医疗影像AI发展的核心技术是什么？ 第1页

近两年间看了国内外几支AI医疗影像的团队，仅针对AI阅片的应用来谈：

倘若是X光片，业内平均10万张片源，即可训练并收敛到较高精度的神经网络，进而提供成熟的应用去替代放射科医生的阅片工作，当然，去上山下乡的提供精准读片服务并形成长尾收费，进而连接远程辅助诊疗服务，也是普遍的创业故事。

X光片的特征粒度粗，通常是判断骨折等一类的大特征。但CT/核磁共振等影像则不同，一般用于判断囊肿或细胞癌变等细微特征，例如CT影像的早期肺癌筛查，即疑似肺结节癌变特征，用AI的效率更高，如30名患者的9000张CT影像，需要4名放射科医生工作数小时筛查，AI只需30分钟；

通常每位来自三甲医院的肺结节筛查患者要产生200-300张CT影像，放射科室的医生每天至少阅读4万张片（按三甲医院每日接待200例患者来算）。

但由于癌变筛查是“细胞级的转移和病变特征”，每个癌变脏器的病例特征至少需要200万张片源去训练，再乘以多个脏器，是否就意味着AI模型的工作成效将进一步扩大呢？ 然而，这200万片源可能跨越了15年期、来自50万人的病例、来自不同物理特性机器和不同介质材料的片源，在这一复杂语料之下，干扰项甚多，纵然获得了200万片源，也难以收敛为精确模型；

例外是：诸如“SIEMENS或GE”可以做的更好，因为其掌握着自身生产的所有机型和介质的物理属性。 其施加参数纠正干扰项，达到准确收敛的能力是具备的。

国内某一线AI医疗影像公司，商业模式很聪明，虽然BP里仍在谈癌变筛查，但其主要营收是在X光片，X光片更容易训练，且帮助国家解决了低级城乡医疗水平的问题，如前述的上山下乡提供精准读片服务并形成长尾收费，进而连接远程辅助医疗服务的故事，有稳定收入和市场潜力的。

.