2017年中国AI医学影像行业未来发展趋势分析

2017年中国AI+医学影像行业未来发展趋势分析

2017年12月27日

政策、技术双重驱动，“AI+ 医学影像”蓄势待发 一、国家高度支持，具体产业扶植政策有望加速出台

国务出台系列政策支持医学影像行业的发展。从 2013 年到 2017 年，国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。针对性政策涉及：医学影像设备、独立影像中心、线上影像平台、影像信息化，包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求；加强医疗信息化建设基础，构建云端医疗数据库，推动医疗大数据的应用开发等；全面推进分级诊断，鼓励民营资本流入建设独立检查检验中心、远程医疗等。

国家对医疗领域提出人工智能发展要求。2016 年以来，国家对于医疗领域提出明确的人工智能发展要求，包括对技术研发的支持政策，就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用，并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。2017 年 7 月，国务院发布《新一代人工智能规划》，人工智能上升至国家战略层面，人工智能在医疗领域的应用有望进入新的快速发展阶段。

国家对医疗领域提出人工智能发展要求

数据来源：公开资料整理

目前，国家政策高度支持医学影像行业以及“AI+医疗”的发展，接下来，预计国家将在《新一代人工智能发展规划》等产业指导性文件的基础上，出台一批具体的产业推进措施，针对“AI+医学影像”行业的具体扶植政策也有望适时推出，促进人工智能在医学影像领域的应用与发展。

二、算力算法快速迭代 ，“AI+ 医疗影像”期待大数据引爆 医学影像在医疗 AI 领域技术成熟度最高，有望最先实现商业化。动脉网蛋壳研究院发布“人工智能+医疗技术成熟度分布曲线”，“AI+医疗影像”在医疗领域成熟度最高，在曲线上处于过高期望的峰值位置。其判断依据为：

1）从医疗影像类的企业入驻医院数量来看，目前国内科研能力较强，医疗水平靠前的大型医院几乎都已经和企业开始了相关的临床实验，首批种子用户活跃度已经达到了顶峰；

2）相关领域的大规模媒体报大约出现在 2015～2017年，目前在一个平稳的高峰期。我们认为，人工智能在医学影像领域热度较高一方面是技术储备相对丰富，特别是静态图像识别尽快的快速发展以及 2017 年以来 AI 应用于医学影像多个领域识别准确度的大幅提升，另一方面则是AI+医学影像的商业模式可行性相对较高。

精选

人工智能+ 医疗技术成熟度分布

数据来源：公开资料整理

算法、算力和数据被认为是人工智能的三大核心要素，数据量的增长、运算力的提升和深度学习算法的优化将带来人工智能效率的持续提升。目前医学影像领域算法快速突破，算力持续增长，如何获取足够丰富且高质量的医疗影像数据成为提升诊断准确度的最关键因素。

1、大量深度学习平台和框架开源降低技术门槛 人工智能的核心之一是算法，深度学习是目前最重要的人工智能算法之一。深度学习以数据为基础，由计算机自动生成特征量，不需要人来设计特征量，而是由计算机自动获取高层特征量，深度学习代表的“特征表示学习”是一次历史性的突破。

深度学习是人工智能技术的历史性突破

数据来源：公开资料整理

图像识别是深度学习等 AI 技术进步最快的领域之一，卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习算法利用数据量以及计算量作为模型驱动力，通过感受野和权值共享减少了神经网络需要训练的参数个数，最终实现了超越传统方法的图像识别性能。2015 年 ResNet 算法识别错误率已经降低至 3.57%,低于人眼 5.1%的识别错误率，深度学习算法在图像识别领域已经达到初步实用阶段。

精选

2010-2015年 ImageNet ILSVRC 大赛冠军团队识别分类的错误率

数据来源：公开资料整理

深度学习 能够自动寻找特征，非常适用于“AI+ 医疗影像 ” 诊断。医学影像图像有不同来自不同的部位，通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与识别。无需人为干涉，深度学习算法就可以从医学影像中找出许多复杂程度极高，难以用语言详尽描述出的对比特征。在 AI 与医疗场景的结合中，基于深度学习技术的医疗影像的识别与分析，可能会在整个智能医疗、精准医疗领域中率先进入大规模应用阶段。 大量深度学习平台及 框架开源降低 基础算法实现的 技术门槛。随着深度学习理论和工程技术体系的成熟，包括通过云服务或者开源的方式向行业输出技术，先进的算法被封装为易于使用的产品和服务。近年来，科技巨头开源了大量深度学习的工具包，例如 Google 的 TensorFlow, Facebook 的 TorchNet，微软的 CNTK 等等，这些开源包大幅降低了应用深度学习算法的难度，创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域，基础算法的实现门槛大幅降低，可更加高效的专注于应用层面的算法优化。 2、AI 处理器技术向高性能、低功耗的方向发展

体现一个芯片实际应用效果好坏的因素主要就是它的性能和功耗。目前，业内几乎所有的主流芯片厂商如 NVIDIA、Movidius、Intel、海思等都着手推出基于深度学习的芯片。AI 芯片竞赛愈演愈烈，芯片业巨头和研究机构一直在探索人工智能芯片的解决路径。相对谷歌、苹果来说，处于产业链更上游的英特尔、英伟达等芯片厂商的加入，让 AI芯片领域的争斗更加精彩。总体来看，当前人工智能芯片的技术路径主要有三种类型。

绕一是以英特尔为代表的，围绕 CPU/FPGA 布局人工智能芯片。在人工智能领域，英特尔望依靠强大的服务器芯片业务作为支撑，并以研发加收购的方式来开发定制的芯片来满足人工智能芯片的特殊需求。英特尔这两年就以 167亿美元收购了 FPGA 领域的 Altera 公司、153 亿美元收购了自动驾驶方案提供商 Mobileye、4.08 亿美元收购深度学习神经网络的 Nervana Systems。这几起收购使得英特尔能够推出 CPU+FPGA 的异构方案，更好的适应人工智能时代的定制化计算。

根研究，FPGA 和 GPU 执行算法单次迭代的时间优于 CPU。在一项 FPGA 以及 CPU、GPU 执行GaxPy 算法每次迭代的能源消耗试验中，CPU 与 GPU 的能耗是相仿的，而 FPGA 的能耗只是 CPU 与 GPU 的 8%左右。

精选

FPGA 硬件架构

数据来源：公开资料整理

二是以英伟达公司为代表，围绕 GPU 布局人工智能芯片。英伟达已经推出了新一代的 GPU，取名 Volta，号称史上最强的 GPU 加速器，具有强大的深度学习性能。英伟达表示，相对于之前的 GPU 产品，最新的 Volta 可以让深度学习的训练提速 12 倍、推理速度提升 6 倍。

CPU和 GPU 呈现出非常不同的架构

数据来源：公开资料整理

三是以谷歌公司为代表，通过专用处理器布局人工智能芯片。2016 年谷歌发布的第一代 TPU 芯片，主要在谷歌数据中心和包括 AlphaGo 这样的人工智能产品当中使用，主攻运算性能。2017 年谷歌在 I/O 开发者大会上推出了第二代 TPU 芯片，尽管在一些应用上利用率很低，TPU 平均比当前的常用 GPU 快 15~30 倍，性能功耗比高出约 30~80倍。

精选

TPU ，GPU ，CPU 和改进的 TPU 的性能对比

数据来源：公开资料整理 早期医疗图像诊断设备大多是采用 FPGA 处理器进行运算，低功耗优势显著。过去一般使用 MCU 或 DSP 来处理医疗图像，由于 MCU 和 DSP 都是串行器件，开发人员需要使用 FPGA 来进行硬件加速以获得医疗成像应用所需的处理能力和清晰度，FPGA 能处理图像算法里大规模的并行处理需求。目前国内也有一些企业利用 FPGA+深度学习技术，实现医学影像智能诊断，例如医学影像 AI 企业健培科技自主研发了基于 FPGA 架构的影像分析，在满足性能要求的前提下具备低功耗的优势。 GPU 作为高性能计算机集群协处理器，峰值性能优于FPGA ，在医学影像领域应用也越来越广泛。随着运算量的大幅度增加，FPGA 已难以应付，引入擅长于并行运算的 GPU 进行协运算非常必要，医疗成像是较早利用 GPU 通用计算能力加快性能的商业应用之一。越来越多CT 机、超声波诊断设备搭载了 NVIDIA 的 GPU，CT、MRI、超声波、内窥镜、病理影像诊断中均可用到GPU 协运算。在一些医疗影像应用中，计算机需要处理大量的高精度 CT 或者MRI 图像。患者需要快速、精确并且舒适的诊断，而医生则需要能够实现高效诊断的工具。将庞大的服务器阵列引入临床设备非常困难，但 GPU 和 Tesla 的强大计算能力使得提供小型的并行计算模块成为可能。 GPU的通用计算性能，能够让科研人员以比处理器快数十倍甚至上百倍的速度处理图像。因此，医生能够实现实时查看CT和 MRI 的 3D 合成图像，或者在不损失检查影像画质的情况下能够使系统更快地运行。通过这些快速得到的结果，医生能够检查病患组织的状态并做出诊断，而无需活体检查和外科处理。 FPGA 与 GPU 性能与功耗对比分析 - FPGA GPU 功耗 低 高 灵活性 高，可编程 低 峰值性能 低 高 平均性能 取决于FPGA 加速器架构上的优势是否能弥补运行速度上- 的劣势 数据来源：公开资料整理 可见，FPGA、GPU 等芯片应用于医学领域已有着较长的历史，实际上，早期的高端医学影像设备中也具有有一定的辅助诊断功能，人工智能在该领域的应用并不突兀，而是在辅助能力方面有了质的提升。 3、高质量数据获取和标注能力是 AI 医学影像公司的核心竞争力之一

精选