深度学习技能的发展直接促进了自然措辞处理（NLP）和打算机视觉（CV）两个领域技能方向的进步，语音识别、机器翻译、图像处理和识别上涌现了诸多成功、成熟的运用。
而医学影像剖析作为打算机视觉技能在图像领域运用的一个分支，同样成为了研究热点。
2017年中揭橥在Medical Image Analysis的一篇文献对深度学习技能在医学影像剖析领域的研究进行了统计，其结果如下图所示：

可以看到，深度学习技能于2012年在自然图像领域取得打破之后，开始大规模进入医学影像领域。
打算机视觉中的目标检测、实例分割、图像分类等几个紧张技能在医学影像剖析中都有运用，而且覆盖了如MRI、CT、X-ray、Ultrasound平分歧模态的数据，也涵盖了各种不同的部位。
不仅如此，上面给出的是学术论文数量上的分布，在论文的影响力方面，深度学习技能在医学影像剖析中的运用也得到了很大的认可，大略罗列下近两年的一些主要研究结果就可见一斑。

如2017年1月斯坦福大学跨学科的研究团队在《Nature》上揭橥的“Corrigendum: Dermatologist-level classification of skin cancer with deep neural networks” ，这篇文章利用深度学习技能，采取了近13万的临床数据进行演习，并在 21 位经由认证的皮肤科年夜夫的监督下，测试了它在活检证明的临床图像上的性能。
在本次实验中，深度卷积神经网络在最常见癌症识别以及最致命皮肤癌识别浙两个任务上的表现都达到了所有测试专家的水平，证明了该人工智能的皮肤癌鉴定水平达到了媲美皮肤科年夜夫的水平。

再如2018年2月加州大学圣地亚哥分校张康教授团队在《Cell》上揭橥的“Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning”论文，他用约10万张准确标注的视网膜光学相关断层成像术图像进行演习，在诊断眼疾时的准确性达到96.6%，个中灵敏性97.8%，特异性97.4%。
这项事情引入了迁移学习的技能，可用于诊断视网膜疾病之外的其他疾病，并在用预演习好的眼科AI诊断模型上采取5000张胸部X线图像进行进一步演习，在区分肺炎和康健状态时，准确性可以达到92.8%。

与此同时，一大批人工智能医学影像初创公司呈现了出来。
据公开数据统计，2017年海内医疗影像AI赛道共计融资超过20亿公民币，单笔融资过亿的就有数起，在全体医疗人工智能领域是股权投融资最生动的方向之一，那么为什么医学影像AI能够得到浩瀚创业者、投资者的认可，吸引了如此多的成本和人才汇聚到这个领域？

这里有几个条件：

技能升级

深度学习技能在图像领域的打破使得在医疗影像中运用AI技能进行赞助诊断成为可能；

供需失落衡

随着人口老龄化的加剧以及民众康健意识的提升，医学影像检讨次数每年以超过30%的速率增加，而影像科年夜夫每年的增长速率不到5%，这里面存在着严重的供需失落衡；

市场规模

据《医疗影像的市场图谱和行业发展剖析》推算，2020 年我国医学影像市场规模将达6000 - 8000 亿公民币，个中诊断环节占20%旁边，却也是一个千亿级别的市场。
而美国2018年医学影像诊断的市场规模超过100亿美元。

那么，市场和代价都很明确，医学影像AI现阶段到底能办理什么问题？

现阶段的医学影像AI产品紧张的运用模式是赞助年夜夫进行临床诊断，从产品分类上属于工具型产品，而工具型产品的核心是高效地办理用户需求。

那么我们大略剖析下工具型产品的利害。
传统的工具型产品的上风是用户需求明确，利用场景纯粹，落地随意马虎，随意马虎做到极致化的体验。
但工具型产品也存在很大的劣势，由于利用场景单一，以是用户利用频率少；由于用户需求明确，以是一旦用户的需求得到知足，利用即停滞。
因此，这类产品利用韶光短，用户粘性差，这都使得工具型产品每每在早期发展非常快，并且能够快速盘踞市场，但发展到一定的阶段，又会受限于规模化的商业变现。

而在医疗领域，工具型产品的变现模式非常清晰。
目前医疗领域大部分的产品都属于工具型产品，如医疗东西，只要产品质量过硬，能够办理实际临床需求，并且可以切入到临床路径，就能够进行商业化变现，以是医疗影像AI产品紧张须要超过的门槛便是找到明确的用户需求和利用场景，并进行落地。

我们再来剖析用户需求和利用场景，首先来看下我国恶性肿瘤的统计数据。

环球每年新发癌症病例1400多万，我国每年新发病例约430万，相称于每天都有1万多人确诊癌症。
个中肺癌和乳腺癌分别为男性和女性的第一大癌，而肺癌更是我国乃至天下发病率最高、去世亡率最高的癌症。
由于肺癌和乳腺癌早期和晚期的五年生存率有明显的差异，早诊断早治疗能够显著降落去世亡率，对付患者自身及其家庭乃至社会都有难以衡量的意义。

但令人遗憾的是，肺癌发病暗藏，等到患者涌现明显的临床症状（如咳嗽、痰中带血、胸痛、发热、气匆匆、声音沙哑等），已经到了晚期。
数据显示，目前我国约75%的肺癌患者在确诊时已属晚期，五年生存率仅15%，而发生远端转移的肺癌患者五年生存率更是不到5%，超过半数的肺癌患者在确诊后的一年内去世亡。
因此肺癌的早期诊断对治疗极其主要。
NLST（National Lung Screening Trial）的研究结果显示，对付高危人群进行肺癌筛查，可以有效的降落去世亡率（Reduced lung-cancer mortality with low dose computed tomographic screening，New Engl J Med 2013）。

与肺癌比较，乳腺癌的治疗效果较好，而且不随意马虎复发。
美国癌症中央的数据显示，乳腺癌五年生存率为89%，个中0-I期五年存活率靠近100%。
但是在我国，由于短缺全国范围内的乳腺癌筛查项目，相较于美国大多数患者诊断时为0期、I期，我国乳腺癌患者多为II期，并且III、IV期比例也高于美国。
有数据显示，即便在北京，82.1％的女性创造患乳腺癌时已有明显症状，在0期和I期的患者比例只有32%，而且我国乳腺癌的发病年事明显低于国外，有2/3的患者为45岁以下的中青年女性，覆盖大规模人群的乳腺癌筛查迫不及待。

糖网（糖尿病性视网膜病变）也对筛查有急迫的需求。
截止2015年，我国糖尿病患者人数高达1.1亿，居天下首位，而糖网是糖尿病常见的慢性并发症之一，也是糖尿病患者致盲的最紧张眼病，发病率约31.7%。
同时，糖网病早期每每没有任何临床症状，一旦有症状，病情已较比较严重，随意马虎错过最佳治疗机遇。
研究表明，糖尿病患者每年进行1次眼底检讨，可使失落明发生率降落94.4％。

可以看到，上面三种重大疾病都存在着大规模人群筛查的需求，这须要大量的人力和资金的投入，而将AI技能运用到重大疾病的早期筛查，则可以很好的办理人力和资金的问题，同时提升整体筛查效率，从国家的层面也能很好的帮助优质医疗做事下沉，实现重大疾病早诊早治，降落医疗和社会本钱。
这才是当前影像AI运用的紧张落地场景，也是当前医学影像AI真正可以办理的问题。

随着大家这两年来对付医疗AI的摸索和理解，各家公司的产品包括模式都在趋同。
基于公开资料可以看到，各家公司发布的产品大部分集中在肺癌、糖网、乳腺癌等重大疾病的筛查和早期诊断，虽然医学影像AI存在较高的技能和资源门槛，但竞争同样非常激烈，还吸引了浩瀚成熟企业加入，如阿里巴巴、腾讯、百度、安然科技、科大讯飞等。

这一领域的公司都有其各自的特点，不论是从非医疗领域跨界而来的巨子，还是从传统医疗领域延伸出来厂商，或者是从0到1的创业公司，在医疗影像AI领域耕耘持续磨练着公司的技能能力、产品能力以及商务能力，任意方面的短板都会严重制约公司的发展。
医疗影像AI是一个非常有前景，有代价的领域，以技能创新为核心，从产品体验动手，务实的办理年夜夫在临床事情中面临的效率问题，让产品在临床事情中得到实际运用，进而形成依赖，是当下最切实可行的路径。