《医疗人工智能技术与应用市场调查分析报告》由会员分享，可在线阅读，更多相关《医疗人工智能技术与应用市场调查分析报告（40页珍藏版）》请在金锄头文库上搜索。
1、智慧城市医疗人工智能技术与应用市场调查分析报告设计单位： 建设单位： 编制日期：目录第一章 发展现状41.1. 技术演变41.2. 发展因素5ImageNet 竞赛图像识别错误率7全球和中国大数据产业规模91.3. 国家战略9第二章 应用价值122.1. 辅助医生诊断122.2. 提高诊断效率132.3. 疾病风险预警142.4. 支持药物研发152.5. 手术机器人15第三章 市场分析173.1. 市场规模173.2. 发展分析18第四章 细分领域应用224.1. 虚拟助理224.2. 病历分析254.3. 医疗影像辅助诊断274.4. 药物研发334.4.1. 靶点筛选344.4.2. 药
2、物挖掘344.4.3. 病人招募354.4.4. 药物晶型预测354.5. 基因测序35第五章 面临问题375.1. 数据是行业发展的瓶颈，积累与创新是解决问题的关键375.2. 医疗 AI 产品需要实现从试验向临床应用的突破385.2.1. 数据采样385.2.2. 数据格式385.2.3. 诊断标准395.3. 加深合作，可持续的商业模式亟待建立395.4. 明确医疗责任主体，划清权责范围405.5. 制定人才培养计划，抢占战略制高点41互联网医疗健康产业联盟医疗人工智能技术与应用白皮书第1章 发展现状1.1. 技术演变从上世纪八九十年代的 PC 时代到二十一世纪的互联网时代，信息技术改造
3、了人类的生产方式，提高了生产效率，改善了我们的生活。在进入移动互联网时代后，万物互联成为趋势，但技术的限制导致移动互联网难以催生出更多的新应用和新业态。如今，人工智能俨然已经成为这个时代最炙手可热的技术，甚至将成为未来十年内信息技术产业发展的焦点。人工智能的概念诞生于上世纪 50 年代，从最初的神经网络和模糊逻辑，到现在的深度学习、图像搜索，人工智能技术经历了一系列的起伏。在 1956 年的一次科学会议上，人工智能的概念被首次确立： 让机器像人那样思考和认知，用计算机实现对人脑的模拟。上世纪 50 年代至 70 年代是人工智能的早期发展阶段，该阶段人工智能主要用于解决一些小型的数学问题和逻辑问
4、题。此时人工智能出现了一些代表性应用，如机器定理证明、机器翻译、专家系统、模式识别等， 但是该阶段人工智能仍可以被归纳为“弱人工智能”时代，其发展和应用还远远不能达到人类的智慧水平。401972 年，用于传染性血液诊断和处方的知识工程系统 MYCIN 研发成功，该事件标志着人工智能进入“专家系统”时期。专家系统的出现使得计算机可以和人进行结合，通过对数据的分析解决一些实际的问题。但是专家系统的发展并不顺利，也并未得到广泛的应用。其原因主要有两个方面。一是专业知识的获取需要行业内长时间的积累，大量的行业数据在彼时难以全部植入专家系统。二是专家系统的程序主要由解释性语言“LIPS”编写，其开发效率
5、和易用性较低，难以实现实际应用。人工智能技术发展在彼时陷入的瓶颈使得人类开始思考，如何让计算机自发理解和归纳数据，掌握数据间的规律，即“机器学习”。上世纪 90 年代末，IBM“深蓝”计算机击败国际象棋大师卡斯帕罗夫再次引发了全球对人工智能技术的关注。但是受限于当时的技术条件，人工智能尚无法支撑大规模的商业化应用。2006 年，Geoffrey Hinton 教授发表的论文A Fast Learning Algorithm for Deep Belief Nets中提出了深层神经网络逐层训练的高效算法，使当时计算条件下的神经网络模型训练成为了可能。1.2. 发展因素人工智能的概念虽然在上世纪已
6、经出现，但由于彼时软硬件条件的不成熟，数据资源的短缺，人工智能并未实现广泛的应用。如今， 随着算法、算力等基础技术条件的日渐成熟，行业数据的积累，人工智能得以应用在各个领域。算力GPU（图形处理器）显著提升了计算机的性能，拥有远超CPU 的并行计算能力。由于处理器的计算方式不同，CPU 擅长处理面向操作系统和应用程序的通用计算任务，而 GPU 擅长完成与显示相关的数据处理。CPU 计算使用基于 x86 指令集的串行架构，适合快速完成计算任务。GPU 拥有多内核处理并行计算，适合处理 3D 图像中上百万的图像像素。此外，FPGA 也在越来越多地应用在 AI 领域。FPGA（Field Progr
7、ammable Gate Array）是在 PAL、GAL、CPLD 等可编程逻辑器件的基础上进一步发展的产物。它是作为专用集成电路领域中的一种半定制电路而出现的，既解决了全定制电路的不足，又克服了原有可编程逻辑器件门电路数有限的缺点。一方面，FPGA 是可编程重构的硬件，相比 GPU 有更强大的可调控能力；另一方面，与日增长的门资源和内存带宽使得它有更大的设计空间。由于深层神经网络包含多个隐藏层，大量神经元之间的联系计算具有高并行性的特点，具备支撑大规模并行计算的 FPGA 和GPU 架构已成为了现阶段深度学习的主流硬件平台。FPGA 和GPU 架构能够根据应用的特点定制计算和存储的结构，方
8、便算法进行微调和优化，实现硬件与算法的最佳匹配， 获得较高的性能功耗比。算法深度学习是当前研究和应用的热点算法，也是人工智能的重要领域。深度学习通过构建多隐层模型和学习海量训练数据，可以获取到数据有用的特征。通过数据挖掘进行海量数据处理，自动学习数据特征，尤其适用于包含少量未标识数据的大数据集。深度学习采用层次网络结构进行逐层特征变换，将样本的特征表示变换到一个新的特征空间，从而使分类或预测更加容易。深度学习驱动图像识别精度大幅度提升。2012 年, 深度学习模型首次被应用在图像识别大赛（ImageNet），将错误率降至 16.4%，一举夺冠。2015 年，微软通过152 层的深度网络，将图像
9、识别错误率降至 3.57%，而人眼的辨识错误率约在 5.1%，Deep Learning 模型的识别能力已经超过了人眼。在2017 年的ImageNet 挑战赛中，Momenta 团队利用SENet 架构夺魁， 他们的融合模型在测试集上获得了 2.251% 的错误率，对比于去年第一名的结果 2.991%,获得了将近 25% 的精度提升。ImageNet 竞赛图像识别错误率自Hinton 提出 DBN（深度置信网络）以来，深度学习的发展经历了一个快速迭代的周期，其中卷积神经网络（Convolutional Neural Network,CNN）目前已成为图像识别领域应用最广泛的算法模型。在利用卷
10、积神经网络（CNN）进行图像理解的过程中，图像以像素矩阵形式作为原始输入，第一层神经网络的学习功能通常是检测特定方向和形状的边缘的存在与否，以及这些边缘在图像中的位置；第二层往往会检测多种边缘的特定布局，同时忽略边缘位置的微小变 化；第三层可以把特定的边缘布局组合成为实际物体的某个部分；后续的层次将会通过全连接层来把这些部分组合起来，实现物体的识 别。目前，CNN 已广泛应用于医疗健康行业特别是医疗影像辅助诊断， 用以实现病变检测和特定疾病的早期筛查。大数据，机器学习是人工智能的核心和基础，而数据和以往的经验是机器学习优化计算机程序的性能标准。随着大数据时代的到来， 来自全球的海量数据为人工智
11、能的发展提供了良好的基础。据 IDC 统计，2011 年全球数据总量已经达到 1.8ZB，并以每两年翻一番的速度增长，预计到 2020 年全球将总共拥有 35ZB 的数据量，数据量增长近20 倍；数据规模方面，预计到 2020 年，全球大数据产业规模将达到2047 亿美元，我国产业规模将突破万亿元。全球和中国大数据产业规模1.3. 国家战略随着电子病历的实施，CT 影像、磁共振成像等放射图像的普及， 医疗行业的数据量已呈现指数级增长。据统计，2013 年全球医疗健康数据量为 153EB，预计年增长率为 48%。通过自然语言理解、机器学习等技术，大量文本、视频、图像等非结构化数据得以分析利用。来
12、源于三甲医院的电子病历数据库，基层医院和体检机构的健康档案数据库，国家各统计部门的人口数据库通过大数据技术可以实现互联互通，形成个人完整生命周期的医疗健康大数据，为人工智能技术在医疗健康行业的应用提供了有力的支撑。2017 年 7 月 20 日，国务院正式印发新一代人工智能发展规划（以下简称规划），提出了面向 2030 年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国，描绘了我国新一代人工智能发展的蓝图。规划指出以提升新一代人工智能科技创新能力为主攻方向，构建开放协同的人工智能科技创新体系，把握人工智能技术属
13、性和社会属性高度融合的特征，坚持人工智能研发攻关、产品应用和产业培育“三位一体”推进。其中，对于涉及民生需求的医疗、养老等方面，规划重点提出应加快人工智能创新应用，为公众提供个性化、多元化、高品质服务，包括：推广应用人工智能治疗新模式新手段，建立快速精准的智能医疗体系；探索智慧医院建设，开发人机协同的手术机器人、智能诊疗助手，研发柔性可穿戴、生物兼容的生理监测系统，研发人机协同临床智能诊疗方案，实现智能影像识别、病理分型和智能多学科会诊；基于人工智能开展大规模基因组识别、蛋白组学、代谢组学等研究和新药研发，推进医药监管智能化；加强流行病智能监测和防控。同时，国家也从重大科技专项角度支持医疗人工
14、智能发展，医学人工智能成为了 2018 年科技部重大专项的重点。2017 年 5 月份，我国科技部发布“十三五”卫生与健康科技创新专项规划，提出加快引领性技术的创新突破和应用发展，攻克一批急需突破的先进临床诊治关键技术。重点部署生命组学、基因操作、精准医学、医学人工智能、疾病早期发现、新型检测与成像、生物治疗、微创治疗等前沿及共性技术研发，提升我国医学前沿领域原创水平，增强创新驱动源头供给，加快前沿技术创新及临床转化。“十三五”卫生与健康科技创新专项规划对推进医学人工智能的技术发展指明了具体方向： 开展医学大数据分析和机器学习等技术研究，开发集中式智能和分布式智能等多种技术方案，重点支持机器智
15、能辅助个性化诊断、精准治疗辅助决策支持系统、辅助康复和照看等研究，支撑智慧医疗发展。第2章 应用价值医疗行业长期存在优质医生资源分配不均，诊断误诊漏诊率较 高，医疗费用成本过高，放射科、病理科等科室医生培养周期长，医生资源供需缺口大等问题。随着近些年深度学习技术的不断进步，人工智能逐步从前沿技术转变为现实应用。在医疗健康行业，人工智能的应用场景越发丰富，人工智能技术也逐渐成为影响医疗行业发展， 提升医疗服务水平的重要因素。与互联网技术在医疗行业的应用不 同，人工智能对医疗行业的改造包括生产力的提高，生产方式的改变， 底层技术的驱动，上层应用的丰富。通过人工智能在医疗领域的应用， 可以提高医疗诊断准确率与效率；提高患者自诊比例，降低患者对医生的需求量；辅助医生进行病变检测，实现疾病早期筛查；大幅提高新药研发效率，降低制药时间与成本。2.1. 辅助医生诊断医疗数据中有超过 90%的数据来自于医学影像，但是对医学影像的诊断依赖于人工主观分析。人工分析只能凭借经验去判断，容易发生误判。据中国医学会数据资料显示，中国临床医疗每年的误诊人数约为 5700 万人，总误诊率为 27.8%，器官异位误诊率为 60%。以心肌绞痛病症为例，其早期临床表现轻微，除胸口痛外，常会伴随出现肩部到手部内侧疼痛，精神焦虑，血压异常等寻常体征现象，对于门诊医生而言很容易发生误诊。对于病理医生而言
