|
AI医学影像炙手可热，谁能成为行业独角兽？ FDA于2019年发布了最新一期的'Breakthrough Devices Program'名单，该名单包含了获得'突破性医疗器械'称号的一系列新型技术。而其中，Caption Health：AI超声引起了小编的注意。 Breakthrough Devices Program计划的目标是通过加快患者的医疗设备的开发、评估和审查的速度，为患者和医疗保健提供即时使用这些设备的机会。能够入选该项目从侧面说明FDA认同该设备可对威胁生命或不可逆转的人类疾病或状况提供更有效的诊断或治疗，且相对现有技术有明显的优势和改良。换句话说，这意味着FDA期望在近期的未来将这一技术大规模投入市场应用。 传统的超声检查依靠专家的眼睛来识别解剖结构，Caption AI通过添加Caption GuidanceTM技术指出了另一种可能性。该软件使急诊科的护士和其他非医学保健人员不仅可以获取高质量超声心动图，还可以在人工智能(AI)协助下提供初诊。其随附规范指导，能提示用户应该怎样移动探头以便获得高质量的影响并给与初诊。 在人工智能(AI)协助下的影响诊断界面 听起来我们似乎离科幻电影中的全智能机器人医院又近了一步。超能陆战队中的大白是否就是我们的未来医生呢? 超能陆战队中的个人健康助手大白 事实上并没有那么简单。医学成像数据是有关患者的信息最丰富的来源之一，并且通常是最复杂的信息之一。 将X射线，CAT扫描，MRI和其他测试方式的结果中的百万像素数据打包在一起，即使对于最有经验的临床专业人员，通过超高分辨率图像进行梳理也将是一个挑战。 其实，将AI应用于医疗影像其实一直是比较热门的创业方向，尤其是医疗数据采集和影响识别诊断方面。2017年的北美放射学会上，仅有49家被标记为机器学习公司的参展商，其中22家是首次参展。到2018年，这个数字已经上升至104家。在AI领域活跃于医学丞相领域的114家创业公司中，绝大部分都是针对医学成像的图像分析方面。 将AI应用于医疗影像其实一直是比较热门的方向 而我国的行业人也不断进行着该领域内的探索。在2018年，我国AI白皮书里提到，所有工商系统中带'AI'字眼的注册公司已经达到4040家，其中拿到风险投资的有1237家，这两个数字都很惊人。 目前我国影像科和病理科医生总共才8万多名，病理医生只有9000人，放射科医生7万多人，超声科医生12万人。医生数量增长非常缓慢，而影像数据每年增长率都在63%左右。AI的加入将可以大大降低医生的工作量，并最终帮助到患者。 在近日举办的第三届'青城山中国IC生态高峰论坛'上，现场嘉宾就医疗影像AI哪方面度临床帮助较大这一问题进行了投票，排名前三的分别是病理影像、放射影像和内窥镜检查。 在研发优化过程中，AI应用于医疗影像上所面临的一系列挑战中，最大的难点莫过于医生判断标准的不统一、主观性较强等，这将导致难以以统一标准训练AI。不能定量的东西在不同医生之间就无法达成一致的意见，这是医学问题，而AI算法的首要要求就是标准必须是完全正确的。 AI的开发如同教养孩子，需要花时间训练其思维模式，而最好的训练方式就是输入大量数据基础。大名鼎鼎击败各路棋坛高手的阿尔法狗在训练早期，就是由技术人员采用输入大量棋谱的方式迅速成长起来的。而在AI医疗影像的情况中，所需的将是大量由医生标注出重要信息的影像数据集。这也意味着算法的优化需要建立在大量高质量、经标注的影像大数据集的基础之上。 这也是为什么美国放射学院数据科学研究院（ACR DSI）会及时发布用于医学成像AI的高价值用例的原因，其目的就在于培养用于临床决策支持和诊断的标准化，安全和有效的AI。这些用例将随着新机会的出现不断更新。 而在我国，虽然自2009年以来，国家相关部委已经多次出台文件促进电子病历的普及，然而发展了近十年后，电子病历在中国医院虽有了'量'，却还远远谈不上'质'。数据质量低，应用规模小、层级低、进展慢、不同省份之间数据割裂、安全规范欠缺等问题普遍存在。 在有限数据量的限制下，如何对每一份数据物尽其用无疑就成了技术人员们需要思考解决的问题。今天我们就来看看在该领域内行业领先技术是如何面对及解决这个问题的。 Voxel Cloud、Enlitic、Butterfly network以及Zebra Medical Vision等几个公司的名字在行业内被较多提及，也是我们今天专利解析的重点。 苏州体素信息科技有限公司(Voxel Cloud)于2016年初成立，公司在上海、苏州和美国洛杉矶均设有办公室，其业务覆盖早期肺癌、糖尿病视网膜病变、心血管疾病等几个业务领域。 苏州体素信息科技有限公司(Voxel Cloud) 其旗下专利申请CN108090903A中涉及一种肺结节检测模型训练方法和装置。在该方案中，利用候选生成器对由连续层面的CT灰度图像堆叠生成的紧凑图像进行背景、肺结节候选区域和假阳性候选区域三向分类，然后利用伪阳性率(FPR)模型对肺结节候选区域进行分类，得到肺结节和假阳性。由于候选生成器将假阳性单独分为一类，减少了假阳性的数量，从而提高了检测的灵敏度。 一种肺结节检测模型训练方法和装置 CN108052987A中的发明涉及一种图像分类输出结果的检测方法，通过逐层分析网络层的方法构建一个具有多层网络的第一分类网络，其包括卷积层和全连接层，分别对原始图像经过线性和非线性处理得到特征图，并对特征图进行转换行程自省网络训练数据。该检测方法通过自省网络对第一分类网络的输出的特征图进行识别，进而判断其结果是否正确。 一种图像分类输出结果的检测方法 CN106934798A中涉及一种基于深度学习的糖尿病视网膜病变分类分级方法，其针对每一类糖尿病视网膜病变准备大量眼底镜照片，建立包含多级神经网络架构的深度卷积神经网络，基于大量眼底镜照片对深度卷积神经网络，使深度卷积奢华内景网络的最终输出值符合眼底镜照片的分级结果；从而即可利用训练好的深度卷积神经网络自动进行疾病分级。 Enlitic是一家总部位于旧金山的公司，其旗下AI系统针对胸部、骨折等的CT模型、X射线和MRI的研究。 Enlitic 在其专利申请US20180341748A1中公开了一种胸部X射线鉴别诊断系统，可用于鉴别异常模式数据，所述异常模式数据是通过利用计算机视觉模型在多个训练胸片上进行训练后识别每个胸部X射线中与异常相对应的至少一个模式而得到的。该系统可以基于异常模式数据为每个胸部X射线生成鉴别诊断数据。从客户端设备接收过滤参数，并且基于过滤参数选择胸部X射线队列，并且生成鉴别诊断数据以传输到客户端设备以进行显示。 一种胸部X射线鉴别诊断系统 US20180341883A1中是一种信息处理设备，包括存储器以及执行处理器。该执行处理器基于存储在存储单元中的第一信息执行批准处理，该第一信息指示多个组织中的每个组织的多个内容，这些事件对应并在批准过程之后执行后续批准过程，该过程由存储在第二存储单元中的第二信息指示，基于第一信息，第二信息指示多个组织的层级关系。 包括存储器以及执行处理器的信息处理设备 Butterfly Network是一家美国特拉华州的公司，在业内是不容忽视的存在。它成立于2011年，也是少有的已经退出实体产品的公司。他们在2017年9月即推出了自己的收款超声成像产品Butterfly iQ，是一款通过与智能手机联用实现单个手持式超声探头满足全身多个部位、多种临床应用需求检查的产品。 Butterfly Network 该产品的关键技术见其拥有专利US9667889中。这是一种便携式电子设备，可以用于生成和显示诸如人体的成像目标的图像，例如二维或三维图像。通过在便携式电子设备上配置可以接收通过成像目标发射和/或被成像目标反射的辐射信号。便携式电子设备可以显示看起来像是进入成像目标的创口，所生成的图像可以是目标内部特征的实时连续图像。
用于生成和显示诸如人体的成像目标图像的便携式电子设备 US9247924描述了包括超声成像设备的设备和方法。该设备和方法可以以投射型超声成像模态操作，并且可以用于检测感兴趣的多种特招，包括折射率、密度和胜诉等。同时还包括了适合于执行高强度聚焦超声以及其和超声成像的设备。
以投射型超声成像模态操作，并且可以用于检测感兴趣的多种特征 Zebra Medical Vision是一家以色列的技术新锐公司，其宣传口号是利用机器学习和深度学习技术来帮助放射科医生进行诊断和治疗。
Zebra Medical Vision 该公司于2018年获得C轮融资，并公布了一张新型胸部X射线图像研究，该研究命名为Textray。Zabra计划使用近200万张胸部X射线图像对AI算法进行训练，从而对 40多种临床发现进行甄别。 这个计划也体现在其专利申请US20180075629A1中。该专利申请提供了一种计算胸部X射线摄影图像中的恶性可能性的方法。该方法包括：接收包括其每个像素的单个喜爱能告诉强度值的单通道2D胸部X射线摄影图像，将单通道2D胸部X射线摄影图像转换成多通道2D胸部X射线摄影图像。同时针对每个像素的多个像素强度值通道进行计算，得到指示整个多通道图像内的恶性可能性的第一得分，之后从多通道图像中提取每个响应补丁，得到指示每个相应补丁内的恶性可能性的相应第二得分，最终通过门控子分类器对两个得分进行分析和计算，并确定恶性的可能性和恶性位置。
一种计算胸部X射线摄影图像中的恶性可能性的方法 而在其它方面，Zebra也在进行着探索。如US10111637B2通过接收包含患者身体骨骼部分的计算机断层扫描(CT)扫描的成像数据，采用CT成像数据估算双能X线吸收法(DEXA)分数的计算机化方法和系统，基于来自股部分的像素相关值计算得出一个等级，该等级可通过与相关得分相关联获得人群中的骨密度值的关系。该等级是根据对每个或一组像素的子等级的计算来得到的。
采用CT成像数据估算双能X线吸收法(DEXA)分数的计算机化方法和系统 US9940711B2中提供了一种用于检测脂肪肝的计算机实现的方法。该方法包括：接收使用单个源CT扫描仪执行的计算机断层扫描(CT)扫描的成像数据，并选择设置用于非脂肪肝病理学成像，分割区域通过依据规则进行二进制分割应用于成像数据的像素子集并创建二进制图像，并将二进制图像的肝脏区域映射到该部分的分割区域，由此创建肝脏图像成像数据的肝脏。随后计算肝脏分割区域的肝脏参数，并通过分析计算得出的肝脏参数来检测脂肪肝的存在。
一种用于检测脂肪肝的计算机实现的方法 现如今AI应用医疗影像分析较为成熟的方向包括识别心血管异常、检测骨折和其它肌肉骨骼损伤、协助诊断神经系统疾病、标记胸腔并发症和状况和筛查常见癌症。 使用AI可以识别难以看见的骨折、脱位或软组织损伤，以及在乳腺癌中组织中难以确定的微钙化，可使医生和专家对他们的治疗选择更有信心，从而让患者与医生进行更有成效的对话。 随着AI在医疗保健领域的重要性的日益提高，可以预见该领域的专利申请将进一步增加，尤其是越来越多的科技公司成为利益相关者。随着我们进入新的领域，公司需要保护其知识产权资产以保持竞争力。面对如何保护这些类型的发明的挑战，创造性和周到的策略使IP保护的关键。 我是DR发明家 |
|
|
