鉴于中国的人口与数据优势，我们有可能在人工智能领域成为一个领跑者。

回到一开始提到的一个话题。AI医学影像越来越呈现“一横一纵”的发展趋势，怎么理解？

“横” ：覆盖更多部位、更多病种 更加接近医生的临床工作模式，大幅提升医疗效率、准确性和标准化程度，横向覆盖多部位、多病种的AI产品才能更好满足医院需求。

“纵” ：深入疾病诊疗全流程由单纯的病灶检出、量化，向良恶性诊断延伸，并进一 步向放疗规划、手术规划等临床领域延伸。人工智能深 入应用于院前筛查、院内检测和诊断，以及治疗、介入 治疗和术后康复等方面，即疾病“筛诊治管研”全流程。

现在拿到证的企业，大致都可以用这一战略进行概括，不断地提升产品的临床价值，形成以疾病为中心的智能化、标准化临床工作流程。

除了在临床上协助医生进行临床工作，人工智能还大量应用与医学影像的研究。例如，

医学图像采集、重建以及图像质量处理的优化；

医学图像特定解剖结构的识别、检测与定位，图像内特定病灶的识别；

医学图像精准分割和图像配准；

影像组学与疾病预测、诊断、预后之间更为精准的关联模型的建立。

近年来，医学影像人工智能的论文数量非常大。2015年后，CNN算法成为AI医学影像领域首选技术，同时各类新算法不断涌现，2019年之后，CNN算法研究的增长趋势已放缓。

在专利的申请上，有比较明显的分布特征。你会发现，医学影像技术创新的专利，大部分分布在北美地区，而中国的专利量还是比较少。

这需要引起中国企业的重视，毕竟专利一定程度上代表着未来的技术创新方向，也是医学影像技术发展的重要承载体。

这里面列举的是几个典型的专利，例如EDDA公司的三维影像重建及手术规划早期基础专利，4D显示分析的机器学习基础专利。这些专利，都会在将来推动新产品的问世。

正像我前面提到的，人工智能是医学科研的重要手段。例如，数坤科技发表在Nature Communications (影响因子14.919)的文章——“基于三维卷积神经网络的头颈 CTA血管快速分割与重建”，AI 独立测试集重建准确率为93.1%，图像平均处理时间由14min减至4min，缩短3倍以上。

推想科技发表在Lancet Digital Health (影响因子24.519)，“基于深度学习的新冠肺炎高效分诊及病 变负荷分析：一项具有外部验证的回顾性研究，在不同发病率地区收集多个验证集，共3567套CT影像，模型表现出高准确度和高鲁棒性。

鹰瞳医疗发表在Lancet Digital Health (影响因子24.519)，“综合人工智能视网膜专家（CARE）系统 科研成果的应用：通过2万余张视网膜图像对系统进行内部验证，并同时使用全国35家医疗机 构前瞻性采集的近2万张视网膜图像进行外部测试。

以上，都是AI公司与医生配合进而推出的临床科研成果。这样的合作关系，是前所未见的。

所以说，AI给医生插上了想象的翅膀，扮演了一个好助手的角色。

AI在医学影像中面临的痛点

医学影像AI逐渐被临床接受，不少产品拿到NMPA认证，是不是医学影像AI的发展就一帆风顺呢？

其实不然。

从企业端先看一下，医学影像AI的企业是越来越浓缩了，都变成“精华”了，但是这些“精华”的发展还是非常痛苦。

主要就体现核心心算法人才短缺导致供需不平衡。

首先，AI算法专业人才需要有多学科复合能力，而且开设相关专业的高校较少，AI算法人才培养体系目前处于金字塔尖；AI产业发展带动AI人才需求的快速增加，全球范围内，中国AI职位缺口最为明显，AI人才需求量年增速高达74%。

其次，巨头公司对人工智能算法人才争抢激烈。

即使是行业巨头，如微软、谷歌、华为、阿里等，均在激烈地争抢AI算法人才，相比之下， 本行业创业公司在人才吸引上不具备明显优势。

第三，既懂算法又懂医学的交叉人才难求。

目前国内高校人工智能算法人才都集中在理工科院校，和医学院的人才交叉培养体系尚未建立，复合型人才极其短缺。?

最后，受限于开发、注册和临床等现实困境，AI产品覆盖病种速度不及预期。