像診斷服務，人工智能均有極大的發揮空間，前景光明。

　　廣義上來講，“機器看片”是計算機視覺技術的一種應用，其訓練方式是先利用圖像處理技術用于將圖像處理為適合進入機器學習模型中的輸入，深度學習則負責從圖像中識別出相關的模式。以肺癌為例，早期肺癌的典型癥狀是肺部結節，其尺寸小、對比度低、形狀異質化高。“機器看片”需要做的就是通過大量數據訓練得出肺部結節的定義和特點，利用訓練好的算法模型去檢查患者肺部是否存在結節。具體流程為：1）圖像預處理，包括圖像去噪、增強、平滑、銳化等過程；2）圖像分割，通過器官形態模型，圖像邊緣特征模型，以及神經網絡聚類模型，將不同器官影像自動分割（一般分割精度<2mm.），為后期的智能匹配和判斷提供必備的圖像處理工具；3）特征提取，廣義上指通過變換的方法用低維空間表示高維空間，計算機將其中有意義的特征或區域提取出來；4）匹配判斷。通過深度學習+患者數據所訓練總結出來的判斷規則結合上述的提取出來的特征數據，對影像做出結果判斷，篩選出病變圖片。“機器讀片”的技術原理和“機器看片”的本質上是相同的，主要是增加了數據量化的環節。

“ 機器看片”的原理

數據來源：公開資料整理

　　醫療影像產業鏈可以分為上游的影像診斷基礎設施層以及下游的影像診斷服務層。其中，影像診斷基礎設施層又可以分為影像信息化和醫療影像成像設備；影像診斷服務層現階段主要的參與者是公立醫院，未來隨著社會辦醫、遠程醫療的發展，民營醫療機構、獨立影像中心以及線上影像平臺成為重要的影像診斷服務機構。

人工智能醫療影像產業鏈

數據來源：公開資料整理