人工智能（AI）公司不断完善和训练他们的算法，以改善使用医学诊断成像检测疾病的水平。
到2030年，医疗诊断中人工智能的市场将超过30亿美元。根据IDTechEx 的“ 2020~2030年医疗诊断中的AI：影像识别，播放器，临床应用，预测”报告，到那时，由于AI能够比人类更高效地分析数据，医学影像识别AI的使用将增长近3,000％。通过简化影像分析过程，这项技术有望改善诊断方案，最大程度缩短治疗时间（图1）。
图1: 影像识别AI是一种决策支持工具，可针对患者病情快速生成有效信息。（图片来源：IDTechEx）
自从2010年至2014年影像识别软件中引入了深度学习， AI医学成像诊断市场便进入了技术快速发展的阶段。AI公司不断尝试扩充其产品功能和应用范围，以在竞争激烈的市场中增强自己的影响力。
该行业的主要创新围绕着：提高数据的使用效率，提高AI技术的可用性，以及提高AI技术在放射科医生眼中的价值。本文描述了医学成像中AI影像识别技术的五大关键趋势。
在评估影像识别AI对医学诊断的价值时，准确性是其首要考虑指标，AI公司正朝着实现高水平疾病检测的目标努力。目前，尽管AI有可能彻底改变疾病诊断的过程，但其价值仍低于大多数放射科医生的期望。
许多AI公司优先考虑的是改进算法。例如，荷兰初创公司SkinVision成功提高了软件的疾病检测性能，以增强其作为决策支持工具的可信度。 2014年，SkinVision的应用程序检测到了81％的皮肤癌病例，人们认为这一比例还不足以准确地检测黑素瘤。到2019年，这一数据已攀升至95％，是市场上准确度最高的——远远超过皮肤科医生人工诊断70％至80％的准确性（图2）。
如今，算法的准确性是其第一大卖点，算法准确性高的公司拥有极大的竞争优势。高准确性有助于他们的技术被医疗机构采用，因为采用自动化定量分析所带来的好处将超过改变工作流程引起的短期不便。
图2: 医疗诊断中的影像识别AI：在不同疾病的检测中，算法诊断与人工诊断的表现进行比较。（图片来源：IDTechEx）
AI公司越来越重视扩展其软件的适用性。目前，影像识别AI算法的局限性通常在于其应用限于特定人群。因此，如果患者资料与软件先前接触的数据类型不匹配，软件的疾病检测能力就会降低。
为了解决这个问题，AI公司在算法训练中包含了更多样化的数据集。一个共识渐渐形成：训练数据应涵盖多种类型的患者，以便算法可以识别异常，无论患者是何种族、遗传背景或生理状况。例如，Lunit 公司的INSIGHT MMG软件检测乳腺癌的准确率为97％，这是因为该公司对其算法进行了训练，可以识别出不同密度和脂肪组织组成的乳房中产生的病变。
AI技术能成功处理数量庞大的患者，这凸显了其技术和业务优势。随着软件适用性的扩展，其使用率将会提高，从而用于更多的患者。
为使AI疾病检测性能最优并提高AI诊断的可靠性，获得高分辨率影像是关键。训练期间使用劣质数据会影响深度学习算法的进步过程和性能水平。模糊的影像会降低AI诊断的准确性，从而降低广泛应用AI的可能性。
为此，AI公司正在寻找捕获更好影像的方法，以提高医疗诊断中影像识别AI的价值。用来评估或改善影像质量的AI工具已经商业化。例如，美国的Subtle Medical公司使用影像识别AI将不能进行分析的模糊影像转换为高分辨率的扫描图像。
印度的Artelus使用了另一种方法，该公司开发了一种可以在采集影像后立即评估影像质量的系统，用于确定影像是否足以进行可靠的诊断，或是否应该重新拍摄影像。
多种疾病的检测是影像识别AI应用的另一个重要趋势。公司以前更愿意专注于单一疾病的检测，因为这种方法的成本要低得多，耗时也要少得多。因此，现今许多AI分析工具能识别出的疾病种类有限。他们的算法可能会忽略或误解那些未学习过的疾病，导致误诊，因此这些AI工具在放射学实践中的价值并不是很大。
有些医生需要多功能决策支持工具，为了增加产品对这些医生的吸引力，AI公司正在投入更多的资源，以便从单个影像或数据集中识别出多种疾病。例如，DeepMind Technologies和Pr3vent的解决方案就要从单个视网膜影像中检测出50多种眼部疾病，而VUNO的算法可以检测到12种疾病。
对医院和AI公司而言，能够检测多种疾病的软件相较检测特定疾病的软件具有更大的价值。如果一次扫描检测出多种疾病，就可以减少患者确诊所需的检查次数，从而将医疗费用降至最低。能够检测多种疾病的软件适用范围更广，在医院可以作为日常诊断工具使用。
将影像识别AI软件直接集成到医疗扫描仪中变得越来越普遍。当前，放射科的AI软件通常是通过云平台部署，或是直接安装在医院的内部服务器上。采用这种做法，放射科需要适应新的工作流程，导致生产力降低，使医院更不愿意使用影像识别AI。
AI公司越来越愿意直接将软件集成到扫描仪中，以促进医学影像分析的自动化。AI软件提供了强大的分析功能，使医院每日问诊人数达到最多，并能改善患者预后。这种做法已经越来越多了。最近的例子有，Lunit将INSIGHT 胸部X光检查（CXR）集成到GE Healthcare的胸腔护理套件中，以及MaxQ AI的颅内出血（ICH）检测技术被嵌入到飞利浦的计算机断层扫描系统中。
（本文授权编译自EDN姐妹网站Electronic Products，原文参考链接：Five AI technology trends to watch in medical imaging，由Jenny Liao编译）
本文为《电子技术设计》2021年3月刊杂志文章“汽车制造商都想开发自己的操作系统？”，版权所有，禁止转载。免费杂志订阅申请点击这里。
最前沿的电子设计资讯
