超过百亿规模，各类AI企业争相布局，超声+AI为什么成为了香馍馍？

编者按：本文转自微信公号“动脉网（ID：vcbeat）”，36氪经授权发布。转载请联系动脉网授权。欢迎关注，欢迎勾搭~

2017年，医学图像与人工智能的结合成为了行业发展的热点，尤其是在AI与放射图像的结合，大公司和创业公司都取得了大量成果，很多产品已经在临床上进行试验。

其实除了放射图像，人工智能在超声领域的应用也受到行业的重视。

动脉网了解到，全球每年在超声医疗设备上的花费超过60亿美元。超声影像检查以其检查无创性、影像实时获取、没有已知副作用等优点而受到广泛应用。然而，超声诊断技术的良莠不齐以及基层优秀医师的缺乏，限制了超声设备的普及和应用。

随着人工智能技术的突破，超声辅助诊断系统将帮助提高超声诊断水平，加速超声的设备的发展。

但是实现超声波扫描影像的人工智能诊断，比单纯的医疗图像识别需要投入更多的研究，处理起来也麻烦得多。因为超声波成像具有动态特性，在用深度学习方法对一份资料进行智能医学判断的时候，相当于是从视频当中分析超声波影像的特点。

超声辅助诊断为何收到重视？其原理又是什么？市场有那些玩家？发展难点又在哪里？

因为人体各种组织的形态与结构是不相同的，因此其反射与折射以及吸收超声波的程度也就不同，医生们正是通过仪器所反映出的波型、曲线，或影象的特征来辨别它们。

超声诊断仪在临床上应用最广的是B型超声和D型超声，即人们通常所说的B超和多普勒超声。由于超声具有无创、高灵敏度、应用面广、低成本和操作方便等优点，被广泛应用于临床诊断，尤其是胸部脏器、心脏、眼科和妇产科的诊断。

远程医疗在很大程度上解决了优质医疗资源分布不平衡的问题，但由于超声医学的特殊性，在没有规范化的统一的超声图像采集、图像质量控制、传输标准出台之前，现阶段超声医学诊断尚不具备大规模远程医疗临床应用的条件。

所以，通过辅助诊断系统帮助基层医生解决实时诊断的问题，可能是缓解基层医疗专家短缺的一种方法。

三星医疗的乳腺病变分析系统

三星医疗的旗舰设备RS80A搭载的S-Detect功能就采用了深度学习算法实现乳腺病变分析，使超声诊断成像更快速、更高效。

S-Detect依靠对乳腺检查病例的大数据分析（10000万份训练数据）得出的病变特征为基础，为临床检查选定图像提供良恶性的判别建议。

S-Detect具有三种模式，用户可以根据自己要求设定自动识别的敏感度和特异性。目的是帮助医生做出更准确的诊断，同时改善工作流程，减少重复操作。

RS80A超声诊断系统将美国放射学会BI-RADS评分作为对可疑乳腺病变进行标准化分析归类的标准。

三星RS80A首席开发工程师，S-Detect技术研发负责人宋永庆博士和朴文浩博士表示：

S-Detect采用了为乳腺定制的卷积神经网络技术。当用户选定了种子点后，软件将对所有导入的图像进行转换处理以利于对不同形状病变进行更好的识别，并最终实现对病变的自动分类。

这种图像转换包含几个重要步骤比如移位、调整大小、扭曲，转换后被收录在深度神经网络定制层中。

另外，卷积神经网络有能力自己学习大量的训练数据实现对图像的分类，这是卷积神经网络与传统学习方法相比的最大优势。卷积神经网络由很多卷积层组成，导入的图像在特定层内可以自动解析出一些有涵义的特征。

然后这些图像特征将在较深的层内进行整合。在卷积神经网络的末端会加入一个可被学习掌握的分类器，因此系统不再需要研发人员设计手工特性，而是在学习过程中由卷积神经网络从数据中提取最佳的特性用于分类。这正是三星医疗选择卷积神经网络识别乳腺病变的原因。

这些公司有传统的器械公司，也有创新性的医疗AI公司，他们纷纷布局这个行业。作为传统器械公司，在器械智能化、便携化的当下，通过AI来打开市场，提供竞争力是一种不错的选择。经动脉网了解，目前很多公司对于AI+超声的研究还在初级阶段，距离行成落地产品还有一段距离。

标准化程度不高。超声科和放射科一样也缺少优秀的医生，但是与放射科不同的是，超声科最大的难点不在读片子，而是如何正确的操作B超设备，进而呈现出医生自己想要看到的图像。比如针对不同胖瘦病人需要多大的力，手势是怎样的，呼吸如何调整，目前并没有做到标准化，现实中有些师傅和徒弟的操作都不完全相同。

而CT或者X光图像相对与超声要标准的多。

工作流的问题。中国超声科医生是一边看图像，一边写诊断报告（心血管除外），几乎是实时出结果。而放射科医生是将图像先存储起来，然后慢慢看。所以超声AI产品的要求就非常高，需要与超声设备进行芯片级别的集成结合，实时的出结果。

毕竟，医生很难为了一个好的辅助软件，而加长自己的工作流程,这个问题需要研发者思考。