医疗领域AI智能影像识别的三大难点

    据香港星岛日报报道，人工智能技术愈趋成熟，应用范畴更广泛。香港中大计算器科学与工程学系教授王平安及其研究团队，成功发明可检测医学影像的人工智能影像识别技术。他们利用人工智能系统，以深度学习（Deep Learning）不断“练习”判断医学影像。
    
    在未来应用方面，王平安称，团队将联同北京三所医院合作开发，优化识别肺结节病变的技术。他称会与本地公立医院合作，希望进一步提升准确度，获医学界认可后，目标一至两年后可作广泛应用。他又称，智能影像识别技术理论上可广泛应用于不同癌症，但个别罕有病，病人数据不多，影响系统准确性。
    中金公司（CICC）6 月 19 日发布的人工智能相关领域的证券研究报告指出，语音交互、计算机视觉、认知计算等技术蓬勃发展，助推了语音录入病例、医疗影像智能识别、辅助诊疗/癌症诊断、医疗机器人、个人健康大数据等多个具体医疗应用场景取得快速突破。
    对于其中的医疗影像智能识别，报告指出，目前上市公司和创业公司正在纷纷布局，整体处于商业化初期阶段。而医疗影像识别的主要难点在于数据获取、数据标注和跨学科人才积累。
    数据获取：数据是深度学习算法所需的核心资源，仅掌握算法而缺乏数据无法获得较好的训练效果。现阶段，我国的医疗影像仍处于从传统胶片向电子数据过渡的阶段，大量影像资料尚未数字化，且医院之间的数据共享和互通程度较低，获取大规模的数据对业内公司是一个考验;
    数据标注：在获取数据的基础上，深度学习结合先验知识对模型进行训练，训练集需要事先标注。由于大多数标注依赖人工识别，因此数据标注将耗费较大量人力和时间，在医疗影像领域获取具有高可靠性的标注数据也成为挑战之一；
    “AI+医疗”跨学科人才积累：在较为专业的诊疗领域，应用及平台开发者不仅要研究人工智能算法，更要对医疗影像识别建立深入了解，人工智能+医疗的复合背景人才构成核心竞争力之一。