2017年中国AI+医学影像行业未来发展趋势分析
2017年12月27日
政策、技术双重驱动,“ AI+医学影像”蓄势待发
一、国家高度支持,具体产业扶植政策有望加速出台
国务出台系列政策支持医学影像行业的发展。从 20XX年到2017年,国务院、
发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。
针对性政策涉及:医学影像设备、独立影像中心、线上影像平台、影像信息化, 包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求;加强医疗信 息化建设基础,构建云端医疗数据库,推动医疗大数据的应用开发等;全面推进 分级诊断,鼓励民营资本流入建设独立检查检验中心、远程医疗等。
国家对医疗领域提出人工智能发展要求。 2016年以来,国家对于医疗领域提出 明确的人工智能发展要求,包括对技术研发的支持政策,就相关技术和产品提出 健康信息化、医疗大数据、智能健康管理等具体应用,并针对医疗、健康及养老 方面提出较为明确的人工智能应用方向。2017年7月,国务院发布《新一代人 工智能规划》,人工智能上升至国家战略层面,人工智能在医疗领域的应用有望 进入新的快速发展阶段。
国家对医疗领域提出人工智能发展要求
数据来源:公开资料整理
目前,国家政策高度支持医学影像行业以及“ AI+医疗”的发展,接下来,预计 国家将在《新一代人工智能发展规划》 等产业指导性文件的基础上,出台一批具 体的产业推进措施,针对“AI+医学影像”行业的具体扶植政策也有望适时推出, 促进人工智能在医学影像领域的应用与发展。
二、算力算法快速迭代,“ AI+医疗影像”期待大数据引爆
医学影像在医疗AI领域技术成熟度最高,有望最先实现商业化。动脉网蛋壳研 究院发布“人工智能+医疗技术成熟度分布曲线”,“ AI+医疗影像”在医疗领 域成熟度最高,在曲线上处于过高期望的峰值位置。其判断依据为:
1) 从医疗影像类的企业入驻医院数量来看,目前国内科研能力较强,医疗水平
靠前的大型医院几乎都已经和企业开始了相关的临床实验, 首批种子用户活跃度
已经达到了顶峰;
2) 相关领域的大规模媒体报大约出现在 2015〜2017年,目前在一个平稳的高 峰期。我们认为,人工智能在医学影像领域热度较高一方面是技术储备相对丰富, 特别是静态图像识别尽快的快速发展以及 2017年以来AI应用于医学影像多个 领域识别准确度的大幅提升,另一方面则是AI+医学影像的商业模式可行性相对 较咼。
人工智能+医疗技术成熟度分布
数据来源:公开资料整理 算法、算力和数据被认为是人工智能的三大核心要素, 数据量的增长、运算力的
提升和深度学习算法的优化将带来人工智能效率的持续提升。 目前医学影像领域
算法快速突破,算力持续增长,如何获取足够丰富且高质量的医疗影像数据成为 提升诊断准确度的最关键因素。
1、大量深度学习平台和框架开源降低技术门槛
人工智能的核心之一是算法,深度学习是目前最重要的人工智能算法之一。 深度 学习以数据为基础,由计算机自动生成特征量,不需要人来设计特征量,而是由 计算机自动获取高层特征量,深度学习代表的“特征表示学习”是一次历史性的 突破。
深度学习是人工智能技术的历史性突破
数据来源:公开资料整理 图像识别是深度学习等 AI技术进步最快的领域之一,卷积神经网络(CNN )以 及深度神经网络(DNN)等深度学习算法利用数据量以及计算量作为模型驱动 力,通过感受野和权值共享减少了神经网络需要训练的参数个数, 最终实现了超
越传统方法的图像识别性能。2015年ResNet算法识别错误率已经降低至 3.57%,低于人眼5.1%的识别错误率,深度学习算法在图像识别领域已经达到初 步实用阶段。
20XX-2015年ImageNetILSVRC大赛冠军团队识别分类的错误率 I 2010 20H 2012 2013 2014 2015
数据来源:公开资料整理 深度学习能够自动寻找特征,非常适用于“ AI+医疗影像”诊断。医学影像图像 有不同来自不同的部位,通过深度学习提取最主要的特征,它也可以对疾病分类, 做图像分类与识别。无需人为干涉,深度学习算法就可以从医学影像中找出许多 复杂程度极高,难以用语言详尽描述出的对比特征。在AI与医疗场景的结合中, 基于深度学习技术的医疗影像的识别与分析, 可能会在整个智能医疗、精准医疗
领域中率先进入大规模应用阶段。
大量深度学习平台及框架开源降低基础算法实现的技术门槛。 随着深度学习理论
和工程技术体系的成熟,包括通过云服务或者开源的方式向行业输出技术, 先进
的算法被封装为易于使用的产品和服务。 近年来,科技巨头开源了大量深度学习
的工具包,例如 Google 的 TensorFlow,Facebook 的 TorchNet,微软的 CNTK 等等,这些开源包大幅降低了应用深度学习算法的难度, 创业公司也可以利用这
些开源包将深度学习应用到医学影像诊断领域,基础算法的实现门槛大幅降低, 可更加高效的专注于应用层面的算法优化。
2、AI处理器技术向高性能、低功耗的方向发展
体现一个芯片实际应用效果好坏的因素主要就是它的性能和功耗。 目前,业内几
乎所有的主流芯片厂商如 NVIDIA、Movidius、In tel、海思等都着手推出基于
深度学习的芯片。AI芯片竞赛愈演愈烈,芯片业巨头和研究机构一直在探索人 工智能芯片的解决路径。相对谷歌、苹果来说,处于产业链更上游的英特尔、英 伟达等芯片厂商的加入,让 AI芯片领域的争斗更加精彩。总体来看,当前人工 智能芯片的技术路径主要有三种类型。
绕一是以英特尔为代表的,围绕 CPU/FPGA布局人工智能芯片。在人工智能领 域,英特尔望依靠强大的服务器芯片业务作为支撑, 并以研发加收购的方式来开 发定制的芯片来满足人工智能芯片的特殊需求。英特尔这两年就以 167亿美元 收购了 FPGA领域的Altera公司、153亿美元收购了自动驾驶方案提供商
Mobileye、4.08亿美元收购深度学习神经网络的 NervanaSystems 。这几起收
购使得英特尔能够推出CPU+FPGA的异构方案,更好的适应人工智能时代的定 制化计算。
根研究,FPGA和GPU执行算法单次迭代的时间优于 CPU。在一项FPGA以及 CPU、GPU执行GaGPy算法每次迭代的能源消耗试验中,CPU与GPU的能耗
是相仿的,而FPGA的能耗只是CPU与GPU的8%左右
FPGA硬件架构
数据来源:公开资料整理
二是以英伟达公司为代表,围绕 GPU布局人工智能芯片。英伟达已经推出了新 一代的GPU,取名Volta,号称史上最强的GPU加速器,具有强大的深度学习 性能。英伟达表示,相对于之前的 GPU产品,最新的Volta可以让深度学习的 训练提速12倍、推理速度提升6倍。
CPU和GPU呈现出非常不同的架构
数据来源:公开资料整理
三是以谷歌公司为代表,通过专用处理器布局人工智能芯片。 2016年谷歌发布
的第一代TPU芯片,主要在谷歌数据中心和包括 AlphaGo这样的人工智能产品 当中使用,主攻运算性能。2017年谷歌在I/O开发者大会上推出了第二代 TPU 芯片,尽管在一些应用上利用率很低, TPU平均比当前的常用GPU快15~30
倍,性能功耗比高出约30~80倍。
TPU,GPU,CPU和改进的TPU的性能对比
■ IPU/GPU ■TPU/CFU ■ TPU/GPU ■TPV/CFC ■ GPU/CPU
数据来源:公开资料整理 早期医疗图像诊断设备大多是采用 FPGA处理器进行运算,低功耗优势显著。过 去一般使用MCU或DSP来处理医疗图像,由于 MCU和DSP都是串行器件, 开发人员需要使用FPGA来进行硬件加速以获得医疗成像应用所需的处理能力 和清晰度,FPGA能处理图像算法里大规模的并行处理需求。目前国内也有一些 企业利用FPGA+深度学习技术,实现医学影像智能诊断,例如医学影像AI企业 健培科技自主研发了基于FPGA架构的影像分析,在满足性能要求的前提下具备 低功耗的优势。
GPU作为高性能计算机集群协处理器,峰值性能优于 FPGA,在医学影像领域 应用也越来越广泛。随着运算量的大幅度增加, FPGA已难以应付,引入擅长于 并行运算的GPU进行协运算非常必要,医疗成像是较早利用 GPU通用计算能 力加快性能的商业应用之一。越来越多 CT机、超声波诊断设备搭载了 NVIDIA 的GPU,CT、MRI、超声波、内窥镜、病理影像诊断中均可用到 GPU协运算。 在一些医疗影像应用中,计算机需要处理大量的高精度 CT或者MRI图像。患 者需要快速、精确并且舒适的诊断,而医生则需要能够实现高效诊断的工具。将 庞大的服务器阵列引入临床设备非常困难,但 GPU和Tesla的强大计算能力使 得提供小型的并行计算模块成为可能。
GPU的通用计算性能,能够让科研人员以比处理器快数十倍甚至上百倍的速度
处理图像。因此,医生能够实现实时查看 CT和MRI的3D合成图像,或者在不 损失检查影像画质的情况下能够使系统更快地运行。通过这些快速得到的结果, 医生能够检查病患组织的状态并做出诊断,而无需活体检查和外科处理。
FPGA与GPU性能与功耗对比分析
数据来源:公开资料整理
可见,FPGA、GPU等芯片应用于医学领域已有着较长的历史,实际上,早期的 高端医学影像设备中也具有有一定的辅助诊断功能,人工智能在该领域的应用并 不突兀,而是在辅助能力方面有了质的提升。
3、高质量数据获取和标注能力是 AI医学影像公司的核心竞争力之一
系统的深度学习能力提升需要经过相当数量和质量的数据训练, 深度学习算法的 鲁棒性、泛化能力大小很大程度取决于数据训练的量级。 数据质量更是人工智能 计算和学习能力的保障,医疗数据之于医疗诊断的重要性,就像道路测试之于无 人驾驶汽车,因此,在算力和算法持续快速进步的基础上, 获取相当数量的高质 量数据成为医学影像人工智能领域最重要的竞争力。
“互联网+”推动医疗行业大数据爆炸。医疗行业数据量极大,一个癌症患者的 基因组就相当于半个TB数据,互联网+推动了以电子病历记录为代表的集中化 医疗数据量快速增长,美国医疗机构使用电子病历记录的比例从 20XX年的21% 增长至2015年的87% ;医院提供数字化医疗信息的能力同样也在增加一一从 20XX年至今增长了 7倍。总结来看,全球医疗数据量从 20XX年以来的年增长 率达到了 48% 。
全球医疗数据量20XX年以来年增长率达48%
数据来源:公开资料整理 2020年人类医疗数据总量预测(万亿 GB)
U
2009 ?OI1 3015
数据来源:公开资料整理 2020年人类医疗数据总量预测(万亿 GB)
11 w n
2009 2010 2011 2012 2015 2020
*
数据来源:公开资料整理 中国医学影像数据总量巨大,但利用效率较低。据权威调查数据显示,医疗行业 非结构化数据占整个数据量的90%左右,医疗行业的非结构化数据主要包括医 疗PACS系统产生的医学影像,比如 DR、CT、MRI等。而且,中国医学影像 数据仍以每年30%以上的增速在增长。中国每年的基础数据量超过欧美,特别 是根据众多人口数量获得的医疗和健康数据, 但是这些海量数据缺乏一个统一标
准、跨平台分享的生态环境,大多数都是数据孤岛,利用率和利用价值不高。
我国医疗数据特征
过去,医学影像行业在高质量数据获取和标注上有着较大挑战。 1)高质量数据
获取难度大:一方面,高质量影像数据集中在少数三甲医院, 这些医院在数据共 享方面大多较为保守,不同医疗机构的数据很少能够实现互通, 缺乏有效的数据 共享机制;另一方面,尽管我国已经积累了大量医学影像数据, 医学影像行业由 于其需要使用电子设备的特性,数据格式也较于其他医学领域相对标准, 但是过 往医学影像数据,特别是影像所对应的临床诊断报告信息, 没有以正确的标准化 的形式记录甚至缺失的问题,对数据质量造成较大影响。 2)数据标注成本高:
数据处理中80%的时间都是在做数据预处理工作,标注的准确性关乎结果的准 确性,训练的每张图片都需要经过专业人员标注, 未来2-5年小样本学习在理论 层面或将有所突破,但是短时间内数据的标注仍然需要耗费大量的精力。
因此,影像数据的获取能力与标注能力已经成为 AI医学影像公司的核心竞争力 之一。国内外公司基本都处于收集影像数据的阶段, 以不断丰富病种多样性和扩
大影像数据规模,从而优化影像智能诊断的准确度。医学影像人工智能学习数据 主要有两大获取途径:一是是国家/政府的公共数据,如美国联邦政府在 Data.gov数据平台开放了来自多个领域的13万个数据集的数据,包含医疗、 商业、农业、教育等领域,我国和其他国家也陆续开放了部分领域的公共数据。 二是产业合作,获得脱敏数据。人工智能创业公司通过和行业公司,以及产业链 上游的数据公司建立合作获取脱敏数据,比如和医院建立合作关系。IBMWatso n 一开始就是通过和纪念斯隆凯特琳癌症中心合作获取病历、 文献等数据。医院是
当前最大的医疗数据集聚地,因此与大型医疗机构具有深度合作关系的企业占据 先发优势。随着医疗入大数据时代,数据的质量和规模将实现快速提升, 有望引 爆“ AI+医疗影像”行业的发展。
三、科技巨头加速跑马圈地,创业公司获资本青睐
“ AI+医疗影像”市场百家争鸣,目前尚未出现占据绝对优势地位的领跑企业。 市场参与者主要分为两类:一是科技巨头,包括 IBM、谷歌、微软、亚马逊、
阿里、腾讯等,这些企业在人工智能基础技术有着长期的布局和投资, 在医学影
像应用层面取得突破具备一定的优势;二是医学影像人工智能创业企业,创业公 司主要聚焦于应用层的建设,基于场景或行业数据,提供最终的解决方案。
1、 科技巨头抢滩,加速布局“ AI+医学影像”市场
科技巨头纷纷以“ AI+医学影像”为突破口布局医疗领域,2017年以来更是呈 现出加速发展的趋势,英特尔、阿里、腾讯均发布了 “AI+医学影像”相关产品。
1)2017年初,英特尔与相关机构合作研发的一套基于超声影像的甲状腺结节 良恶性的辅助诊断系统一一“DE-超声机器人”在部分医院开始临床试点;7月, 英特尔与爱尔眼科等公司共同签署人工智能眼科疾病识别解决方案, 从处理器和
硬件角度支持眼科图像诊断。2)除了与因特尔合作推出产品,凭借高性能的计 算环境、云平台及深度学习技术优势,阿里健康携手万里云于2017年7月正式 对外发布AI医疗产品“ DoctorYou ”,该产品的CT肺结节智能检测引擎是阿 里健康进入实际应用的第一个医疗 AI产品。3)腾讯也在2017年8月发起人工 智能医学影像联合实验室,并公布其首个 AI医学影像产品“腾讯觅影”,辅助 早期食道癌等疾病的筛查。此外,谷歌、IBM、百度等巨头都在医学影像 AI领 域着手布局。
2、 创业公司受资本青睐,“ AI+医学影像”成投资新风口
动脉网统计数据显示,2016年是人工智能+医疗在国内形成投资风口的元年, 有27家企业在2016年进行融资,其中16家企业融资金额在千万级人民币或 美元以上,医疗大数据公司碳云智能融资金额高达 10亿人民币。截至2017年
8月31日,国内83家企业的融资总额已经接近 42亿人民币。
国内医疗人工智能历年融资情况(百万元人民币)
2016年下半年以来,汇医慧影、雅森科技、连心医疗和推想科技等公司接连获 得了千万级以上的投资,无论是从投资数量还是时间间隔上,都可以看出“ AI+
医学影像”领域的火热程度。
影像智能分析市场公司可分为两类: 一类是通过大量电子病历的积累,实现对医 学影像的诊断分析,主要以帮助医生提升影像诊断效率为目的。以 DeepCare
为例,DeepCare专注于研发影像识别技术,通过对医疗影像进行检测、识别、 筛查和分析,寻找新录入病例与已确诊病症的匹配性,为医生诊疗提供辅助支持; 另一类是通过对医学影像数据本身的解读, 主要以帮助医生提高影像诊断的精准 度为目的,例如雅森科技利用数学模型和人工智能技术定量分析医疗影像, 提高
了诊断的精确性。
四、商业模式逐渐明晰,平台分成与技术授权各具潜力
“ AI+医学影像”已经渐渐走出实验室,业务正逐步落地,下一步将迎来商业化。 数据积累持续增长,算法进一步成熟,商业模式历经前期的探索也愈发清晰。 目
前来看,可行的商业模式包括两种:一是与区县级及基层医院、民营医院、第三 方检测中心等合作,提供影像资料诊断服务,并按诊断数量收取费用,相当于与
本文来源:https://www.2haoxitong.net/k/doc/a5b8e49130b765ce0508763231126edb6e1a76c0.html
文档为doc格式