可用于第一部分介绍的内容

[hyacinth0906]

AI发展历史

 1956 年人工智能一词首次在Dartmouth学会上提出的。  20世纪50年代至70年代，人工智能力图模拟人类智慧，但是受限于算法、计算处理能力，这一热潮逐渐冷却。  20世纪80年代，人工智能的关键应用—基于规则的专家系统得以发展，但是数据较少，难以捕捉专家的隐性知识，加之计算处理能力依然有限，使得其不被重视，人工智能研究进入低潮期。  20世纪90年代，神经网络、深度学习等人工智能算法以及大数据、云计算和高性能计算等信息通信技术快速发展，人工智能迎来新一轮的热潮。深度学习是一种通过多层表示来对数据之间的复杂关系进行建模的算法。深度学习模仿人脑结构，具有更强的建模和推理能力，能够更有效地解决多类复杂的智能问题。  1997年“深蓝”战胜国际象棋世界冠军。  2011年IBM超级计算机沃森在美国电视答题节目中战胜两位人类冠军。  2015年的百度、微软和Google公司关于图像分类和识别的测试中，AI的表现也接近或超过人类水平。  2016年和2017年Google的AlphaGo战胜人类围棋高手。  2017年斯坦福发布的首份《AI Index》中的指出，物体检测、语音识别的AI技术表现已经超越人类。 尽管经过近60年的发展，人工智能已经取得了巨大的进步，但总体上还处于发展初期。

[hyacinth0906]

• AI的基本框架分为基础层、技术层和应用层3个应用层。

• 驱动AI的技术发展的要素

  • 物联网
  • 大数据
  • 大规模并行计算
  • 深度学习算法
  • 深度神经网络（深度学习算法）。2006年，Geoffrey Hinton教授发表的论文《A fast learning algorithm for deep belief nets》。

• AI的应用场景

[hyacinth0906]

AI医疗的发展历程

• AI在医疗行业的应用最早可以追溯到20世纪70年代兴起的医疗“专家系统”。
  • 它是通过将已有的医学知识输入到计算机程序中，在一定规则下根据病情进行推理和判断，模拟真实场景中的诊疗过程，进而给出诊断结果和治疗方案。
  • Stanford开发的MYCIN system
• 计算机辅助诊断CAD
  • CAD主要通过影像学、医学图像处理技术等手段，同时应用计算机辅助，以达到提高诊断准确率的目的
• 21世纪以后，随着深度学习的兴起
  • 佛罗里达州立大学用AI预测2年的自杀倾向，准确率高达80%－90%
  • IBM“沃森”医生可根据大量的病例、指南等中去找出最符合一个病人的诊断和治疗方案，供医生做辅助决策参考。
  • 达芬奇机器人辅助医生的微创手术，拥有切口小、下刀准的等优点，对于微创手术能减少手术风险，还可以减轻手术对外科医生的体力消耗，提高手术效率与稳定性。

[hyacinth0906]

AI医疗的细分领域 用于讲清影像AI的位置

• AI医疗医用的应用主要分为三个层面。
  • 基础层：通过软硬件的基础设施，收集用户、药物及病理数据，并使数据互通互联，为人工智能的应用提供支持与可能。
    •  院内系统  智能医疗设备  电子病历  AI芯片  医药数据库
  • 技术层：通过语音/语义识别、计算机视觉技术，对非结构化数据进行分析提炼。“学习”大量病理学数据文本，使其掌握问答、判断、预警、实施的能力。
    •  语音识别  图片识别  人机交互  深度学习  医疗数据
  • 应用层：是指AI与不同细分领域相结合，开发和应用解决医疗需求的产品和服务。
    •  虚拟助手  辅助诊断（包含病理和影像辅助诊断）  医疗搜索  药物研发  医用机器人  智能健康管理（包括疾病的预防）

[hyacinth0906]

AI的应用场景 用于讲清医疗AI的位置

•  个人助理（智能手机上的语音助理、语音输入、家庭管家和陪护机器人） 产品举例：微软小冰、百度度秘、科大讯飞等、Amazon Echo、Google Home等。
•  安防（智能监控、安保机器人） 产品举例：商汤科技、格灵深瞳、神州云海等。
•  自驾领域（智能汽车、公共交通、快递用车、工业应用） 产品举例：Google、Uber、特斯拉、亚马逊、百度等
•  医疗健康（医疗健康的监测诊断、辅助诊断系统、智能医疗设备） 产品举例：IBM、Google、国内BAT等。
•  电商零售（仓储物流、智能导购和客服） 产品举例：阿里、京东、亚马逊等。
•  金融（智能投顾、智能客服、安防监控、金融监管） 产品举例：蚂蚁金服、交通银行等。
•  教育（智能评测、个性化辅导、儿童陪伴） 产品举例：学吧课堂、科大讯飞等
• 根据信通院 ICT 监测平台数据显示:近几年，AI+ 医疗健康位列 AI+ 垂 直应用最热门的领域之一。从应用角度看，智能医疗主要包括医学研 究、制药研发、智能诊疗以及家庭健康管理等方面。从技术细分角度 看，主要包括使用机器学习技术实现药物性能、晶型预测、基因测序预 测等;使用智能语音与自然语言处理技术实现电子病历、智能问诊、导 诊等;使用机器视觉技术实现医学图像识别、病灶识别、皮肤病自检 等。据麦肯锡预测，到 2025 年，全球智能医疗行业规模将达到总 254 亿美元，约占全球人工智能市场总值的 1/5。中国正处于医疗人工智能 的风口，前瞻产业研究院数据显示，2017 年中国医疗人工智能市场规 模超过 130 亿元，并有望在 2018 年达到 200 亿元，医疗人工智能空间 广阔。
• 目前，在医学研究和制药研发领域，美国 BergHealth 与 Numerate 用 数据驱动药物发现，vion 和 HBI Solution 为医疗机构提供患者疾病 预测和风险分析;智能诊疗领域，IBM Watson 深度聚焦肿瘤领域，并 通过收购和合作不断积累医疗数据资源，扩展各领域生态能力。阿里 的“Doctor You”系列产品，腾讯的觅影，依图科技的“care.aiTM”以 及 PereDoc 的智能影像辅助诊疗平台实现医学影像辅助诊疗，傅利 叶智能的 Fourier X1 实现了中国首款外骨骼机器人。家庭健康管理领 域，WellTok 更关注个人健康管理和生活习惯提升，AiCure 是致力于辅 助用户按时用药，碳云智能打造数字生命健康管理平台。

[hyacinth0906]

AI医疗影像产业链情况

• AI医学影像行业上游提供影像数据和AI深度学习算法的企业，行业中游是开展AI医学影像诊断系统的企业，行业下游是影像诊断服务提供机构（包括公立民营医疗机构、第三方影像检测机构、体检中心）。在AI算法开源的情况下，AI医疗影像行业的发展取决于影像大数据，而优秀的AI医疗影像公司必须拥有影像大数据，尤其是更多的标准化数据，利用数据和AI技术为客户提供不断持续优化的服务，给客户带来诊断、科研方面的价值，客户为此服务付费的同时，并不断提供结果反馈和更有价值的数据。

[hyacinth0906]

大概介绍一下这中间的需求和过程

• 从技术角度而言，医疗影像AI的实质是计算机辅助技术。医学影像AI实质上都是医学影像学的计算机辅助技术。这类技术又可以分为两类：计算机辅助检测（CADe）和计算机辅助诊断（CADx），前者侧重于检测，可以被认为是“结构型影像辅助”，只需要计算机标注异常征像，而后者则侧重于病情诊断和预后策略选择，是一种“功能型影像辅助”。CADx是CADe的延伸和最终目标，CADe是CADx的基础和必经阶段。计算机辅助技术被视为医生的“第三只眼”，能够提高诊断的敏感性和特异性。
• （1）CADe--结构型影像辅助：基于影像学进行智能识别，替代或辅助医生观察影像数据，标注病灶关键信息，偏重定性分析，提升医生诊断效率。在CADe的图像辅助检测方面，已经有许多案例，如谷歌DeepMind，通过眼科突破判断眼部疾病；万东医疗旗下万里云开发肺部结节等。
• （2）CADx--功能型影像辅助：对医疗影像数据内容解读，基于电子病历辅助诊断，偏重定量分析，帮助医生进一步提高影像诊断精确度。CADx由于要求更高，目前明星应用案例为IBM Watson机器人。
• 人工智能在图像处理上的能力可以分为四类：影像分类、目标检测、图像分割和图像检索，结合医疗临床需求，可以将医疗影像AI的最终应用场景分为五大类。其中，结构型影像辅助场景包括：病灶筛查、靶区勾画和脏器三维成像，功能型影像辅助场景包括：病理分析和影像定量分析。
  • 病灶筛查：对医学影像进行图像分割、特征提取、对比分析等工作，对X线、CT、核磁共振等医学影像的病灶自动识别与标注系统，大幅提升影像医生诊断效率，同时可以帮助医生发现难以用肉眼发现和判断的早期病灶，降低假阴性诊断结果的发生概率；目前系统对十万张以上的影像进行处理，用时仅数秒之间。
  • 靶区勾画：帮助医生对200-450张影像片进行自动勾画，时间大大缩短到30分钟一套；特别在自适应放疗方面，可以在患者15-20次上机照射过程中间不断识别病灶位置变化以达到自适应放疗，有效减少射线对病人健康组织的伤害。
  • 影像三维重建：在人工智能进行识别的基础上进行三维重建，针对手术环节的应用，基于灰度统计量的配准算法和基于特征点的配准算法，解决断层图像配准问题，节省配准时间，提高配准效率。

• 影像有庞大的数据基础，结构化程度高，处理难度相对较低。现代医学是建立在实验室基础上的循证医学，医生的诊疗结论很大程度上建立在相应的诊断数据上。影像资料是重要的诊断依据，医疗行业90%的数据都来源于医学影像。并且，影像可以标准化地通过PACS进行储存、传输和读取。大量的、可分享、可分析的影像底层数据为发展影像AI打下坚实的基础。相比于CADx辅助诊疗，CADe图像检测技术相对容易训练和开发。