2020年2月，美國FDA批准Capture Health開發的人工智能超聲影像輔助系統，給超聲影像應用帶來了突破。近年來，中國一些企業也在布局AI超聲領域，試圖利用AI來輔助超聲診斷。然而，截至目前，相比其他AI醫學影像賽道，AI超聲賽道的競爭遠不如想象中的激烈。
“在AI影像行業發展中，AI超聲起步晚，發展緩慢，商業化落地艱難，制約AI超聲發展的痛點是，與臨床的需求並不匹配，其中之一是難以實現實時診斷能功能。”中山大學附屬第一醫院婦產超聲科教授、主任醫師謝紅寧對第一財經記者表示，CT、核磁、X光等放射科影像的采集與診斷是分開的，采集可以由技師來完成，閱片則由放射科醫生完成，後者可以通過判斷靜態圖像進行診斷，但超聲診斷的難點在於圖像采集與閱片需要同時完成，需要超聲醫生手、眼、腦的同時配合，采集到不同切面的動態圖像並進行實時診斷。要輔助超聲醫生可以實時診斷的話，AI超聲開發的難度很大。
“如在乳腺癌篩查領域，大部分的AI超聲產品，需要醫生先掃描找到腫塊圖像，將其抓取成靜態圖，再由AI系統來判別是良性還是惡性。這種模式下，萬一醫生看不到這個腫塊時，就會產生漏診風險。”中國超聲醫學工程學會副會長、廣東省超聲醫學工程學會會長、教授李安華對第一財經記者說。
對於超聲醫生而言，如果還要靠他們來抓取靜態圖，再交給AI系統判斷，不僅不能提高工作效率，反而會增加工作負擔，而本身超聲診斷工作就已足夠繁瑣。
目前的AI超聲除了缺乏實時診斷能力外，立體結構識別能力也存在短板。“超聲醫生在掃描圖像過程中，是需要建立立體思維能力的，需要在腦中建立立體結構來進行判斷，但目前多數的AI超聲系統尚未實現立體結構識別能力。”謝紅寧說。
在李安華看來，之所以AI超聲與臨床應用存在著很大的脫節，一方面跟復合型人才稀缺有關，開發AI超聲產品的主要以工程師為主，並不具備臨床實踐經驗，無法很好地領悟到臨床的真正需求；另外一方面也受算法框架的限制。“算法框架與AI分析產品的準確度和實時性是強相關的，而現在國內幾乎所有的AI公司使用的都是開源算法，各家公司的算法效能仍要取決於對開源算法重新編譯的質量如何，而重新編譯工作，本身挑戰就很大。” |
