1895年，德国物理学家伦琴利用X射线给他的夫人生成了世界上第一幅X光照片，医疗行业因此而发生改变，在100多年后的今天，人工智能在医疗领域或者医疗图像领域的发展正在促成医疗行业的再一次飞跃。
IBM的研究人员预计，医疗图像数据占据了医疗行业数据信息的90%，是医疗领域最大的数据源。考虑到巨大的人口基数下每天在医院里不断产生的图片，这些图像信息的分析和利用需要更高效的方式。
目前，已经有了许多的创业项目是针对医疗图像人工智能方向的，虽然远远还不能做到量化，但这些技术确实帮助了医疗行业能够快速且准确的进行诊断。下面就给大家介绍一些相关领域的项目。
肿瘤诊断
在美国，每年有500万的皮肤癌确诊病例，美国医疗系统每年花在这项全美最常见癌症上的经费超过八十亿美元。
如果能够快速发现并积极治疗，黑素瘤是一种高治愈率的癌症疾病，在癌症不同阶段，治愈率随着阶段不同由65%降低到15%，如果有积极的治疗，5年存活率更是高达98%。IBM的智能信息系统高管John Smith表示，目前最受期待的肿瘤诊断项目就是在预诊断黑素瘤领域。这个算法能够根据和疾病疾病相关的一系列图像特征来进行相关疾病的预测。
无独有偶，一家澳大利亚企业Enlitic之前也表示，他们能够根据肺部CT图像来进行癌症预测。Enlitic的CEOJeremy Howard表示，他们基于深度学习的检测系统能够比放射科医师有更精准的癌症诊断率。
深度学习算法需要很多的数据，人们对数据的重视也是最近5年机器学习如火如荼的重要原因。虽然，医疗领域数据信息的短缺仍然是我们的一大障碍，但已经有人意识到了这个问题。IBM在2015年收购了Merge，这是一家帮助医院存储和分析医疗图像的公司，改公司拥有300亿图像信息，IBM希望能够利用它来帮助医疗行业。
帮助药物研发
医疗图像还可以用于药物研发中的药物作用监测，以帮助临床医生在极小的测试人群下快速完成药效监测工作，还可以节省药物研发的费用和时间成本。比如，希罗达这种治疗癌症常用的药物，1998年被批准的时候，只在162位患者身上进行了测试。
通过对肿瘤形状、区域、大小、密度等图像信息的分析，深度学习算法能够对药物效果进行有效快速的评估，提升药物研发效率，减低药物研发成本。2013年，Fraunhofer Institute for Medical Image Computing研发了一种算法，能够帮助医生判断癌症治疗的效果。该机构的Mark Schenk表示，“这个算法能够判断肿瘤大小的变化，以帮助医生做出判断。”
血流的量化和可视化
MRI磁共振成像能够获取人类血管中的量化和可视化信息，在20世纪80年代得到广泛应用之后，心血管相关的疾病诊断水平因此大幅提升。
Arterys是一个医疗成像平台，能够帮助医生诊断心脏疾病。TA利用神经网络技术能够对病患心脏进行医学检验，目前该平台的算法是基于1000病例的数据信息，随着案例的增加，TA的判断水平有望持续提升。Arterys用15秒就可以完成医生需要半小时到一小时才能完成的工作，目前该应用已经获得了没过实验局的认证。
结果诊断
一个靠谱的诊断结果依赖于信息准确和判断准确，根据图像进行诊断往往是放射科医师的职责，但是人总会犯错，总会受各种主观因素的影响，这也是为什么同一张医疗图像，在不同的医生那里可能会有不同的结果的原因。
Lunit是一家2013年成立的韩国公司，它利用深度学习来解读医疗图像。系统能够在5秒内提供诊断结果，并保证95%以上的准确率。另外一家2014年成立的韩国企业Vuno也提供相似的服务。
糖尿病视网膜病
糖尿病会产生一系列的并发症，在致盲疾病排列中也在前列，而且目前有逐步增长的趋势，目前世界上有4.15亿的糖尿病患者。相关机构预测到2050年，美国将有1.6亿人因为糖尿病产生视觉相关疾病。
针对这种情况，谷歌已经研发除了一种算法，能够及早地预测诊断出因为糖尿病而产生视觉疾病，目前谷歌已经在和印度一家医院合作，通过这个深度学习模型，帮助医生能够及早在糖尿病视网膜疾病早期做出诊断以给以治疗。
搜索目前在各类网站的信息，关于深度学习在医疗图像上的应用大众普遍认可是必然趋势，许多专家在这方面也保持乐观态度。但是，深度学习在这方面的应用不是替代医生的工作，二是让医生更高效的完成工作，特别是在预测疾病和指导治疗方面。
联系客服
