刘士远表示，未来的放射科，需要对AI厂商的产品进行整合，使不同AI产品都可以融入到工作流程当中，输出图文结合的多媒体结构化报告，让放射科形成统一的AI生态系统。年，陆续拿到“准生证”的医学影像AI企业，会不会再迎来自己的爆发之年？近日，中华医学会放射学分会候任主任委员、中国医学影像AI产学研用创新联盟理事长、医院影像医学与核医学科主任刘士远教授，在《医健AI掘金志》联合主办的「鲸犀产业数字峰会」上，分享了“医疗影像AI的展望”。鲸犀产业数字峰会，是由业内最顶尖的企业家、工程领袖、CIO、解决方案专家、投资家，联合发起的数字化系列论坛。致力于将全新的数字化管理思维和实践案例，推向传统产业界、AI界、互联网界、投资界、经济学界。在演讲中，刘士远教授简要剖析了医学影像的发展现状，并从疾病应用场景角度，对八个医学影像AI应用方向进行了深入分析。无论是从临床应用前景，还是产品获批角度，AI在医学影像的创新已经成为一种不可逆转的趋势。而不同的医疗智能化方向，也使AI技术进一步拓展，形成多样化、多任务的深度学习模型。刘士远教授表示，未来的放射科，需要对AI厂商的产品进行整合，使不同的AI产品都可以融入到工作流程当中，输出图文结合的多媒体结构化报告，让放射科形成统一的AI生态系统。以下为刘士远教授的演讲全文，雷锋网《医健AI掘金志》做了不改变原意的编辑：大家好，我演讲的题目是“医学影像人工智能产品研发现状与应用实践”。目前，医学影像人工智能产品大概分为两大类：第一、优化现有工作流程，包括前台预约、技师扫描、图像后处理、诊断报告发放、检查质控，以及治疗决策和疗效评价等。第二、以疾病为中心的人工智能诊断模型，包括神经疾病、胸部疾病、心血管疾病、骨关节、乳腺等各方面应用。临床工作流优化的四大AI场景1、低剂量影像重建目前最多应用就是图像重建，尤其是低剂量扫描，AI可以在减低剂量的同时保证图像质量。以全迭代模型重建为例，原来速度较慢，而基于深度学习模型，不仅可以加快重建速度，还能够达到和全迭代重建相同的图像质量。目前，大多数设备厂商已经采用AI重建方法。从右图看到，低剂量扫描噪声很大，通过深度学习方法，重建的图像，基本消除噪声，使磨玻璃结节也可以清晰显示。2.无接触式影像扫描用深度学习可以增加设备自动扫描功能，从而实现对现有DR、CT设备的无接触影像扫描。这个功能在目前新冠疫情的要求下，特别有助于减少医护人员接触，降低感染几率,在过去武汉疫情方舱CT疑似病人扫描，发挥了巨大作用。、推动数据标准化用深度学习对图像质量进行评价，可以实现拍片质量的自动质控。例如，模型可以检测位置是否摆正、肩胛骨是否拉开、是否有体外异物。这些判断可以及时提醒技师重拍，避免病人的不必要往返，从而实现对图像进行回顾性地评价，达到对不同技师质控管理，也可针对不同部位进行回顾性分析。医院为例，他们利用DR近1万例病人进行图像质量评估，总结出不合格胸片当中。62%是由于肩胛骨覆盖造成，18%是异物重叠，12%是由于锁骨重叠以及耸肩，另外6%则属于体位不正，这些都可以在年轻技师培训过程中予以重点
