FDA于2019年發(fā)布了最新一期的'Breakthrough Devices Program'名單，該名單包含了獲得'突破性醫(yī)療器械'稱號的一系列新型技術(shù)。而其中，Caption Health：AI超聲引起了小編的注意。

Breakthrough Devices Program計劃的目標是通過加快患者的醫(yī)療設(shè)備的開發(fā)、評估和審查的速度，為患者和醫(yī)療保健提供即時使用這些設(shè)備的機會。能夠入選該項目從側(cè)面說明FDA認同該設(shè)備可對威脅生命或不可逆轉(zhuǎn)的人類疾病或狀況提供更有效的診斷或治療，且相對現(xiàn)有技術(shù)有明顯的優(yōu)勢和改良。換句話說，這意味著FDA期望在近期的未來將這一技術(shù)大規(guī)模投入市場應(yīng)用。

傳統(tǒng)的超聲檢查依靠專家的眼睛來識別解剖結(jié)構(gòu)，Caption AI通過添加Caption GuidanceTM技術(shù)指出了另一種可能性。該軟件使急診科的護士和其他非醫(yī)學保健人員不僅可以獲取高質(zhì)量超聲心動圖，還可以在人工智能(AI)協(xié)助下提供初診。其隨附規(guī)范指導，能提示用戶應(yīng)該怎樣移動探頭以便獲得高質(zhì)量的影響并給與初診。

聽起來我們似乎離科幻電影中的全智能機器人醫(yī)院又近了一步。超能陸戰(zhàn)隊中的大白是否就是我們的未來醫(yī)生呢?

事實上并沒有那么簡單。醫(yī)學成像數(shù)據(jù)是有關(guān)患者的信息最豐富的來源之一，并且通常是最復(fù)雜的信息之一。 將X射線，CAT掃描，MRI和其他測試方式的結(jié)果中的百萬像素數(shù)據(jù)打包在一起，即使對于最有經(jīng)驗的臨床專業(yè)人員，通過超高分辨率圖像進行梳理也將是一個挑戰(zhàn)。

其實，將AI應(yīng)用于醫(yī)療影像其實一直是比較熱門的創(chuàng)業(yè)方向，尤其是醫(yī)療數(shù)據(jù)采集和影響識別診斷方面。2017年的北美放射學會上，僅有49家被標記為機器學習公司的參展商，其中22家是首次參展。到2018年，這個數(shù)字已經(jīng)上升至104家。在AI領(lǐng)域活躍于醫(yī)學丞相領(lǐng)域的114家創(chuàng)業(yè)公司中，絕大部分都是針對醫(yī)學成像的圖像分析方面。

而我國的行業(yè)人也不斷進行著該領(lǐng)域內(nèi)的探索。在2018年，我國AI白皮書里提到，所有工商系統(tǒng)中帶'AI'字眼的注冊公司已經(jīng)達到4040家，其中拿到風險投資的有1237家，這兩個數(shù)字都很驚人。

目前我國影像科和病理科醫(yī)生總共才8萬多名，病理醫(yī)生只有9000人，放射科醫(yī)生7萬多人，超聲科醫(yī)生12萬人。醫(yī)生數(shù)量增長非常緩慢，而影像數(shù)據(jù)每年增長率都在63%左右。AI的加入將可以大大降低醫(yī)生的工作量，并最終幫助到患者。

在近日舉辦的第三屆'青城山中國IC生態(tài)高峰論壇'上，現(xiàn)場嘉賓就醫(yī)療影像AI哪方面度臨床幫助較大這一問題進行了投票，排名前三的分別是病理影像、放射影像和內(nèi)窺鏡檢查。

在研發(fā)優(yōu)化過程中，AI應(yīng)用于醫(yī)療影像上所面臨的一系列挑戰(zhàn)中，最大的難點莫過于醫(yī)生判斷標準的不統(tǒng)一、主觀性較強等，這將導致難以以統(tǒng)一標準訓練AI。不能定量的東西在不同醫(yī)生之間就無法達成一致的意見，這是醫(yī)學問題，而AI算法的首要要求就是標準必須是完全正確的。

AI的開發(fā)如同教養(yǎng)孩子，需要花時間訓練其思維模式，而最好的訓練方式就是輸入大量數(shù)據(jù)基礎(chǔ)。大名鼎鼎擊敗各路棋壇高手的阿爾法狗在訓練早期，就是由技術(shù)人員采用輸入大量棋譜的方式迅速成長起來的。而在AI醫(yī)療影像的情況中，所需的將是大量由醫(yī)生標注出重要信息的影像數(shù)據(jù)集。這也意味著算法的優(yōu)化需要建立在大量高質(zhì)量、經(jīng)標注的影像大數(shù)據(jù)集的基礎(chǔ)之上。

這也是為什么美國放射學院數(shù)據(jù)科學研究院（ACR DSI）會及時發(fā)布用于醫(yī)學成像AI的高價值用例的原因，其目的就在于培養(yǎng)用于臨床決策支持和診斷的標準化，安全和有效的AI。這些用例將隨著新機會的出現(xiàn)不斷更新。

而在我國，雖然自2009年以來，國家相關(guān)部委已經(jīng)多次出臺文件促進電子病歷的普及，然而發(fā)展了近十年后，電子病歷在中國醫(yī)院雖有了'量'，卻還遠遠談不上'質(zhì)'。數(shù)據(jù)質(zhì)量低，應(yīng)用規(guī)模小、層級低、進展慢、不同省份之間數(shù)據(jù)割裂、安全規(guī)范欠缺等問題普遍存在。

在有限數(shù)據(jù)量的限制下，如何對每一份數(shù)據(jù)物盡其用無疑就成了技術(shù)人員們需要思考解決的問題。今天我們就來看看在該領(lǐng)域內(nèi)行業(yè)領(lǐng)先技術(shù)是如何面對及解決這個問題的。

Voxel Cloud、Enlitic、Butterfly network以及Zebra Medical Vision等幾個公司的名字在行業(yè)內(nèi)被較多提及，也是我們今天專利解析的重點。

蘇州體素信息科技有限公司(Voxel Cloud)于2016年初成立，公司在上海、蘇州和美國洛杉磯均設(shè)有辦公室，其業(yè)務(wù)覆蓋早期肺癌、糖尿病視網(wǎng)膜病變、心血管疾病等幾個業(yè)務(wù)領(lǐng)域。

其旗下專利申請CN108090903A中涉及一種肺結(jié)節(jié)檢測模型訓練方法和裝置。在該方案中，利用候選生成器對由連續(xù)層面的CT灰度圖像堆疊生成的緊湊圖像進行背景、肺結(jié)節(jié)候選區(qū)域和假陽性候選區(qū)域三向分類，然后利用偽陽性率(FPR)模型對肺結(jié)節(jié)候選區(qū)域進行分類，得到肺結(jié)節(jié)和假陽性。由于候選生成器將假陽性單獨分為一類，減少了假陽性的數(shù)量，從而提高了檢測的靈敏度。

CN108052987A中的發(fā)明涉及一種圖像分類輸出結(jié)果的檢測方法，通過逐層分析網(wǎng)絡(luò)層的方法構(gòu)建一個具有多層網(wǎng)絡(luò)的第一分類網(wǎng)絡(luò)，其包括卷積層和全連接層，分別對原始圖像經(jīng)過線性和非線性處理得到特征圖，并對特征圖進行轉(zhuǎn)換行程自省網(wǎng)絡(luò)訓練數(shù)據(jù)。該檢測方法通過自省網(wǎng)絡(luò)對第一分類網(wǎng)絡(luò)的輸出的特征圖進行識別，進而判斷其結(jié)果是否正確。

CN106934798A中涉及一種基于深度學習的糖尿病視網(wǎng)膜病變分類分級方法，其針對每一類糖尿病視網(wǎng)膜病變準備大量眼底鏡照片，建立包含多級神經(jīng)網(wǎng)絡(luò)架構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)，基于大量眼底鏡照片對深度卷積神經(jīng)網(wǎng)絡(luò)，使深度卷積奢華內(nèi)景網(wǎng)絡(luò)的最終輸出值符合眼底鏡照片的分級結(jié)果；從而即可利用訓練好的深度卷積神經(jīng)網(wǎng)絡(luò)自動進行疾病分級。

Enlitic是一家總部位于舊金山的公司，其旗下AI系統(tǒng)針對胸部、骨折等的CT模型、X射線和MRI的研究。

在其專利申請US20180341748A1中公開了一種胸部X射線鑒別診斷系統(tǒng)，可用于鑒別異常模式數(shù)據(jù)，所述異常模式數(shù)據(jù)是通過利用計算機視覺模型在多個訓練胸片上進行訓練后識別每個胸部X射線中與異常相對應(yīng)的至少一個模式而得到的。該系統(tǒng)可以基于異常模式數(shù)據(jù)為每個胸部X射線生成鑒別診斷數(shù)據(jù)。從客戶端設(shè)備接收過濾參數(shù)，并且基于過濾參數(shù)選擇胸部X射線隊列，并且生成鑒別診斷數(shù)據(jù)以傳輸?shù)娇蛻舳嗽O(shè)備以進行顯示。

US20180341883A1中是一種信息處理設(shè)備，包括存儲器以及執(zhí)行處理器。該執(zhí)行處理器基于存儲在存儲單元中的第一信息執(zhí)行批準處理，該第一信息指示多個組織中的每個組織的多個內(nèi)容，這些事件對應(yīng)并在批準過程之后執(zhí)行后續(xù)批準過程，該過程由存儲在第二存儲單元中的第二信息指示，基于第一信息，第二信息指示多個組織的層級關(guān)系。

Butterfly Network是一家美國特拉華州的公司，在業(yè)內(nèi)是不容忽視的存在。它成立于2011年，也是少有的已經(jīng)退出實體產(chǎn)品的公司。他們在2017年9月即推出了自己的收款超聲成像產(chǎn)品Butterfly iQ，是一款通過與智能手機聯(lián)用實現(xiàn)單個手持式超聲探頭滿足全身多個部位、多種臨床應(yīng)用需求檢查的產(chǎn)品。

該產(chǎn)品的關(guān)鍵技術(shù)見其擁有專利US9667889中。這是一種便攜式電子設(shè)備，可以用于生成和顯示諸如人體的成像目標的圖像，例如二維或三維圖像。通過在便攜式電子設(shè)備上配置可以接收通過成像目標發(fā)射和/或被成像目標反射的輻射信號。便攜式電子設(shè)備可以顯示看起來像是進入成像目標的創(chuàng)口，所生成的圖像可以是目標內(nèi)部特征的實時連續(xù)圖像。

US9247924描述了包括超聲成像設(shè)備的設(shè)備和方法。該設(shè)備和方法可以以投射型超聲成像模態(tài)操作，并且可以用于檢測感興趣的多種特招，包括折射率、密度和勝訴等。同時還包括了適合于執(zhí)行高強度聚焦超聲以及其和超聲成像的設(shè)備。

Zebra Medical Vision是一家以色列的技術(shù)新銳公司，其宣傳口號是利用機器學習和深度學習技術(shù)來幫助放射科醫(yī)生進行診斷和治療。

該公司于2018年獲得C輪融資，并公布了一張新型胸部X射線圖像研究，該研究命名為Textray。Zabra計劃使用近200萬張胸部X射線圖像對AI算法進行訓練，從而對 40多種臨床發(fā)現(xiàn)進行甄別。

這個計劃也體現(xiàn)在其專利申請US20180075629A1中。該專利申請?zhí)峁┝艘环N計算胸部X射線攝影圖像中的惡性可能性的方法。該方法包括：接收包括其每個像素的單個喜愛能告訴強度值的單通道2D胸部X射線攝影圖像，將單通道2D胸部X射線攝影圖像轉(zhuǎn)換成多通道2D胸部X射線攝影圖像。同時針對每個像素的多個像素強度值通道進行計算，得到指示整個多通道圖像內(nèi)的惡性可能性的第一得分，之后從多通道圖像中提取每個響應(yīng)補丁，得到指示每個相應(yīng)補丁內(nèi)的惡性可能性的相應(yīng)第二得分，最終通過門控子分類器對兩個得分進行分析和計算，并確定惡性的可能性和惡性位置。

而在其它方面，Zebra也在進行著探索。如US10111637B2通過接收包含患者身體骨骼部分的計算機斷層掃描(CT)掃描的成像數(shù)據(jù)，采用CT成像數(shù)據(jù)估算雙能X線吸收法(DEXA)分數(shù)的計算機化方法和系統(tǒng)，基于來自股部分的像素相關(guān)值計算得出一個等級，該等級可通過與相關(guān)得分相關(guān)聯(lián)獲得人群中的骨密度值的關(guān)系。該等級是根據(jù)對每個或一組像素的子等級的計算來得到的。

US9940711B2中提供了一種用于檢測脂肪肝的計算機實現(xiàn)的方法。該方法包括：接收使用單個源CT掃描儀執(zhí)行的計算機斷層掃描(CT)掃描的成像數(shù)據(jù)，并選擇設(shè)置用于非脂肪肝病理學成像，分割區(qū)域通過依據(jù)規(guī)則進行二進制分割應(yīng)用于成像數(shù)據(jù)的像素子集并創(chuàng)建二進制圖像，并將二進制圖像的肝臟區(qū)域映射到該部分的分割區(qū)域，由此創(chuàng)建肝臟圖像成像數(shù)據(jù)的肝臟。隨后計算肝臟分割區(qū)域的肝臟參數(shù)，并通過分析計算得出的肝臟參數(shù)來檢測脂肪肝的存在。

現(xiàn)如今AI應(yīng)用醫(yī)療影像分析較為成熟的方向包括識別心血管異常、檢測骨折和其它肌肉骨骼損傷、協(xié)助診斷神經(jīng)系統(tǒng)疾病、標記胸腔并發(fā)癥和狀況和篩查常見癌癥。

使用AI可以識別難以看見的骨折、脫位或軟組織損傷，以及在乳腺癌中組織中難以確定的微鈣化，可使醫(yī)生和專家對他們的治療選擇更有信心，從而讓患者與醫(yī)生進行更有成效的對話。

隨著AI在醫(yī)療保健領(lǐng)域的重要性的日益提高，可以預(yù)見該領(lǐng)域的專利申請將進一步增加，尤其是越來越多的科技公司成為利益相關(guān)者。隨著我們進入新的領(lǐng)域，公司需要保護其知識產(chǎn)權(quán)資產(chǎn)以保持競爭力。面對如何保護這些類型的發(fā)明的挑戰(zhàn)，創(chuàng)造性和周到的策略使IP保護的關(guān)鍵。

我是DR發(fā)明家