人工智能医学影像数据的现况

当前我国的医学影像数据量很大，但其利用效率不高，其中非结构化数据占了90%左右。大量的数据缺乏结构化的数据梳理、标准化的呈现系统，深圳市人工智能行业协会以及跨平台共享的生态环境，大多数数据都是孤立的、非标准化的，具有较低的可用性。所以人工智能医疗影像企业面临着高质量的数据获取和标注的挑战。

很难获得高质量的数据

高质量的影像资料主要集中在三甲医院，只有内部流通，缺乏共享机制，影像资料不能离开医院是一条必须守住的红线，因此很难得到，大量的影像资料分散在不同的三级医院系统中；另一方面，以往的医学影像资料和临床诊断报告信息，缺乏统一的标准记录，数据质量参差不齐。就拿CT来说，医院使用的各种类型的CT机近百种，生产厂家有7-8家。产品开发过程中，如果只使用少数型号的数据深圳市人工智能行业协会，或者从公共数据集下载数据进行模型训练，即使实验结果非常准确，也很难在实际应用中取得良好的效果。

昂贵的数据标注

资料处理过程中的关键环节是资料的预处理工作，资料标注的准确性将直接影响最终诊断的结果。每一幅参与机器学习训练的图片都由专业人员标注深圳市人工智能行业协会。虽然在今后的小样本学习中有了突破，但是目前的数据处理和学习方法仍然需要花费大量的时间和精力。

人工智能医学影像学在临床中的应用现状

首先出现在大众视野中的人工智能医学影像产品采用的是传统的CAD(计算机辅助诊断)方法，传统的CAD系统一般采用专家系统自上而下的方式，即先从人对世界和事物的认识入手，再从影像的建模思路入手。这样的想法使CAD无法超越人类专家，存在相对高的假阳性和假阴性，最终未能被临床接受。伴随着卷积神经网络技术的发展，深度学习已经在图像识别领域表现出了卓越的能力深圳市人工智能行业协会。与传统的CAD方法不同，深度学习受到人脑生物学结构、构建网络、模拟人的认知过程的启发，通过学习数据和改进算法，它的性能能够不断提高。但人工智能医疗影像产品在临床应用中需要解决产品的健壮性、易用性和安全性等问题，才能真正成为工业级产品。尽管目前的人工智能医学影像产品可以有效地减轻医生的工作量，但是对医疗机构和病人来说，还不够硬。对医疗机构而言，产品的假阴性非常重要，即使漏诊率仅为1%，医生仍需重新检视全部病历；对病人而言，病人的支付习惯仍需培养，医疗政策仍需改进。