2018年医学影像智能识别行业分析报告

目录

一、医学影像识别有望成为AI较快落地的领域 (2)

1、“人工智能+医疗”驶入快车道 (2)

2、智能影像诊断是“人工智能+医疗”较快落地的应用领域5

二、智能影像识别分类多空间大，初期格局分散 (10)

1、智能影像识别市场分类多空间大 (10)

2、行业发展初期市场相对分散，未来有望逐步走向集中13

三、国内外智能影像诊断参与方分析 (15)

四、从产业链上下游看数据与场景等核心商业要素 (19)

1、数据获取：与医疗机构合作有助于打磨产品 (20)

2、变现模式与场景：与上下游厂商合作有利于业务拓展23

五、相关投资标的 (25)

一、医学影像识别有望成为AI较快落地的领域

1、“人工智能+医疗”驶入快车道

“人工智能+医疗”快速发展。医学是一门靠归纳逻辑、经验学习、循证运用的学科，人工智能在这个行业可以发挥重要作用。同时，我国医疗资源短缺，供给严重不足，人工智能在医疗行业的应用可以提升医生工作效率，变相提升医疗资源的供给。在政策推动和算法红利的促进下，“人工智

能+医疗”快速发展，根据中国数字医疗网统计，2016年中国AI+医疗市场规模达到96.61亿元，增长率为37.9％，中国AI+医疗市场规模在持续增长，2017年将超130亿元，增长40.7％，有望在2018年市场规模达到200亿元。

图1：人工智能+医疗快速发展

人工智能在医疗行业的各环节均有应用。1>诊前：可用于个体或群体性疾病的预测，并给出健康建议。2>诊中：人工智能可以辅助诊断、辅助治疗，降低误诊率。3>诊后：能通过计算机视觉、图像识别和视频分析等渠道保证患者服药的真实性，辅助医生实现患者药物依从性的监督。4>其他环节：保险机构费用智能控制；人工智能参与到药物研发过程中，可以缩短时间、提高效率。

图2：AI+医疗的各类应用场景

产业仍处于发展初期，数据整合与共享是驱动行业发展的核心因素。AI+医疗发展的核心在于“算法+有效数据”。目前产业发展处于第一阶段。在此阶段，弱人工智能算法相对成熟，数据的整合和共享构成行业发展的核心因素。目前，国内大多数医疗数据存储在医院，一方面，医院内部的临床数据中心建立尚不完善，医院内部数据互联互通程度和共享程度尚低；另一方面，医疗数据涉及病人隐私，共享机制和规范缺乏，导致很多AI+医疗应用由于缺乏数据而止步不前。我们认为，随着医疗数据互联互通程度的提升和共享机制的建立，AI+医疗行业发展将加速。

图3：产业处于第一阶段，数据的整合与共享是推动“人工智能+医疗”发展的核心因素

2、智能影像诊断是“人工智能+医疗”较快落地的应用领域

我们认为，目前已经形成成型产品、在各应用场景实现小范围推广、具备高附加值的AI+医疗应用包括两个：1>基于医学影像的智能识别；2>基于电子病历的辅助诊断。后者的典型案例是IBMWatson，目前已经落地WatsonforOncology 的肿瘤辅助诊断治疗的AI产品，并在国际上各医院小范围推广。而基于医学影像的智能识别，全球该领域的创业公司达1000多家，是适合AI技术发挥其所长的医学应用领域。

图4：“AI+医疗”大部分应用处于“从0到1”阶段，医学影像识别与辅助诊疗相对成熟

智能图像诊断算法相对成熟。自2012年深度学习技术被引入图像识别数据集之后，其识别率近年来屡创新高，2015年百度在ImageNet的比赛识别错误率仅为4.58%，高于人类水平。在各类医学图像识别比赛或活动当中，学校和商业研究团队分别在不同病种上取得了不错成果。

表1：“人工智能+医疗影像”科研与商业团队针对不同病种开发的AI产品识别准确率

数据结构化程度高处理难度小。医疗大数据有80%来自于医疗影像数据。影像数据具备结构化程度高，数据处理难度小的优势，非常适合进行机器学习。

表2：智能图像诊断和辅助诊疗的情况比较

医生资源短缺将促进AI智能影像识别的应用落地。目前我国医学影像数据的年增长率约为30%，而放射科医师数量的年增长率为4.1%，其间的差距是25.9%，放射科医师的数量增长远不及影像数据的增长。以病理切片为例，据国家卫计委统计，我国病理注册医生在1万人左右，按照每百张床配备1—2名病理医生的标准计算，全国病理科医生缺口可能达3—4万人，目前，全国有近40%的手术未进行病理切片分析。所以通过AI的方式辅助影像科医师进行诊断将满足市场刚需。

图5：借助图像识别和深度学习，诊断效果提升

图6：人工智能医学影像诊断准确率提高

AI读片相对于人工读片具备比较优势。人工读片具备主观性高、重复性低、定量及信息利用度不足、耗时及劳动强度和知识经验的传承困难等问题。而人工智能读片的优势体现在高效率低成本。随着产品的成熟带动识别率的提升，人工智能读片的精准度也将形成比较优势。

表3：人工智能读片与人工读片的比较

二、智能影像识别分类多空间大，初期格局分散

1、智能影像识别市场分类多空间大

人工智能方法在医学图像处理中的应用十分广泛，涉及医学图像分割、图像配准、图像融合、图像压缩、图像重建等多个领域。医疗影像智能识别按照应用领域，可以分为放射类、放疗类、手术类以及病理类：1>放射类：类似于军队的“情报部门”，通过射线成像了解人体内部的病变情况，形成影像。对该影像智能识别的目的在于标注病灶位置。2>放疗类：类似于军队的“战斗部门”，在制定放疗方案之前，医生需要通过成像设备对靶区进行定位，从而形成影像。对该影像智能识别的目的在于进行靶区自动勾画，由于放疗需要杀死细胞，病变区域勾勒的越准确越好，对智能影像识别准确率要求高。3>手术类：对CT等影像通过3D可视化等技术，进行三维重建，帮助医生进行手术前规划，确保手术的精确性。4>病理类：病理诊断是最终确诊环节，MRI、CT、B 超等影像判读的正确与否要参考病理诊断的结果。传统的病历检验是医生在显微镜下直接读取病历涂片，现在数字化病理系统使得AI读片成为可能。

图7：人工智能+医学影像的应用案例