除了常見的人臉識別、語音識別等技術，如今，人工智能技術在醫學領域也大放異彩。
其中，醫學影像與人工智能的結合被認為是最有發展前景的領域之一。醫學影像智能診斷、語音電子病歷、癌癥智能診斷等均已逐漸成為熱門方向。人工智能+醫學影像是其中最熱門的概念之一。
由于人工智能在醫學影像領域市場潛力巨大，吸引了各大資本巨頭紛紛進場，但讓人不得不反思：人工智能+醫學影像到底是陷阱，還是有待挖掘的金礦？
人工智能為醫學影像“添翼”
目前，人工智能在國內醫療領域的應用主要以醫學影像為主。那什么是醫學影像呢？
醫學影像是指為了醫療或醫學研究，對人體或人體某部分，以非侵入方式取得內部組織影像的技術與處理過程。
國內近兩年AI研究如火如荼，各個器官疾病診斷的模型都有研究和嘗試，基于深度學習的AI應用目前已經覆蓋病灶檢測、病理診斷、放療規劃和術后預測等各臨床階段。其中基于X線的肺部篩查、乳腺鉬靶篩查;基于CT影像的肺結節檢測模型顯示出較好的臨床使用潛力。
正如大家所了解的，疾病的病理過程會產生一定的病理解剖和病理生理方面的變化，這些病理變化在不同的影像學檢查中會產生不同的影像學信息（X線和CT是利用人體組織間的密度差異，MRI是利用組織間的MR信號強度差異，US是利用組織間的聲學信息差異），通過對這些信息的分析，醫生能夠實現對機體病變的有效把握，從而為患者做出正確的診斷。
但是，大多數人不知道的是，我們生病去醫院做完檢查后手里拿到的診斷報告是放射科醫生寫出來的。其實，放射科醫生的工作除了發現病變、定性定位病變、看圖象做診斷，還要參與到治療方案的制定中去。
據了解，一名放射科醫生每天要診斷超過60個病人的CT，有時甚至上百個，一個病人的醫療影像有250-300張，而醫生往往要對一個病人的影像反復看3-4遍。這就意味著，在每個病人身上，醫生都要看上千次圖，這名醫生一天下來就要看幾萬甚至上十萬張圖，這對視力是非常大的傷害，并且長時間的疲勞作業還會增加漏診的風險。
有了人工智能輔助醫學影像，不僅能幫助患者更快速地完成健康檢查（ 包括X 線、超聲、磁共振成像等） ，也可以幫助影像醫生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。
而影像是大病診斷的切入點——X光片、CT所呈現的醫療影像幫助人類盡早發現身體疾病，進行科學的治療，恢復健康甚至挽留住生命。
通過借助深度學習、圖像識別等人工智能技術，醫療影像的診斷可以變得更加高效和準確，以免誤診和漏診。
資本涌入，巨頭布局，這些公司“不差錢”
隨著人工智能技術的不斷發展，其在醫療領域中的應用也逐漸增多。目前，人工智能+醫療共有包括虛擬助理、醫學影像、輔助診療等八大應用場景，其中，醫學影像是最為熱門的應用場景之一。
越來越多的人也將目光瞄準了人工智能醫學影像領域，隨著資本的竟相涌入，人工智能醫學影像這塊“蛋糕”也被做大。
但是，中國醫療市場巨大，不是一、兩家公司就可以吃得下的。
根據Global Market Insight的數據報告，按照應用劃分，藥物研發在全球醫療AI市場中的份額最大，占比達到35%。而智能醫學影像市場則為第二大細分市場，并將以超過40%的增速發展，在2024年達到25億美元規模，占比25%。
據了解，國內有83 家企業將人工智能應用于醫療領域，主要布局在醫學影像、病歷/文獻分析和虛擬助手三個應用場景，而其中涉足醫學影像類的企業數量達到40 家。
另外，有數據顯示，2015-2018年（截止至2018年三季度），我國共發生AI醫學影像融資事件75起，總融資額達到40.9億元，占人工智能醫療領域總融資額的52.6%。
傳統的互聯網巨頭也紛紛進軍人工智能醫療領域。2017年，阿里健康、萬里云聯合開發的智能影像診斷產品“Doctor You”正式上線，AI系統包括臨床醫學科研診斷平臺、醫療輔助檢測引擎、醫師能力培訓系統等。同年，騰訊緊隨其后推出了“騰訊覓影”，騰訊覓影人工智能醫學影像聚合了醫學專家、人工智能和產品支持團隊，把圖像識別、深度學習等領先的技術與醫學跨界融合，輔助醫生對癌癥進行早期篩查。
除了傳統的AT，許多新興的創業公司雖沒有他們財大氣粗，但是近兩年AI的投資熱潮使得大多數AI人工智能企業獲得了融資，且規模不小。如依圖科技、匯醫慧影、深睿科技、推想科技等。
國內目前已有公開披露的醫療AI融資事件達到93起，其中有57起明確公布了融資金額。僅在國內，千萬級和億級的融資項目就占到了65%以上。
因此，短期內醫療AI公司并不缺錢，而且都在燒錢。
AI+醫學影像“熱”背后還需 “冷”思考
相關數據顯示，到2025年，世界人工智能市場總值將達到1270億美元，其中醫療行業將占市場規模的1/5。
從我國的醫療現狀來看，我國2017年醫療器械銷售規模達4176億人民幣，其中診斷影像份額超過400億人民幣，醫學影像數據的年增長率約為63%。
很多人以為，AI比醫學影像科醫生“厲害”，更有一些言論稱人工智能將會取代醫生，但實際上，目前人工智能的優勢僅局限在極個別單項上，機器或許可以彌補醫生的“先天不足”，但是不會替代醫生。
而且，人工智能輔助醫生發現病變后給病變定位定性，這可能僅僅是AI應用在醫學影像領域的第一步，對于疾病的綜合評價和治療策略確定，依舊要交給影像診斷醫生。
在北京影像云平臺上，人工智能系統對基層醫院上傳的30名患者近9000張肺結節CT影像進行智能檢測和識別，將第一輪篩查出的疑似結節標記出來，作為輔助診斷結果，提供給4名放射科醫生進行審查。醫生審查后認為可以采納，即對報告簽字。
就目前來看，醫生還是需要對患者負責，雖然人工智能可以幫醫生節省大量重復勞動時間，但是代替醫生診斷和處理是很難的事情。
另外，AI需要明確的、客觀的、固定的素材，很多企業做的肺病變AI產品只拿數據庫1萬或者幾萬個病例去訓練，就像題庫似的，但是題庫里面的都是現成的，而患者永遠是不一樣的，所以這樣的AI就很難應用。
并且，所有正確的診斷都貴在當面交流，醫生通過提問，讓患者不斷補充病史，不斷解答患者提問，要綜合考慮病史的真實性、年齡段、個體發育差異、用藥史、圖像等等，不只是看圖識病這么簡單的流程。
落地有距離，數據是重點
目前AI到底發展到什么程度，醫院應用AI后對醫生的工作實際產生了多大影響？離落地還有多遠？
這就像隔著一扇玻璃門，看得到好，但是摸不到、感受不到。
人工智能醫學影像絕不是一蹴而就的事。同樣的儀器設備，由不同的人使用，所產生的圖像數據或質量可能不一，加之各類設備之間存在的數據差異，均會嚴重影響圖像的數據采集、特征提取、圖像閱讀。
正如影像科醫師需要閱讀大量的臨床醫學圖像一樣，“喂食”病理圖像數據也是AI系統最主要的學習方式。“喂食”的病理圖像數據越充足，AI的分析能力才能越強大。
以當下熱門的醫學影像輔助診斷的產品為例，這些產品背后的數理模型往往在經過足夠多的高質量臨床影像數據訓練之后，才能達到普適性更強、準確度更高的診斷或分類效果。
對影像數據而言，圖片質量標準化程度低，帶專業標注的影像圖片更需要額外制作，這些都給現有人工智能醫療影像產品帶來了阻礙。
人工智能醫學影像絕不是一蹴而就的事。同樣的儀器設備，由不同的人使用，所產生的圖像數據或質量可能不一，加之各類設備之間存在的數據差異，均會嚴重影響圖像的數據采集、特征提取、圖像閱讀。
正如影像科醫師需要閱讀大量的臨床醫學圖像一樣，“喂食”病理圖像數據也是AI系統最主要的學習方式。“喂食”的病理圖像數據越充足，AI的分析能力才能越強大。
以當下熱門的醫學影像輔助診斷的產品為例，這些產品背后的數理模型往往在經過足夠多的高質量臨床影像數據訓練之后，才能達到普適性更強、準確度更高的診斷或分類效果。
對影像數據而言，圖片質量標準化程度低，帶專業標注的影像圖片更需要額外制作，這些都給現有人工智能醫療影像產品帶來了阻礙。
另，現階段，我國的醫療影像仍處于傳統膠片向電子數據過渡的階段，大量影像資料尚未數字化，且醫院之間的沒有互聯互通，而獲取大規模的數據對業內公司是一個挑戰。
目前來看，AI醫療行業還在科研階段，離真正的落地應用還有距離。跑得快的企業已經搶占了AI醫療影像資源，但并非高枕無憂。