医療画像のインテリジェント認識：医療とAIを組み合わせた成功事例

医療画像のインテリジェント認識：医療とAIを組み合わせた成功事例
医療画像認識はAIがすぐに導入できる分野になると期待されている

「人工知能＋ヘルスケア」が急速に普及しつつあります。

「人工知能＋ヘルスケア」が急速に発展しています。医学は、帰納的論理、経験的学習、証拠に基づく応用に依存する分野です。人工知能はこの業界で重要な役割を果たすことができます。

同時に、わが国は医療資源の不足に直面しており、供給が深刻に不足しています。医療業界における人工知能の応用は、医師の作業効率を向上させ、間接的に医療資源の供給を増やすことができます。

政策とアルゴリズムの配当に牽引され、「人工知能+医療」は急速に発展しています。中国デジタル医療ネットワークの統計によると、中国のAI +医療市場規模は2016年に96億6100万元に達し、成長率は37.9％でした。中国のAI +医療市場規模は成長を続け、2017年には130億元を超え、40.7％増加し、2018年には200億元に達すると予想されています。

人工知能は医療業界のあらゆる分野で利用されている

1. 診断前：個人または集団の病気を予測し、健康に関するアドバイスを提供するために使用できます。

2. 診断中：人工知能は診断と治療を支援し、誤診率を減らすことができます。

3. 診断後：コンピュータービジョン、画像認識、ビデオ分析などのチャネルを通じて患者の投薬の真正性を確保し、医師が患者の投薬コンプライアンスを監督するのに役立ちます。

4. その他のリンク：保険代理店費用のインテリジェントな制御、医薬品開発プロセスに人工知能を導入することで、時間を短縮し、効率を向上させることができます。

AI+医療のさまざまな応用シナリオ：

この業界はまだ発展の初期段階にあり、データの統合と共有が業界の発展を推進する中核的な要素です。 AI+医療開発の核心は「アルゴリズム+有効データ」にあります。

この業界は現在、発展の第一段階にあります。この段階では、弱い人工知能アルゴリズムは比較的成熟しており、データの統合と共有が業界の発展における中核的な要素を構成しています。

現在、中国の医療データのほとんどは病院に保存されています。一方では、病院内の臨床データセンターはまだ完全には構築されておらず、病院内のデータの相互接続と共有の程度はまだ低いです。他方では、医療データは患者のプライバシーに関係しており、共有のメカニズムと規範が欠如しているため、多くのAI +医療アプリケーションがデータ不足のために停止しています。

医療データの相互接続性と相互運用性の向上と共有メカニズムの確立により、AI+医療産業の発展が加速します。

インテリジェント画像診断は「人工知能＋医療」が急速に実現される応用分野

すでに成熟した製品を形成し、さまざまなアプリケーション シナリオで小規模に推進され、高い付加価値を持つ AI + 医療アプリケーションが 2 つあると考えています。

1. 医療画像に基づくインテリジェント認識

2.電子カルテに基づく補助診断。後者の代表的な例としてはIBM Watsonが挙げられます。現在、腫瘍の診断と治療を支援するAI製品であるWatson for Oncologyが、世界各国の病院で小規模に導入・推進されています。

医療画像に基づく知能認識に関しては、世界中で1,000社以上のスタートアップ企業が存在し、AI技術が強みを発揮するのに適した医療応用分野です。

インテリジェント画像診断アルゴリズムは比較的成熟している

2012年にディープラーニング技術が画像認識データセットに導入されて以来、その認識率は近年新たな高水準に達しています。2015年、BaiduのImageNetコンペティションにおける認識エラー率はわずか4.58%で、人間のレベルを上回りました。

さまざまな医療画像認識コンテストや活動において、学校や企業の研究チームがさまざまな種類の病気で優れた成果を上げています。

医師不足はAIインテリジェント画像認識の応用を促進する

現在、わが国の医療画像データの年間成長率は約30％である一方、放射線科医数の年間成長率は4.1％です。その差は25.9％です。放射線科医数の増加は、画像データの増加よりもはるかに少ないです。

病理部門を例に挙げると、国家衛生計画出産委員会の統計によると、わが国に登録されている病理医は約1万人です。100床あたり病理医1～2人という基準に基づけば、全国の病理医不足は3～4万人に達する可能性があります。現在、国内の手術の約40％は病理部門の分析を受けていません。

したがって、AI を活用して放射線科医の診断を支援することは、市場の緊急のニーズを満たすことになります。

AIによる読み取りは手動による読み取りに比べて優れている

フィルムの手作業による読み取りには、主観性が高く、再現性が低く、定量化と情報活用が不十分で、時間と労力がかかり、知識と経験の継承が難しいなどの問題があります。人工知能による読み取りの利点は、高効率と低コストです。

製品が成熟し、認識率が向上するにつれて、AI読み取りの精度も比較優位を形成するようになります。

インテリジェント画像認識分類は、初期段階で大きな空間と散在パターンを持っています

インテリジェント画像認識市場分類 マルチスペース大規模人工知能手法は、医療用画像のセグメンテーション、画像登録、画像融合、画像圧縮、画像再構成などの分野を含む医療用画像処理で広く使用されています。

医療画像インテリジェント認識は、応用分野に応じて、放射線、放射線治療、外科、病理学に分類できます。

1. 放射線：軍隊の「情報部」と同様に、X線画像を使用して人体内部の病理学的状態を理解し、画像を形成します。画像のインテリジェント認識の目的は、病変の位置をマークすることです。

2. 放射線治療: 軍隊の「戦闘部門」と同様に、放射線治療計画を立てる前に、医師は画像機器を使用して対象領域を特定し、画像を形成する必要があります。画像のインテリジェント認識の目的は、対象領域を自動的に輪郭を描くことです。放射線治療では細胞を殺す必要があるため、病変領域の輪郭が正確であればあるほど良いため、インテリジェント画像認識には高い精度が求められます。

3. 手術：3D 視覚化などの技術を使用して CT 画像の 3D 再構成を実行し、医師が手術前に計画を立て、手術の正確性を確保できるようにします。

4. 病理学：病理学的診断は最終的な確認リンクです。MRI、CT、B-超音波などの画像解釈の正確さは、病理学的診断の結果を参照する必要があります。従来の医療記録の検査では、医師が医療記録の塗抹標本を顕微鏡で直接読み取る必要がありました。現在では、デジタル病理学システムにより AI による読み取りが可能になっています。

現在、業界のほとんどの企業は放射線科と病理学に携わっています。

1. 放射線画像はディープラーニング用のラベル付きデータを取得するのが比較的容易であり、応用シナリオは多岐にわたり、多くのスタートアップ企業が関与している。

しかし、病理医が大幅に不足しています（私の国では登録病理医は約1万人です。100床あたり病理医1〜2人という基準に基づくと、全国の病理医の不足は3〜4万人に達する可能性があります。現在、国内の手術の約40％は病理切片分析を行っていません）。デジタル病理学システムは急速に普及しており、一部のスタートアップ企業も病理画像のインテリジェント認識に注力しています。

医療画像診断サービス市場の年間規模は数千億。AI読み取りがバリューチェーンの10％を占めると仮定すると、市場規模は数百億になります。

画像診断装置や種類によって、X線画像診断、CT画像診断、磁気共鳴画像診断、超音波画像診断、病理切片診断（顕微鏡による）などがあります。さらに、ニッチな赤外線画像、眼底画像なども含まれています。

そのうち、X線撮影の年間市場規模は700億元に達し、通常のCTとMRIの年間市場規模は1500億元に達します。

すべての画像処理タイプの市場規模を合わせると数千億ドルになります。 AI読み取りがバリューチェーンの10％を占めると仮定すると、市場規模は数百億になります。

2. 市場は業界発展の初期段階では比較的細分化されており、将来的には徐々に集中化していくことが予想される。

業界発展の初期段階で市場が細分化される理由には、いくつかの側面が挙げられます。

1) データの分散:

私の国にはサードパーティの画像診断センターがありますが、医療画像データの大部分は病院から提供されています。三次医療機関は画像データの大部分を保有していますが、画像データを病院外に排出してはならないという絶対的なルールを遵守する必要があります。そのため、大量の画像データがさまざまな三次医療機関のシステムに分散しています。

国家衛生計画出産委員会によると、2017年6月時点で全国に3次医療機関は2,286カ所あった。スタートアップ企業は、公開データセットを使用したトレーニングに加え、大規模な病院と連携し、共同研究契約を締結し、病院とともにモデルをトレーニングしています。

データが分散していると、企業が製品の精度要件を満たすために必要なすべてのデータを同時に入手することが難しく、さまざまなスタートアップが馴染みの病院と連携して製品開発を行う可能性があります。

[[375301]]

現在、市場のほとんどの企業は 2 ～ 3 の病院からデータを入手していますが、量と質の面で比較的少ないのが現状です。 CTを例にとると、病院では7～8社のメーカーによる100種類近くのCT装置が使用されています。

製品化の過程で、少数のモデルのデータのみを使用したり、公開データセットからデータをダウンロードしてモデルをトレーニングしたりすると、実験室での精度が非常に高くても、実際のアプリケーションで良好な結果を得ることは困難です。

医療AI企業が開発した製品が、市場に流通している画像機器の90％に適合できるかどうかが、その製品の販売の前提条件となる。

江蘭科技の医療画像インテリジェント認識：ヘルスケアとAIを組み合わせた成功事例
2) 病気の拡散:

基礎となるコードは再利用できます。ただし、病気の種類によって、異なるモデルをトレーニングするには異なるラベル付きデータが必要です。

例えば、Google DeepmindはMoorfields Eye Hospitalと協力して糖尿病性網膜症の認識を訓練し、IBMはEyePACS情報共有プラットフォームと協力して緑内障モデルを訓練し、AlibabaはWanli Cloudと協力して肺結節のCT画像検出を行っており、将来的には乳がんや糖尿病などの分野への拡大が期待されています。

業界に携わる企業は、製品の研究開発において一般的な疾患を選択することに重点を置いていますが、疾患ごとに異なるモデルの特性により、業界の発展の初期段階では参加者の比較的分散した形態が決まります。

[[375302]]

3. 収益化シナリオとビジネスモデルの多様化：医療画像インテリジェント認識に関しては、独立したソフトウェアモジュールとして医療機関に販売する、PACSやその他のシステムと統合して医療機関に販売するなど、潜在的な収益化方法が含まれます。

CT、X線装置などの機器と連携し、ハードウェアとソフトウェアの統合ソリューションを形成して医療機関に販売し、遠隔医療などを通じて一次医療機関にサービスを提供し、インターネットを利用して医療用画像スタートアップを提供します。

Artery Networkによると、現在中国にはこの分野のスタートアップ企業が約59社あるという。業界の発展に伴い、まずは市場参加者の数が増加し続け、最終的には分散から集中へと移行すると考えています。

業界のデータ統合と共有メカニズムの確立、モデルトレーニングの成熟、ビジネスモデルの確立、一部の企業によるCFDA認証の早期合格により、先行企業は徐々に技術的および商業的な障壁を確立し、市場を集中化へと導くでしょう。

[[375303]]

産業チェーンの上流と下流からデータやシナリオなどのコアビジネス要素を検討する

医療画像のインテリジェントな診断には、医療画像データだけでなく、専門家によってラベル付けされた医療画像データも必要です。これを踏まえると、医療画像のインテリジェント診断に携わるメーカーにとって、リソースを通じてラベル付きデータを取得する能力を持つことは極めて重要です。

医療画像データは病院やサードパーティの画像センターで生成され、医療機器に一時的に保存され、PACS システムに長期保存されます。医療画像データにラベルを付けるには、専門の医療スタッフとの協力が必要です。

放射線科医は、日常のフィルム読影の過程で病変をマークしないため、メーカーは多額の費用をかけてプロの放射線科医を招き、空き時間にマークしてもらう必要があります。

[[375304]]

上流・下流企業との関係・協力モデル、あるいは産業チェーンの統合は、インテリジェント医療画像診断メーカーの中核的な競争優位性の1つとなっている。

大規模病院、地方病院、サードパーティの画像センターはすべて、医療画像のインテリジェント診断の上流の「感度低下データリソース当事者」になる可能性があり、さまざまな医療機関、医療機器、PACS システムも医療画像のインテリジェント診断の下流の「製品購入者またはパートナー」になる可能性があります。

そのため、上流および下流の企業との関係および協力モデルは、インテリジェント医療画像診断メーカーの中核的な競争優位性の 1 つとなっています。

1. データ収集：医療機関との連携は製品の向上に役立ちます。業界のメーカーのデータ収集方法には、大規模病院、草の根病院、科学研究機関、サードパーティの画像センターとの連携、クラウドPACSシステムによる認可された減感作データの間接取得などがあります。

1) 大規模病院との連携：我が国の医療画像データの大部分は、三次医療機関などの大規模病院から提供されています。

医療画像インテリジェント診断AI企業は大規模病院と提携しており、一方では業界の専門家から大量の脱感作データとラベル付きデータを取得するのに役立ち、他方では製品磨きのシナリオを提供しています。

特定の疾患に強みを持つ病院は、一定量のデータリソースを保有していることが多く、ニッチな分野で認知度の高い製品を磨き上げることができます。インテリジェントイメージング社の公式サイトに掲載されている協力病院は、自社の強みを示す裏付けとみなされていることがわかります。

2) 草の根病院との協力：大規模病院とは異なり、草の根病院は治療レベル、患者数、データリソースが限られており、インテリジェントなフィルム読み取りに対する需要が強い。

一部の企業は遠隔医療を通じて一次病院に「フィルム読影支援」サービスを提供し、医師と患者の許可を得て減感作画像データを取得し、自社の医療チームを通じてそのデータに注釈を付け、そのデータに基づいてAIモデルをトレーニングしている。代表的な企業としては、Wanli Cloud などがあります。

万東医療の2016年度年次報告書によると、万里雲は遠隔画像診断センター10カ所の建設を完了し、1,000の病院ユーザーと契約を締結し、1日平均2,000人の患者に対する遠隔画像読影・診断を実現した。同社の事業範囲は全国の中核病院、私立病院などに及んでいる。

また、Ruida ImagingやHuiying Medicalなど、人工知能によるフィルム読影を拡大するために独自の遠隔画像診断・治療システムを構築した企業もあります。

3) その他の協力形態:

（１）一部の大学は、科学研究目的で一定量の脱感作データを保有している。このデータの取得コストはそれほど高くないため、スタートアップ企業の中には大学との協力を選択するところもある。

（２）サードパーティの画像センターが徐々に設立されるにつれて、一部のAI企業は独自の画像センターを設立するか、またはそれらと協力することを選択する可能性があり、一部のサードパーティの画像センターは、インテリジェントなフィルム読み取りに事業を拡大する可能性もあります。

（３）PACSシステムは院内からクラウドへと発展した。近年、地域PACSクラウドプラットフォームの構築がトレンドとなっています。クラウド PACS は、ストレージ コストを削減し、迅速な転送を実現し、データ共有とアプリケーション開発をサポートします。

関連企業は、クラウドPACS事業の拡大や提携を通じて、AI+医療画像産業への参入機会を得ています。関連メーカーには、杭州聯中、新易国際、海娜医療情報などがあります。

まとめると、データの観点から見ると、大規模病院には有利な診療科と一定量のラベル付きデータがあります。大規模病院との連携は、大規模病院の有利な分野では高品質の製品を育成するのに役立ちますが、ニッチな疾患については、多くの医療機関と連携して優れたモデルを育成する必要があります。

草の根病院との遠隔フィルム読影協力の利点は、データリソースを安定的に得られることですが、フィルムを標準化するには専任チームが必要です。我が国のサードパーティ画像センターが徐々に設立され、増加していくにつれて、それらとの協力もデータリソースを取得するための良い方法になるでしょう。

[[375307]]

2. 収益化モデルとシナリオ：上流・下流メーカーとの連携が事業拡大につながる

製品を収益化するには、まず「認定」を受ける必要があります。人工知能製品はCFDAに申請項目がありません。

1) インテリジェント医療画像製品は、引き続きクラス III 医療機器として CFDA 認証を申請する必要があります。

CFDA の承認プロセスは比較的複雑です。まず、国家指定の三次病院と協力して臨床試験を実施し、臨床試験に参加するすべての患者と契約を締結し、試験を実施して国家の専門機関に報告し、最終的に CFDA 認証を取得する必要があります。時間コストや技術レベルなどの要素が「高い基準」を構成しています。

2) 一部のソフトウェア モジュールは、PACS システムのインテリジェントなフィルム読み取りプラグインとして機能し、補助的な臨床作業を提供し、CFDA 認証手順を省略できる場合があります。

業界はまだ発展の初期段階にあり、収益化モデルはまだ模索段階にあるため、業界の潜在的な収益化方法には以下が含まれると考えています。

独立したソフトウェアモジュールとして医療機関に販売され、PACSなどのシステムと統合されて医療機関に販売されるほか、CTやX線装置などの機器と連携してハードウェアとソフトウェアの統合ソリューションを形成して医療機関に販売され、遠隔医療などを通じて一次医療機関にサービスが提供され、インターネット医療などを通じて患者に直接サービスが提供されます。

現在、基礎ができたAI+医療用画像製品のほとんどは病院での試験段階にあり、この分野の企業は基本的に収益を上げていません。将来的には、製品がCFDAの検査に合格した後、ビジネスモデルを産業チェーンの上流と下流にさらに拡大することができます。

収益化対象の観点から見ると、中小病院は治療レベルが低く、医療資源が不足しているため、支払い意欲が最も強い。大病院は医療資源が豊富だが、外来患者や入院患者が多く、インテリジェントアプリケーションを通じて業務効率を向上させる必要がある。

この文脈では、草の根の病院は訪問ごとの支払いの需要基盤を持っているのに対し、大規模な病院は支払い方法としてソフトウェアのサービス料金を受け入れる可能性が高くなります。サードパーティの画像診断センターの増加に伴い、インテリジェントな画像診断の需要も高まります。

[[375308]]

[[375309]]

[[375310]]

[[375311]]