search
尋找貓咪~QQ 地點 桃園市桃園區 Taoyuan , Taoyuan

人工智慧+影像診斷、藥物挖掘、健康管理

在上篇《比互聯網醫療還高一級的醫療形態,為什麼人工智慧醫療這麼被看好?》中,我們介紹了人工智慧在醫療中重要的診療領域的應用,下篇我們將緊接上篇介紹人工智慧在醫療其他領域的應用情況!

筆者 | 十九線民工

畢業於華中科技大學同濟醫學院醫學信息管理專業,投資學雙學位。原工作於國內首家上市醫療信息化企業衛寧健康行業諮詢部,現轉行醫療健康產業投資,偏向於醫療服務業、醫療信息化、IVD和單抗藥物等領域。喜歡讀書閱史,登山野營,刷刷知乎看看行研,歡迎行業內外人士喝茶、交流、處友。()

人工智慧+醫學影像

AI+醫學影像是將人工智慧技術具體應用在醫學影像的診斷上。具體而言,AI 在醫學影像應用主要分為兩部分:

第一部分是圖像識別, 應用於感知環節,其主要目的是將影像這類非機構化數據進行分析, 獲取一些有意義的信息。

第二部分是深度學習,應用於學習和分析環 節,是 AI 應用的最核心環節,通過大量的影像數據和診斷數據,不 斷對神經元網路進行深度學習訓練,促使其掌握「診斷」的能力。具體而言,AI 在醫學影像數據挖掘和分析中包括數據預處理、圖像分割、特徵提取和匹配判斷四個主要過程。

人類放射科醫生閱片方式,病理醫生閱片能力與閱片經驗(大腦中 儲存的細胞病理形態)的豐富與否高度相關。人類醫生的讀片方式,首先是認知圖像。從心理學上來說,認知圖像的關鍵在於模式和識別 能力。模式是將當前看到的圖像與記憶中有關的參照物(模板、原型、 特徵等)進行對比,典型的模式有模板匹配模式、原型匹配模式、特 征分析模式、傅里葉模式等。具體而言,病理學家在讀片的時候,會 快速搜索大腦中的典型細胞病理學形態,做出判斷。病理醫生的閱片經驗相當於他大腦中對每一張圖像的記憶存儲。AI 實際上是模仿人類醫生閱片模式。

AI 在閱片速度和經驗方面具有優勢。用深度神經網路來識別病理圖片,即使不考慮并行處理和計算加速,閱讀一張病理圖片不超過 40 秒。受能力限制,人類病理醫生的讀片量有限,經驗的積累也有限。 一張病理圖片的閱讀時間可能是幾分鐘,也可能一整天。我們假設看一張片 2-3分鐘,每天工作8小時來算,一位病理醫生每天最多看150張病理圖片,1 年3.75萬張,40年讀片經驗的醫生也只能看150萬張。

AI+醫學影像已經走出實驗室,下一步將迎來商業化浪潮。貝斯以色列女執事醫學中心( BIDMC )與哈佛醫學院合作研發的人工智慧系統,對乳腺癌病理圖片中癌細胞的識別準確率能達到 92%,雖然還是低於人類病理學家 96% 的準確率,但當這套技術與病理學家 的分析結合在一起時,它的診斷準確率可以高達 99.5%,國內的 DeepCare 對於乳腺癌細胞識別的準確率也達到了 92%。據悉尼先驅 晨報的報道,Enlitic 憑藉深度學習技術超越了4位頂級的放射科醫生, 包括診斷出了人類醫生無法診斷出的 7%的癌症,以及在人類醫生高 達 66%的癌症誤診率的情況下,Enlitic 的誤診率只有47%。

AI+醫學影像診斷市場空間巨大。一是病理醫生缺口巨大。由於國內病理醫生收入低、培養模式不健全,全國病理醫生極度缺乏。根據蛋殼研究院的數據,和美國的醫學影像數量年增長分別是 30% 和 63%,而放射科醫師數量增長率僅分別為 4.1%和 2.2%。可見,無論和美國的放射科醫師數量增長遠不及影像數據增長,供需缺口一直拉大。據媒體引述某三甲醫院病理醫生介紹,國內病理科醫生注 冊人數 1 萬多,而按床位數和病理醫生的配比來算,尚有 6-8 萬缺口。 二是,病理讀片高度依賴經驗,因經驗而異使得病理讀片的準確率相差大。的現實情況是誤診率高,基層醫師專業能力低,有經驗的放射科醫師普遍缺乏。

AI+醫學影像領域可能成為眾多醫療細分領域率先爆發的領域,其數據優勢體現在:

(1)影像數據獲取更容易。相比於病曆數據動輒三五年的時間跨 度,影像學數據則只是 「一秒鐘」。對於數據公司而言,獲 得上百萬張片子難度不算很大,但是有幾十萬份完整的結構 化的病人病歷就不容易了。

(2)影像數據處理難度更小。一份病歷要包含的信息至少有病史、病人信息、癥狀、治療手段、愈后恢復等方面,而影像學的數據就是一張片子。

(3)影像數據重要。影像檢測信息是最直觀反映病人病情信息的數據,也是醫生確定治療方案的最直接依據。

(4)第三方檢測機構在近年的興起。相比於醫院內的檢測,第三方檢測機構的效率更高,可以充分利用社區資源,不牽扯醫生利益,是大勢所趨。第三方檢測機構想要開展影像檢測業 務,必須取得資質認證,資質認證包括一定級別的器材與人員。而專業人員培訓周期長,對於智能圖像診斷的潛在需求大。

人工智慧+藥物挖掘

AI+藥物挖掘是指將深度學習技術應用於藥物臨床前研究,達到快速、準確地挖掘和篩選合適的化合物或生物,達到縮短新葯研發周期、降低新葯研發成本、提高新葯研發成功率的目的。

AI通過計算機模擬,可以對藥物活性、安全性和副作用進行預測。藉助深度學習,在 心血管葯、抗腫瘤葯、孤兒葯和常見傳染病治療葯等多領域取得了新突破。目前,已經湧現出多家 AI 技術主導的藥物研發企業。例如,矽谷的 Atomwise 公司通過 IBM 超級計算機,在分子結構資料庫中篩=選治療方法。利用強大的計算能力,評估出 820 萬種候選化合物,而研發成本僅為數千美元,研究周期僅需要幾天時間。

2015 年,Atomwise 基於現有的候選藥物,應用 AI 演算法,不到一天時間就成功地尋找出 能控制埃博拉病毒的兩種候選藥物,以往類似研究需要耗時數月甚至 數年時間。2012 年,默克公司主持了一項由數據科學公司 Kaggle 發 起的旨在確定虛擬篩選統計技術的挑戰。現在,Kaggle 已經開始測試 深度學習和 AI 的應用,並與 AI 藥物發現初創公司 Atomwise 開展合作。Atomwise 最近利用 AI 技術,在不到一天的時間內對現有的 7000 多種藥物進行了分析測試,為尋找埃博拉病毒治療方案做出了貢獻。 根據該公司的統計,如果利用傳統方法,這項分析需要花費數月甚至數年才能完成。

AI+藥物挖掘主要服務與具有新葯研發需求的葯企,市場空間至少千億級。據米內網統計,《製藥經理人》雜誌選出的全球 TOP50 製藥企業2013 年研發投入達到 1077 億美元,占處方葯銷售總額 18%。

人工智慧+健康管理

AI+健康管理是將人工智慧技術應用到健康管理的具體場景中。健康管理的範疇非常廣,從全球 AI+醫療創業公司來看,主要集中在風險識別、虛擬護士、精神健康、在線問診、健康干預以及基於精準醫學的健康管理。

註:全文主要整理來自方正證券《互聯網醫療系列深度報告之十:人工智慧引領行業新變革 》

歡迎提問

如果您對相關內容有任何想要了解的問題,請直接在下面留言區提問吧!

醫健 x 投資

帶你讀懂醫療健康產業投資!

點擊閱讀原文查看項目



熱門推薦

本文由 yidianzixun 提供 原文連結

寵物協尋 相信 終究能找到回家的路
寫了7763篇文章,獲得2次喜歡
留言回覆
回覆
精彩推薦