中国的医疗软件和医疗图像处理领域发展迅速，为中国医疗行业的数字化转型提供了重要支撑。
医疗软件方面，中国的医院信息化建设和医疗产业信息化需求不断增长，医疗软件的市场规模也在不断扩大。医疗软件包括电子病历、医院管理系统、医疗影像管理系统、医疗研究与数据统计系统等多种应用。同时，随着医疗云计算、物联网、人工智能等技术的不断成熟和应用，医疗软件的发展会进入到更多精准化和智能化的领域。
在医疗图像处理方面，从传统的人工分析到近年来人工智能（AI）技术的迅速发展，中国在医疗图像处理领域也取得了不俗的成绩。例如人工智能辅助医生诊断的应用已在一些大城市和优质医疗机构推广，如利用AI诊断大数据优化糖尿病视网膜病变的项目等，有效地提高了医疗效率和准确性。此外，在图像采集、存储和传输方面，中国医疗行业也在不断探索和发展，如采用云存储和分布式存储等技术来处理医疗图像数据，加速图像的读写和共享。
不过，中国医疗软件和医疗图像处理的市场和技术仍需进一步的完善和发展。例如，医疗软件需要加强数据互通、信息安全、管理流程标准化等方面的建设；医疗图像处理需要关注算法的可靠性和普适性、大数据处理能力等技术问题。只有不断完善相关技术和规范，中国的医疗行业才能实现数字化转型，并为人民健康事业做出更大的贡献。
DICOM医学图像发展历史：
- 1960年代：医学图像处理技术开始应用于医学成像领域，如X射线、CT、MRI等。当时主要应用于医学检查和诊断。
- 1970年代：医学图像处理技术开始应用于医学治疗领域，如放射治疗、手术导航等。同时，医学图像处理技术也开始应用于医学研究和教育领域。
- 1980年代：随着计算机图像处理技术的发展，医学图像处理技术得到了进一步发展。数字图像处理技术开始应用于医学图像分割、医学图像配准等领域。
- 1990年代：医学图像处理技术开始应用于医学图像重建、医学图像分析等领域。同时，数字图像处理技术也开始应用于医学图像的可视化和三维重建等领域。
- 2000年代：随着计算机性能的提高和数字图像处理技术的发展，医学图像处理技术得到了更广泛的应用，如医学图像的自动分析、医学图像的模拟仿真等。
- 当前：随着人工智能、深度学习、大数据等技术的发展，医学图像处理技术又迎来了新的机遇和挑战。医学图像处理技术在医学检查、诊断、治疗、研究、教育等各个领域的应用也越来越广泛和深入。 发展趋势方面，未来医学图像处理技术将朝着以下方向发展：
- 基于深度学习的医学图像分析和诊断技术。
- 基于云计算和大数据的医学图像处理技术。
- 医学图像的多模态融合和集成处理技术。
- 面向个性化诊疗的医学图像处理技术。
- 基于虚拟现实和增强现实的医学图像可视化和交互技术。
一些知名的医学图像设备厂商：
- GE医疗：全球医学影像设备制造商，提供CT、MRI、超声等多种医学影像设备，同时也提供数字化医学解决方案和服务。
- 西门子医疗：德国医疗设备制造商，提供CT、MRI、超声、X光等多种医学影像设备，同时也提供数字化医学解决方案和服务。
- 菲利普斯医疗：荷兰医疗设备制造商，提供CT、MRI、超声、X光等多种医学影像设备，同时也提供数字化医学解决方案和服务。
- 奥林巴斯医疗：日本医疗设备制造商，主要生产内窥镜、内窥镜系统、内窥镜图像处理设备等医疗器械。
- 惠普（Hewlett-Packard）：美国电子设备制造商，提供医疗图像显示设备和医疗信息系统解决方案。
- 捷普（JEPICO）：日本医疗设备制造商，主要生产医用显示器和医疗图像诊断软件。
- 富士医疗系统：日本医疗设备制造商，主要生产数字化X光设备、CT、MRI、超声等多种医学影像设备。
- 康柏（KONICA MINOLTA）：日本医疗设备制造商，主要生产数字化X光设备、医用打印机、DICOM图像传输系统等医疗器械。
- 上海联影医疗科技股份有限公司（Shanghai United Imaging Healthcare Co., Ltd.）是一家以医学影像设备为主的高科技企业，成立于2011年，总部位于上海市浦东新区。该公司主要从事医疗设备的研发、制造和销售，产品涵盖CT、MRI、PET-CT等多种医学影像设备，同时也提供数字化医学解决方案和服务。 上海联影的核心竞争力在于技术创新和产品优势。该公司拥有一支高素质的研发团队，致力于医学影像设备的创新和研发。同时，上海联影的医学影像设备具有高性能、高精度、高可靠性等优势，具有较强的市场竞争力。 截至目前，上海联影已在全球范围内拥有超过1,000台医学影像设备运行，服务于全球超过20个国家和地区的医疗机构，为医学影像技术的发展和进步做出了重要贡献。
知名的DICOM看图软件：
- OsiriX：一款被广泛使用的DICOM看图软件，支持Mac平台，提供多种功能和工具，如3D重建、多平面重建、肝脏分段等。
- 3D Slicer：一款开源的DICOM看图软件，支持跨平台，提供多种功能和工具，如3D重建、配准、分割等。
- Horos：一款免费的DICOM看图软件，支持Mac平台，提供多种功能和工具，如3D重建、多平面重建、肝脏分段等。
- Aeskulap：一款开源的DICOM看图软件，支持Linux平台，提供多种功能和工具，如3D重建、多平面重建、配准等。
- ImageJ：一款开源的图像处理软件，支持多种格式，包括DICOM，提供多种功能和工具，如图像处理、分析等。
6. ITK-SNAP是一款开源且跨平台的医学图像分割软件。它基于ITK（Insight Segmentation and Registration Toolkit）库，提供了可视化的图像分割工具，可以读取多种格式的医学图像数据，例如DICOM、NIFTI和MGH等。ITK-SNAP支持多种分割算法，包括基于区域和基于边界的方法。此外，ITK-SNAP还提供了3D可视化和3D重建功能。 ITK-SNAP的主要特点包括：
- 可视化的图像分割工具，支持多种分割算法。
- 支持读取多种格式的医学图像数据。
- 支持3D可视化和3D重建功能。
- 提供自动分割和手动分割两种方式。
- 支持多种标注工具，如点、线和面等。 ITK-SNAP被广泛应用于医学影像处理、医学图像分析等领域，是医学影像处理领域的重要工具之一。
7. VTK（Visualization Toolkit）是一个开源的C++计算机视觉和图形图像处理库，主要用于处理和可视化三维图像数据。VTK提供了许多常见的算法和工具，如体绘制、曲面绘制、图形绘制、图像处理等，可用于各种应用程序，如医学成像、工业设计、地球科学、计算流体力学等。 VTK的主要特点包括：
- 支持多种数据格式，包括DICOM、NIFTI、VFF等。
- 提供丰富的可视化工具和算法，包括体绘制、曲面绘制、图形绘制、图像处理等。
- 可扩展性好，用户可以自定义算法和工具。
- 支持多种编程语言，如C++、Python、Java等。
- 可跨平台运行，支持Windows、Linux、macOS等操作系统。 VTK被广泛应用于医学影像处理、计算机辅助设计、地球科学、计算流体力学等领域，是一个重要的计算机视觉和图形图像处理库。
8. RadiAnt DICOM Viewer是一款功能强大的DICOM图像查看器，支持Windows平台。它可以快速加载和浏览医学影像，包括CT、MRI、X光等。RadiAnt DICOM Viewer提供了用户友好的界面，提供多种功能和工具，如测量、标记、放大、旋转等。此外，RadiAnt DICOM Viewer还支持多种格式的图像输出，如JPEG、BMP、PNG等，方便用户保存和分享医学影像。 RadiAnt DICOM Viewer的主要特点包括：
- 快速加载和浏览医学影像，支持多种格式。
- 提供用户友好的界面，提供多种功能和工具，如测量、标记、放大、旋转等。
- 支持多种格式的图像输出，如JPEG、BMP、PNG等。
- 支持多语言界面，包括英语、中文、德语、法语、日语等。
9. U_VIEWER：上海联影开发的一款DICOM阅片软件，提供了多种可视化和分析工具，如放大、旋转、测量、标注、3D重建等。此外，U_VIEWER还支持多种格式的图像输出，如JPEG、BMP、PNG等，方便用户保存和分享医学影像。 U_VIEWER的主要特点包括：
- 免费提供，没有任何限制。
- 可在Windows和Linux平台上运行。
- 可加载和显示DICOM格式的医学影像，如CT、MRI、X光等。
- 提供多种可视化和分析工具，如放大、旋转、测量、标注、3D重建等。
- 支持多种格式的图像输出，如JPEG、BMP、PNG等。
10. 小赛看看：国内公司开发的一款软件，具体公司业务不详，支持符合DICOM标准的医学影像， 包括CT、MR、DX、XA、US、PT、NM、SR、SC等，提供丰富的图像浏览功能，包括PET/CT图像融合、MPR、电影播放、伪彩、ROI测量、 HU值和SUV值测量、匿名化等。
11. MicroDicom是一款免费的DICOM图像查看器，可在Windows平台上运行。它可以加载和显示DICOM格式的医学影像，如CT、MRI、X光等。MicroDicom提供了多种可视化和分析工具，如放大、旋转、测量、标注、3D重建等。此外，MicroDicom还支持多种格式的图像输出，如JPEG、BMP、PNG等，方便用户保存和分享医学影像。 MicroDicom的主要特点包括：
- 免费提供，没有任何限制。
- 可在Windows平台上运行。
- 可加载和显示DICOM格式的医学影像，如CT、MRI、X光等。
- 提供多种可视化和分析工具，如放大、旋转、测量、标注、3D重建等。
- 支持多种格式的图像输出，如JPEG、BMP、PNG等。
12. Myrian是一款医学图像处理软件，用于处理和分析医学图像数据，支持多种医学成像模态，如MRI、CT、PET等。Myrian软件具有直观的用户界面和丰富的功能，可以对医学图像进行各种操作和处理，包括图像的查看、编辑、分割、配准、重建等。此外，Myrian软件还支持DICOM标准，可以实现DICOM文件的读取、存储和传输，方便医生和研究人员进行医学图像的管理和交流。Myrian软件主要应用于医学影像诊断、研究和教学等领域，是医学图像处理领域的重要工具之一。Myrian软件由法国公司Intrasense开发，目前已经被广泛应用于全球的医学图像处理和分析领域。
13. Mimics是一款三维医学图像处理软件，主要用于处理和分析医学图像数据，支持多种医学成像模态，如CT、MRI、X光等。Mimics软件具有直观的用户界面和丰富的功能，可以对医学图像进行各种操作和处理，包括图像的查看、编辑、分割、配准、三维重建等。此外，Mimics软件还支持DICOM标准，可以实现DICOM文件的读取、存储和传输，方便医生和研究人员进行医学图像的管理和交流。Mimics软件主要应用于医学影像诊断、研究和教学等领域，是医学图像处理领域的重要工具之一。Mimics软件由比利时公司Materialise开发，目前已经被广泛应用于全球的医学图像处理和分析领域。
医学图像处理常用算法：
- 图像增强算法：用于增强图像的对比度、清晰度等特征，包括直方图均衡化、灰度拉伸、滤波等算法。
- 分割算法：用于将图像分成不同的区域，包括阈值分割、区域生长、边缘检测等算法。
- 特征提取算法：用于提取图像中的特征信息，包括形状特征、纹理特征、颜色特征等算法。
- 三维重建算法：用于将多张二维图像重建成三维图像，包括体素重建、曲面重建、基于视角的重建等算法。
- 模式识别算法：用于对图像进行分类、识别等任务，包括神经网络、支持向量机、决策树等算法。
医学图像处理难点：
- 数据质量的差异性：由于医学图像数据的获取方式和设备的不同，导致不同数据的质量和分辨率存在较大差异，这给图像处理带来了一定的挑战。
- 数据量的大规模性：医学图像数据通常具有大规模性，处理时需要消耗大量的计算资源和时间。
- 数据的多样性：医学图像数据通常包含不同的组织结构、器官形态和病变特征，需要针对不同的数据类型和应用场景进行处理。
- 人工干预的复杂性：医学图像处理中需要进行大量的人工干预和交互，如标注、分割、诊断等，这不仅增加了处理的复杂性，还可能导致人为误差和不确定性。
- 应用的多样性：医学图像处理的应用场景非常广泛，如疾病诊断、手术导航、治疗规划等，需要根据不同的应用场景进行算法的选择和优化。
- 这些难点需要医学图像处理领域的研究人员在算法设计、数据处理、系统集成等方面进行不断探索和创新，以解决实际应用中遇到的问题。
DICOM软件常用功能：
- 图像的查看和编辑：可以浏览DICOM格式的医学图像，如MRI、CT、X光等，支持图像的旋转、缩放、倒置等操作。
- 图像的处理和分析：可以对医学图像进行处理和分析，如图像的增强、分割、重建、特征提取等操作。
- 图像的存储和传输：可以将医学图像存储到本地或远程服务器中，支持DICOM标准的图像传输协议，如DICOM发送、DICOM接收等。
- 数据的管理和备份：可以对DICOM格式的医学图像进行管理和备份，包括数据的归档、恢复、删除等操作。
- 报告的生成和打印：可以根据DICOM格式的医学图像生成报告，支持报告的编辑、打印、导出等操作。
- 虚拟现实的应用：可以将DICOM格式的医学图像应用于虚拟现实技术中，如手术导航、治疗规划等。
- 数据的安全和隐私：可以对DICOM格式的医学图像进行安全和隐私的管理，包括数据的加密、解密、权限控制等操作。
- 自动化的处理和分析：可以利用人工智能和机器学习等技术对DICOM格式的医学图像进行自动化的处理和分析，如疾病诊断、预测等操作。
医学图像处理著名网站：
- Medical Image Computing and Computer Assisted Intervention (MICCAI)：该网站是医学图像处理领域的顶级学术会议之一，聚集了全球的专家和学者，提供了最新的研究成果和技术进展。
- Medical Image Analysis：该网站提供了医学图像分析领域的最新研究成果、技术进展和应用案例，是医学图像处理领域的权威网站之一。
- Society for Imaging Informatics in Medicine (SIIM)：该网站是医学图像信息学领域的一个专业组织，致力于促进医学图像的标准化、管理和应用，提供了医学图像信息学领域的最新动态和技术趋势。
- Radiological Society of North America (RSNA)：该网站是放射学领域的一个专业组织，提供了放射学相关的最新研究成果、技术进展和应用案例，包括医学图像处理、放射学影像学等。
- International Society for Magnetic Resonance in Medicine (ISMRM)：该网站是磁共振成像领域的一个专业组织，提供了磁共振成像相关的最新研究成果、技术进展和应用案例，包括医学图像处理、磁共振成像技术等。
（一）医学影像的定义
医学影像是指针对人体或人体某部分，以非侵入方式取得内部组织影像的技术与处理过程。在临床上，超过70%的诊断都依赖于医学影像。
随着技术发展，医学影像检查手段逐渐多样化，包括超声、病理、内窥镜、CT（计算机断层成像）、CR（计算机X线摄影）、MRI（磁共振成像）、核素显像、PET-CT（正电子发射计算机断层显像）、DSA（血管造影）等。
（二）AI医疗影像的定义
人工智能应用于医学影像，主要是通过深度学习，实现机器对医学影像的分析判断，是协助医生完成诊断、治疗工作的一种辅助工具，帮助医生更快地获取影像信息，进行定性定量分析，提升医生看图/读图的效率，协助发现隐藏病灶。
人工智能通过影像分类、目标检测、图像分割、图像检索等方式，完成病灶识别与标注、三维重建、靶区自动勾画与自适应放疗等功能，应用在疾病的筛查、诊断和治疗阶段。
（三）AI医学影像辅助诊断发展的原因
1.医学影像医生缺口大
以我国为例，医学影像数据年增长率约为30%，而放射科医师数量年增长率仅为4%，影像科医师数量增长远不及影像数据增长，且医师从业需要较长时间的培训和学习，这意味着影像科医师在未来处理影像数据的压力会越来越大，难以承担巨大的负荷。
同时，随着分级诊疗政策的推进和基层医疗需求的释放，医学影像数据会更快增长，随之带来的放疗科/病理科医生缺乏的问题将更加严峻。
2.医学影像诊断误诊率高、效率低
医学影像数据基本全部需要专业人员人工分析，而人工分析的缺点也显而易见：
- 一是大量的脑力劳动和长时间的工作，容易视力疲劳及人为产生视觉误差；
- 二是海量影像信息容易漏诊；
- 三是全凭医生经验去鉴定，缺乏量化的标准，误诊率高，极容易出现不同医生判读结果不一致的情况。
据统计，美国每年的误诊人数达到了 1200 万，中国每年误诊人数高达5700 万。根据中华医学会的一份误诊数据资料显示，中国临床医疗总误诊率为 27.8%，其中恶性肿瘤平均误诊率为 40%，器官异位误诊率为 60%，肝结核、胃结核等肺外结核的平均误诊率也在 40%以上，这些误诊主要发生在基层医疗机构。
3.医学影像信息化程度偏低
据中国医院协会信息管理专业委员会出据的数据显示，2015 年我国医院PACS系统（医学影像存档与通信系统）建设水平 50%~60%，同时由于我国信息化建设较晚，医学影像数据共享度仍较低。
综上所述，人工智能技术发展加快了医学影像诊断速度，提升了影像诊断的精准度，并给影像科医生的“阅片”方式带来改变，其主要表现在：
（1）阅片方式改变。人工智能应用直接实现机器自动对片子进行初筛、判断、病灶勾选等，医生只需要最后负责判断即可。
（2）阅片速度改变。人工智能自动快速初筛，并勾选病灶，医生只负责关键部位的复判，为医生节省大量烦琐的初筛过程。时间大为缩短，效率提高。
（3）精准度改变。人工智能具备稳定性和全面性双面特点，不受工作时间长短影响，且能够做到片子全域完整观察无遗漏，快速稳定地完成初筛、判断，最后由专业医生对关键部位进行复判。因此，阅片的精准度得到双重保障。
（四）AI医疗影像主要应用场景
目前人工智能在医学影像领域的应用方向主要有两类，即图像病例分类、目标或病灶检测分割。
（1）图像病例分类
病例分类主要是对一套典型多张图片进行分析，从而得出相应的病例的分类结果。
在这一类问题中，通常存在着相应任务的病例图像数据量较少的问题，这也导致处理该类问题时通常会采用计算机视觉中的迁移学习算法。迁移学习算法大多会使用经过自然图像预训练好的网络模型，通常有把预训练模型作为特征提取器和在预训练模型中对医学图像数据进行微调两种用法。
这两种用法都非常有效并且得到了广泛的应用，然而在部分分类问题上，存在着模型难以收敛、准确率不高的情况，甚至精度都无法超越古典的人工分析算法。其根本原因还是由于数据量不够充分，在迁移学习算法过程中出现过拟合现象。但是随着不同深度学习网络算法迭代更新，尤其是美国InceptionV3网络架构的出现，使得皮肤癌分类检测问题取得了超越人类专家的成绩。模型难以收敛、准确率不高等弊端逐渐得到了解决。
新一代人工智能技术在早期萌发阶段就已经被应用到了医学图像的病例分类中。早在2013年日本学者就发表了关于DBNs网络和SAEs网络应用于脑部的核磁共振图像分类。在卷积神经网络（CNNs）普遍应用于计算机视觉之后，图像分类问题的标配便成了卷积神经网络及其各类变种。
在2015年至2017年间47篇关于医疗图像病例的文章中，有36篇是采用卷积神经网络模型、5篇是采用AEs模型、6篇采用RBMs模型，这些文章应用的医学图像领域非常广，从脑部核磁共振MRI到肺部CT扫描都有应用。总而言之，卷积神经网络是医疗图像中一个标准的模型算法，尤其是预训练模型迁移学习算法的技巧已经展示出了其强大的能力。
（2）目标或病灶检测分割
目标或病变分类与上述的图像、病例分类不同，其更加注重于图像的某一部分或细小的组织、病变等局部区别的分类，例如常见的肺结节检测与分类。对于很多任务来说，局部病变区域与全局的概念信息对这类分类结果起着非常重要的作用。很多学者采用了新型的多信息新融合架构进行网络拓扑（例如残差网络结构），以及不同尺度的信息结合，有针对性地对医疗图像做模型输入以及运算调整。
靶区勾画：放射治疗、手术、化疗是目前肿瘤治疗的三大主要手段。利用医学图像引导,放疗病人不需要开刀,住院时间短，恢复快。在放疗前，每个病人需要拍摄医学影像（CT、MRI等）几十甚至上百张，放疗医生凭借经验勾画每个患者的放疗靶区需要半小时至几个小时，耗时耗力，导致治疗病人有限，勾画的精确度不理想。
受医生经验、情绪、耐心等因素的影响，不同医生勾画同一个病人的医学影像靶区会产生不同的勾画效果。靶区勾画与治疗方案设计具有一定的技术含量并需要医生的经验，但是其中包含了大量的重复工作，这些劳动密集型的工作是人工智能的专长，利用人工智能做这些事情将节约肿瘤医生大量的时间。
将人工智能技术应用在放疗领域，是很多人工智能+医疗公司的一大主要研发方向。目前，连心医疗、医诺科技、全域医疗、普润医疗、慧软科技等公司都在开发相关的产品。
（五）AI医疗影像技术发展现状
医学影像识别可以分为影像链与临床应用链两部分，而人工智能应用具体而言就是用人工智能去解决影像链与临床应用链的问题。
其中，影像链是指影像医学的技术支撑，包括图像采集与图像后处理、数据挖掘；
临床应用链是指影像信息在临床的应用，包括了疾病筛查与早期诊断、预测、治疗、疗效评估与监测。
（1）学术研究
现状影像组学、深度学习、迁移学习等人工智能算法已经在医学影像数据上进行了开发和测试，形成了病灶检出、病灶分割、病灶性质判断、治疗规划、预后预测等多种应用模式。
2017年RSNA学术交流中使用机器学习进行影像诊断的研究几乎涵盖所有影像诊断亚专业，近年来已有不少类似的文献报道，如乳腺疾病、肺部疾病、神经系统疾病、骨关节系统疾病、心血管系统疾病、消化道病变和体部疾病等。
（2）产品开发现状
国内外已有许多大型企业及初创公司投入到AI 医学影像产品开发。国内，腾讯觅影利用腾讯优图在大数据运算、图像识别与深度学习方面的先进技术，提高对于肺结节的检测敏感性与准确度：根据测算，其对早期肺癌的敏感度（识别正确率）达到85%以上，对良性肺结节的特异性（识别正确率）超过84%，对于直径大于3mm小于10mm的微小结节检出率超过95%，可帮助放射医生大幅提升肺部CT的早癌筛查能力；
深睿医疗针对多模态多病种影像分析推出了 Dr.Wise AI 辅助诊断平台和 AI 智能问诊平台；国内还有许多公司正致力于将人工智能与医学影像结合来服务于影像识别与诊断。如健培科技、医渡云、智影医疗、睿佳医影RayPlus、迪英加、拉克森等。
（六）医学影像诊断系统构建的核心技术
医学影像诊断系统构建的核心技术包括模型设计、模型构建、算法选择、服务建立四个环节。
1.模型设计
临床问题的选择，即 AI 模型设计至关重要。
第一，该模型解决的问题必须是临床医师及影像医师普遍关切的，其解决效率或准确性的提升是可以使得患者普遍受益的。
第二，模型设计需要参考相关领域最新的临床指南规范，并在现有医疗流程上对疾病诊断治疗做出贡献。
第三，必须使用足够量的数据及数据标注来进行学习，如应把学习的重点放在常见肿瘤的鉴别，而非罕见肿瘤的诊断上。因此模型设计的关键在于选择最有利于医师决策和患者受益的问题，并且所选择解决的问题还必须有大量易于获取和标注的学习数据。
2.模型构建
模型的建立包括学习数据的结构化构建，使用学习算法建立模型，最后进行模型的验证。高质量的结构化数据是学习任务的基础。
第一，数据的收集。影像数据采集设备机型繁多、参数各异、质控不同，这些都将影响 AI 的最终应用，故影像数据采集时应首先规划 AI 模型对数据参数及质量的要求，如肺结节检出使用薄层高分辨 CT 而不是厚层数据。在AI 具有应用潜力的基础上，尽可能覆盖不同厂家、参数、图像质量及疾病种类。
第二，数据标注。数据的学习标签标注应直接面向需学习的目标问题，如肺结节检出任务标注结节坐标轮廓，良恶性鉴别任务标注结节病理类型。在标注任务中尽量使用“金标准”标签，如病理、基因型、生存期等；采用影像科医师的量化知识，如病变位置、范围、良恶性评分等。数据集的质量控制非常重要，提高数据集的标注准确性可有效提高模型的准确性和鲁棒性。所以高质量结构化数据构建的关键点在于影像数据采集的质量和广泛代表性，以及数据标注的准确性。
3.算法选择
不同于传统计算机辅助诊断使用的机器视觉算法和机器学习算法，新一代AI 算法可应用更大样本数据量突破准确率的瓶颈限制，使得模型可以在临床真正高效使用。不同建模方式的选择应根据学习数据的数据量和复杂度来规划，包括：
第一，针对大量学习数据，推荐使用包括各种神经网络的深度学习作为学习器建模;
第二，针对中等量学习数据可以尝试使用深度学习建模，效果不佳时可以考虑采用神经网络提取特征，使用机器学习方法建立模型的折中方式;
第三，针对少量学习数据，推荐使用影像组学方法先进行高通量检验，提取病变范围内的影像特征，使用机器学习方法建立模型;第四，虽然只具有中等量学习数据，但有大量面对其他问题的相似模态数据，可以尝试使用迁移学习方式，将大样本数据经验应用到小样本数据学习中。
无论使用哪一种模型建立算法，对模型准确性、鲁棒性、泛化性的验证均必不可少。在训练数据集内可使用交叉验证法验证模型的稳定性;此外还需要独立的数据集验证模型的鲁棒性和泛化性，最后在临床使用中的证据将为模型在真实世界中的表现提供评估。
所以 AI 算法选择和模型建立的关键点在于面向数据和问题的算法选择和模型验证。斯坦福大学提出的 CheXNet 深度卷积神经网络模型，在利用胸部 X 线片对肺炎患者的患病情况进行判断的基础上，考虑了模型的可解释性。
该模型利用 Dense Net 深度神经网络模型对图像特征进行分析，不仅在利用胸部 X 线片作为诊断依据的情况下，精度超过人类医生的平均水平，还通过计算模型每个像素点上的各类图像特征的权值之和，衡量图像各位置在分类决策中的重要性，解释决策过程，帮助人类医生对患者病情进行理解。
卡耐基梅隆大学邢波教授近期提出一个多任务协同框架，通过引入协同注意力机制，来对异常区域进行准确定位和概括。不仅通过标签对图像内容进行描述，还利用层级长短期记忆（LSTM）模型生成长文本形式的医学影像分析报告，通过文字描述对分析结果进行描述和解释。
4. 服务建立
结合模型设计时的应用特点、临床需求和医师的工作习惯，建立合理的服务模式。
第一，当前云影像技术发展迅猛，其与 AI 技术的结合可以更好地为医疗机构、特别是基层医院提供图像传输、储存、辅助诊断的一揽子解决方案，有利于提高医疗机构的运转效率及诊断准确性。
第二，在与现有工作流程结合方面，可以与 RIS 系统结合提供 AI 结构化报告，同时与 PACS 系统结合将 AI 综合分析报告使用DICOM 格式提交给PACS 系统，并在医师浏览图像时进行病变标注提示。
总体上，虽然一项 AI医学影像具体技术的优劣取决于多个环节，但当前阶段应关注的主要问题体现在AI 技术产品的应用对象设置、服务模式以及准确性方面。良好的检查敏感性及诊断准确性是服务建立的基础。
为达到此目的，除了优秀的图像分割、识别算法以及 AI 分类算法外，更应重视构建包括数据库和知识库的高质量结构化数据集。此外，还要注重具有临床诊断应用价值且符合临床规范的 AI 技术的目的设置、符合临床医师应用习惯。
（七）AI医疗影像产业发展模式及困难
医学影像产业主要分为两个部分，上游是医学影像设备，最终服务对象是医院及影像科医生，以机器或系统的销售收入作为统计口径，壁垒是包括研发积累、精密制造水平及配套服务。
下游为医学影像诊断服务，最终服务对象是患者，以诊断服务收入作为统计口径，在影像设备产出图像的基础上附加医生的劳动成本，诊断服务环节最重要的因素是专业而可靠的诊断结论。
大多医疗影像人工智能在医院依然是试用阶段，其可能的主要应用方式可以分为：直接单独作为软件给医疗机构；与信息化系统集成后给医疗机构；与医疗器械合作同硬件一起提供给医疗机构；通过远程医疗提供给基层医疗机构；通过互联网医疗的方式直接提供给患者。在直接提供给医疗机构的模式中，大量未接云端的系统和医院局域网的限制都有可能影响影像人工智能系统的使用。
与此同时医学影像人工智能对于临床一线的影像医生诊断过程中起到的实际帮助作用，以及流程优化仍需要进行大量的实践和探索。目前我国的医学影像诊断市场的收费模式是拍片收费、阅片免费。但随着医学影像人工智能平台的兴起与发展，将促使影像诊断服务市场不再免费，有望逐步形成新的细分市场。
如（1）采用基层卫生检查+医院诊断模式；
（2）分区域建立独立的医学影像中心或区域检验检查中心；
（3）建立远程医疗服务集成云平台，集成远程会诊、远程影像、远程病理、远程心电等。
目前主流人工智能企业的产品，例如乳腺X射线影像计算机辅助诊断软件、结肠计算机辅助诊断软件、肺部计算机辅助诊断软件、乳腺超声辅助诊断软件可归为决策支持软件中的计算机辅助诊断/分析软件类别，同样属于Ⅲ类管理类别。但是针对人工智能软件产品的准入标准，评估办法都还处于空白阶段。这也成了限制相关企业实现产品变现优化的主要瓶颈。
（1）基于概率分析的关联推理无法判断疾病的因果关系AI深度学习最主要的特征是基于数据学习的概率分析，其结果是能够进行有效的诊断和预测，因此深度学习在影像疾病筛查诊断中表现出彩。然而AI的发展过分强调“概率关联”，但是疾病对于人来说永远都有未知的领域，如何能够基于已有的医学知识，将数据和知识这两种模型结合起来，这才是医学影像人工智能在医疗领域向更深层次的治疗与干预层面应用的关键。
（2）数据资源体量虽大，质量却不高且不能互联互通整个医疗影像从生成到用于诊断，涉及产业链的不同环节：医学影像成像设备、医学影像信息化系统、独立医学影像中心、线上医学影像平台、医学影像智能诊断。虽然前四个环 节积累了大量数据，为人工智能分析奠定了基础，但是质量却不高，且各大医院也不能互联互通。且拥有大量数字化影像数据的三甲医院的数据开放也是一个很大问题。
（3）影像数据标准化程度低除了医疗影像标准化、结构化数据严重不足外，数据标注尤其困难。
目前国内医疗影像质控缺乏完整统一的标准和切实可行的手段。在解读影像资料时，不仅要针对图像进行分析，还要进行多模态融合，结合患者多种信息，如临床信息、随访病历信息等，同时，还需进行历史回顾性分析，即需要时间维度的数据。为此，依图科技公司做出尝试，与中华医学会影像技术分会合作，将推出AI医疗影像质控系统，在全国展开质控标准项目研究。
（4）数据标注难度大医学影像人工智能的训练需要大量已经标注好的影像数据，而标注需要花掉大量的人力成本，且对训练结果产生直接影响。
临床医学很多问题的定义依然是模糊的，一些问题定义的不明确使得标注产生难度，甚至对于一些问题，不同的专家标注的结果可能会产生很大差别。与此同时，医学的复杂性造成标注只能局限于限定的领域，疾病的筛查都专注于一两个领域，造成能够解决的问题也有限。
（5）医疗资源的供给和需求极度不平衡在供给侧技术端，医疗影像在数量、种类上急剧增加，连自动化医疗影像也面临生物结构多样性，以及技术缺陷导致的低对比度和噪声等问题，因此，影像学或影像科专家门诊、网络专家会诊等模式不可或缺；除此之外，医患矛盾突出、从医环境不佳、医疗资源浪费、医疗成本高等也是阻碍因素。
因此，AI技术创新是解决固有存量和新增量的有效出路，医学影像与AI结合具有天然的基础和必要性。虽然医学影像专业与其他领域一样，传统的方法和意识形态均面临深层次的挑战。
随着人工智能的发展及其在医学领域的逐渐普及和应用，两者的互相融合在未来必定成为医学发展的重要方向。
