AI醫學影像炙手可熱，誰能成為行業獨角獸？
FDA于2019年發布了最新一期的'Breakthrough Devices Program'名單，該名單包含了獲得'突破性醫療器械'稱號的一系列新型技術。而其中，Caption Health：AI超聲引起了小編的注意。
Breakthrough Devices Program計劃的目標是通過加快患者的醫療設備的開發、評估和審查的速度，為患者和醫療保健提供即時使用這些設備的機會。能夠入選該項目從側面說明FDA認同該設備可對威脅生命或不可逆轉的人類疾病或狀況提供更有效的診斷或治療，且相對現有技術有明顯的優勢和改良。換句話說，這意味著FDA期望在近期的未來將這一技術大規模投入市場應用。
傳統的超聲檢查依靠專家的眼睛來識別解剖結構，Caption AI通過添加Caption GuidanceTM技術指出了另一種可能性。該軟件使急診科的護士和其他非醫學保健人員不僅可以獲取高質量超聲心動圖，還可以在人工智能(AI)協助下提供初診。其隨附規范指導，能提示用戶應該怎樣移動探頭以便獲得高質量的影響并給與初診。
在人工智能(AI)協助下的影響診斷界面
聽起來我們似乎離科幻電影中的全智能機器人醫院又近了一步。超能陸戰隊中的大白是否就是我們的未來醫生呢?
超能陸戰隊中的個人健康助手大白
事實上并沒有那么簡單。醫學成像數據是有關患者的信息最豐富的來源之一，并且通常是最復雜的信息之一。 將X射線，CAT掃描，MRI和其他測試方式的結果中的百萬像素數據打包在一起，即使對于最有經驗的臨床專業人員，通過超高分辨率圖像進行梳理也將是一個挑戰。
其實，將AI應用于醫療影像其實一直是比較熱門的創業方向，尤其是醫療數據采集和影響識別診斷方面。2017年的北美放射學會上，僅有49家被標記為機器學習公司的參展商，其中22家是首次參展。到2018年，這個數字已經上升至104家。在AI領域活躍于醫學丞相領域的114家創業公司中，絕大部分都是針對醫學成像的圖像分析方面。
將AI應用于醫療影像其實一直是比較熱門的方向
而我國的行業人也不斷進行著該領域內的探索。在2018年，我國AI白皮書里提到，所有工商系統中帶'AI'字眼的注冊公司已經達到4040家，其中拿到風險投資的有1237家，這兩個數字都很驚人。
目前我國影像科和病理科醫生總共才8萬多名，病理醫生只有9000人，放射科醫生7萬多人，超聲科醫生12萬人。醫生數量增長非常緩慢，而影像數據每年增長率都在63%左右。AI的加入將可以大大降低醫生的工作量，并最終幫助到患者。
在近日舉辦的第三屆'青城山中國IC生態高峰論壇'上，現場嘉賓就醫療影像AI哪方面度臨床幫助較大這一問題進行了投票，排名前三的分別是病理影像、放射影像和內窺鏡檢查。
在研發優化過程中，AI應用于醫療影像上所面臨的一系列挑戰中，最大的難點莫過于醫生判斷標準的不統一、主觀性較強等，這將導致難以以統一標準訓練AI。不能定量的東西在不同醫生之間就無法達成一致的意見，這是醫學問題，而AI算法的首要要求就是標準必須是完全正確的。
AI的開發如同教養孩子，需要花時間訓練其思維模式，而最好的訓練方式就是輸入大量數據基礎。大名鼎鼎擊敗各路棋壇高手的阿爾法狗在訓練早期，就是由技術人員采用輸入大量棋譜的方式迅速成長起來的。而在AI醫療影像的情況中，所需的將是大量由醫生標注出重要信息的影像數據集。這也意味著算法的優化需要建立在大量高質量、經標注的影像大數據集的基礎之上。
這也是為什么美國放射學院數據科學研究院（ACR DSI）會及時發布用于醫學成像AI的高價值用例的原因，其目的就在于培養用于臨床決策支持和診斷的標準化，安全和有效的AI。這些用例將隨著新機會的出現不斷更新。
而在我國，雖然自2009年以來，國家相關部委已經多次出臺文件促進電子病歷的普及，然而發展了近十年后，電子病歷在中國醫院雖有了'量'，卻還遠遠談不上'質'。數據質量低，應用規模小、層級低、進展慢、不同省份之間數據割裂、安全規范欠缺等問題普遍存在。
在有限數據量的限制下，如何對每一份數據物盡其用無疑就成了技術人員們需要思考解決的問題。今天我們就來看看在該領域內行業領先技術是如何面對及解決這個問題的。
Voxel Cloud、Enlitic、Butterfly network以及Zebra Medical Vision等幾個公司的名字在行業內被較多提及，也是我們今天專利解析的重點。
蘇州體素信息科技有限公司(Voxel Cloud)于2016年初成立，公司在上海、蘇州和美國洛杉磯均設有辦公室，其業務覆蓋早期肺癌、糖尿病視網膜病變、心血管疾病等幾個業務領域。
蘇州體素信息科技有限公司(Voxel Cloud)
其旗下專利申請CN108090903A中涉及一種肺結節檢測模型訓練方法和裝置。在該方案中，利用候選生成器對由連續層面的CT灰度圖像堆疊生成的緊湊圖像進行背景、肺結節候選區域和假陽性候選區域三向分類，然后利用偽陽性率(FPR)模型對肺結節候選區域進行分類，得到肺結節和假陽性。由于候選生成器將假陽性單獨分為一類，減少了假陽性的數量，從而提高了檢測的靈敏度。
一種肺結節檢測模型訓練方法和裝置
CN108052987A中的發明涉及一種圖像分類輸出結果的檢測方法，通過逐層分析網絡層的方法構建一個具有多層網絡的第一分類網絡，其包括卷積層和全連接層，分別對原始圖像經過線性和非線性處理得到特征圖，并對特征圖進行轉換行程自省網絡訓練數據。該檢測方法通過自省網絡對第一分類網絡的輸出的特征圖進行識別，進而判斷其結果是否正確。
一種圖像分類輸出結果的檢測方法
CN106934798A中涉及一種基于深度學習的糖尿病視網膜病變分類分級方法，其針對每一類糖尿病視網膜病變準備大量眼底鏡照片，建立包含多級神經網絡架構的深度卷積神經網絡，基于大量眼底鏡照片對深度卷積神經網絡，使深度卷積奢華內景網絡的最終輸出值符合眼底鏡照片的分級結果；從而即可利用訓練好的深度卷積神經網絡自動進行疾病分級。
Enlitic是一家總部位于舊金山的公司，其旗下AI系統針對胸部、骨折等的CT模型、X射線和MRI的研究。
Enlitic
在其專利申請US20180341748A1中公開了一種胸部X射線鑒別診斷系統，可用于鑒別異常模式數據，所述異常模式數據是通過利用計算機視覺模型在多個訓練胸片上進行訓練后識別每個胸部X射線中與異常相對應的至少一個模式而得到的。該系統可以基于異常模式數據為每個胸部X射線生成鑒別診斷數據。從客戶端設備接收過濾參數，并且基于過濾參數選擇胸部X射線隊列，并且生成鑒別診斷數據以傳輸到客戶端設備以進行顯示。
一種胸部X射線鑒別診斷系統
US20180341883A1中是一種信息處理設備，包括存儲器以及執行處理器。該執行處理器基于存儲在存儲單元中的第一信息執行批準處理，該第一信息指示多個組織中的每個組織的多個內容，這些事件對應并在批準過程之后執行后續批準過程，該過程由存儲在第二存儲單元中的第二信息指示，基于第一信息，第二信息指示多個組織的層級關系。
包括存儲器以及執行處理器的信息處理設備
Butterfly Network是一家美國特拉華州的公司，在業內是不容忽視的存在。它成立于2011年，也是少有的已經退出實體產品的公司。他們在2017年9月即推出了自己的收款超聲成像產品Butterfly iQ，是一款通過與智能手機聯用實現單個手持式超聲探頭滿足全身多個部位、多種臨床應用需求檢查的產品。
Butterfly Network
該產品的關鍵技術見其擁有專利US9667889中。這是一種便攜式電子設備，可以用于生成和顯示諸如人體的成像目標的圖像，例如二維或三維圖像。通過在便攜式電子設備上配置可以接收通過成像目標發射和/或被成像目標反射的輻射信號。便攜式電子設備可以顯示看起來像是進入成像目標的創口，所生成的圖像可以是目標內部特征的實時連續圖像。
用于生成和顯示諸如人體的成像目標圖像的便攜式電子設備
US9247924描述了包括超聲成像設備的設備和方法。該設備和方法可以以投射型超聲成像模態操作，并且可以用于檢測感興趣的多種特招，包括折射率、密度和勝訴等。同時還包括了適合于執行高強度聚焦超聲以及其和超聲成像的設備。
以投射型超聲成像模態操作，并且可以用于檢測感興趣的多種特征
Zebra Medical Vision是一家以色列的技術新銳公司，其宣傳口號是利用機器學習和深度學習技術來幫助放射科醫生進行診斷和治療。
Zebra Medical Vision
該公司于2018年獲得C輪融資，并公布了一張新型胸部X射線圖像研究，該研究命名為Textray。Zabra計劃使用近200萬張胸部X射線圖像對AI算法進行訓練，從而對 40多種臨床發現進行甄別。
這個計劃也體現在其專利申請US20180075629A1中。該專利申請提供了一種計算胸部X射線攝影圖像中的惡性可能性的方法。該方法包括：接收包括其每個像素的單個喜愛能告訴強度值的單通道2D胸部X射線攝影圖像，將單通道2D胸部X射線攝影圖像轉換成多通道2D胸部X射線攝影圖像。同時針對每個像素的多個像素強度值通道進行計算，得到指示整個多通道圖像內的惡性可能性的第一得分，之后從多通道圖像中提取每個響應補丁，得到指示每個相應補丁內的惡性可能性的相應第二得分，最終通過門控子分類器對兩個得分進行分析和計算，并確定惡性的可能性和惡性位置。
一種計算胸部X射線攝影圖像中的惡性可能性的方法
而在其它方面，Zebra也在進行著探索。如US10111637B2通過接收包含患者身體骨骼部分的計算機斷層掃描(CT)掃描的成像數據，采用CT成像數據估算雙能X線吸收法(DEXA)分數的計算機化方法和系統，基于來自股部分的像素相關值計算得出一個等級，該等級可通過與相關得分相關聯獲得人群中的骨密度值的關系。該等級是根據對每個或一組像素的子等級的計算來得到的。
采用CT成像數據估算雙能X線吸收法(DEXA)分數的計算機化方法和系統
US9940711B2中提供了一種用于檢測脂肪肝的計算機實現的方法。該方法包括：接收使用單個源CT掃描儀執行的計算機斷層掃描(CT)掃描的成像數據，并選擇設置用于非脂肪肝病理學成像，分割區域通過依據規則進行二進制分割應用于成像數據的像素子集并創建二進制圖像，并將二進制圖像的肝臟區域映射到該部分的分割區域，由此創建肝臟圖像成像數據的肝臟。隨后計算肝臟分割區域的肝臟參數，并通過分析計算得出的肝臟參數來檢測脂肪肝的存在。
一種用于檢測脂肪肝的計算機實現的方法
現如今AI應用醫療影像分析較為成熟的方向包括識別心血管異常、檢測骨折和其它肌肉骨骼損傷、協助診斷神經系統疾病、標記胸腔并發癥和狀況和篩查常見癌癥。
使用AI可以識別難以看見的骨折、脫位或軟組織損傷，以及在乳腺癌中組織中難以確定的微鈣化，可使醫生和專家對他們的治療選擇更有信心，從而讓患者與醫生進行更有成效的對話。
隨著AI在醫療保健領域的重要性的日益提高，可以預見該領域的專利申請將進一步增加，尤其是越來越多的科技公司成為利益相關者。隨著我們進入新的領域，公司需要保護其知識產權資產以保持競爭力。面對如何保護這些類型的發明的挑戰，創造性和周到的策略使IP保護的關鍵。
我是DR發明家
