醫學影像產業主要分為兩個部分， 上游是影像設備， 包括零部件廠商、整機廠商、配套軟體， 最終服務物件是醫院及影像科醫生，
下游為影像診斷， 包括醫生、影像中心、影像耗材、遠端診斷服務等， 在影像設備產出圖像的基礎上附加醫生的勞動成本， 最終服務物件是患者， 以診斷收入作為統計口徑， 診斷環節最重要的因素是專業而可靠的診斷結論。
全球的醫療影像設備市場被少數巨頭佔據， 老牌醫學影像設備公司佔據了超過 90%的市場份額， 尤其是排在前三位的西門子、通用電氣和飛利浦。
在國內的數位醫療影像市場， 跨國企業佔據了 75%以上的市場份額， 前三大廠商在中高端市場的份額甚至超過 80%。 在基層市場， 國產設備有著較為明顯的價格優勢， 市場佔有率較高， 分級診療帶來的基層需求釋放及協力廠商影像中心的推進也將對以基層市場為主的國產設備廠商帶來新增量空間。
另一方面， 隨著研發積累和多領域持續的技術進步， 國產設備廠商的競爭力也有了較大的提升， 在中高端設備上開始發力，
分級診療和協力廠商影像中心建設驅動醫學影像需求釋放
1、分級診療打開基層醫學影像市場空間
政策主導需求下沉， 基層診療市場將迎來新的增量空間。
2015 年 9 月， 國務院辦公廳印發《關於推進分級診療制度建設的指導意見》,提出分級診療試點工作考核評價標準，
根據《2016 年衛生與計劃生育統計年鑒》顯示， 2015 年全國基層醫療機構診療量為 43.4 億人次， 占總診療量 56.4%， 次均門診費用為 97.7 元。
據動脈網蛋殼研究院估計， 如果基層診療量占總診療量比例達到65%， 假定次均門診費用維持 2015 年 97.7 元不變， 則基層醫療門診全年費用將達到 4887 億元。 如果將基層醫療機構產生的住院費用計算在內， 帶來的增量市場則更大。 本文完整報告下載， 請在PC端訪問樂晴智庫網站 www.767stock.com
醫改持續推進， 分級診療進入落地階段。 所謂分級診療制度,就是要按照疾病的輕、重、緩、急及治療的難易程度進行分級， 不同級別的醫療機構承擔不同疾病、不同病情患者的治療， 實現基層首診和雙向轉診， 基層醫療的發展機會， 將得益於我國對分級診療的持續推進。
從基層醫療領域相關政策來看， 分級診療已不是僅僅停留在規劃和頂層設計中， 多個方面都開始進入到了實質性的階段。
受益於分級診療政策紅利，基層醫學影像市場有望實現快速發展。
基層醫療機構對大型醫學影像設備，無論是數量還是品質都無法和大型醫院媲美，如不少貧困縣區至今依舊使用最初級的雙排 CT 設備。
2015 年 9 月，《國務院辦公廳關於推進分級診斷制度建設的指導意見》提出，整合區域醫療資源，設立協力廠商獨立的檢驗實驗室、醫學影像中心、血液淨化中心等機構，彌補基層醫療機構資源稀缺，推進同級醫療機構間以及醫療機構與獨立檢查機構間的結果互認；
同時鼓勵二、三級醫院向基層醫療衛生機構提供遠端會診、遠端病理診斷、遠端影像診斷、遠端心電圖診斷、遠端培訓等服務，鼓勵有條件的地方探索“基層檢查、上級診斷”的有效模式。
分級診療的快速推進以及社會辦醫的持續扶持，都將直接推動基層及民營醫院醫學影像診斷水準的提升，打開基層醫學影像市場更大成長空間。
2、協力廠商影像市場方興未艾，驅動醫學影像需求快速釋放
協力廠商影像中心是獨立於醫院的影像診斷中心，可以有效彌補大醫院影像診斷供不應求、小醫院及私人診所無力提供影響診斷服務的弊端。
從美國來看，截至 2013 年，美國有近 7000 家的醫學影像中心，其中協力廠商影像中心 2421家，占比 35%(美國影像中心分為醫院的醫學影像科、醫院與影像機構合資合作建立的影像中心以及協力廠商影像中心三種)。
其中排名第一的協力廠商影像中心 RadNet 公司，其影像中心目前數量已達 300 家，年診斷數超 600 萬人次，且還在不斷增長，顯示出協力廠商影像行業巨大的發展潛力。
國內醫學影像資源匱乏，且存在結構性失衡，催生協力廠商影像中心發展機遇。
大型公立醫院新增大型醫用設備受到政策限制，分級診療是現階段醫改的戰略性大方向，影像檢車在疾病診斷中發揮著補課替代的中庸，而基層醫療機構影像設備配置落後，“大病不出縣”缺乏配套支撐，此外，日益壯大中產人群對醫療服務品質提出了更高要求，通過協力廠商提供高品質的服務是推動分級診療的重要手段。
在此背景下，協力廠商獨立影像中心、體檢中心等多種形式的醫療服務模式有望迎來更大的發展機遇。
政策限制放開與國家標準的出臺為協力廠商影像中心的發展奠定堅實基礎。
2016 年 8 月，國家衛生計生委印發《醫學影像診斷中心基本標準和管理規範》，鼓勵形成連鎖化、集團化，建立規範化、標準化的管理與服務模式，推進醫療機構與醫學影像診斷中心間檢查結果互認。
2016 年 10 月 25 日，中共中央、國務院印發《“健康中國 2030”規劃綱要》,提出要引導發展專業的醫學檢驗中心、醫學影像中心、病理診斷中心和血液透析中心等。2017 年 1 月國家衛計委頒佈的《關於醫學影像診斷中心等獨立設置醫療機構基本標準和管理規範解讀》明確醫學影像、檢驗、血液淨化、病理中心作為獨立醫療機構勢在必行。
國家政策由限制變為鼓勵，且細節持續出臺，協力廠商醫學影像診斷中心迎來發展機遇期。
在醫療改革、政策限制放開等利好因素的驅動下，協力廠商醫學影像中心有望迎來快速發展期，我國基礎醫學影像市場需求將得到快速釋放，特別是中西部地區的需求潛力更大。
醫學影像診斷痛點頗多，“AI+醫學影像”有望破冰行業難點
1、醫學影像醫生缺口大，誤診率高、效率低，服務模式亟待創新
分級診療推進、基層需求釋放帶來醫學影像需求更快增長，放療科/病理科醫生缺口大，特別是具有豐富臨床經驗的醫生十分短缺。
1) 放射科:據動脈網蛋殼研究院的資料，美國的醫學影像資料年增長率達到了 63.1%，中國增速也達到了 30%。
美國和中國放射科醫生的年增長率分別僅僅只有 2.2%和 4.1%，遠遠低於影像資料的增長，需求缺口不斷加大。
2) 病理科:在中國大概平均七萬人才有一位病理醫生，而在美國是平均兩千人一位病理醫生。
如果要達到美國的水準，按照中國現在培養病理醫生的速度大概要 200 年。醫生數量的不足導致放療科和病理科醫生的工作量繁重，超負荷工作也會導致誤診率和漏診率提高。
醫學影像分析工作繁瑣重複，極度消耗精力。
根據醫學影像分析工作繁瑣重複，工作量巨大，極度消耗醫生精力。以肺結節檢測為例，一家三甲醫院平均每天接待 200 例左右的肺結節篩查患者，每位患者在檢查環節會產生 200-300 張左右的 CT 影像，放射科醫生每天至少需要閱讀 4 萬張影像，任務繁重，大量消耗精力，導致誤診漏診率上升。
我國醫學影像資訊化程度偏低，影像診斷能力仍有著較大的提升需求，拍片和閱片分離有助於更快提升影像診斷水準，同時給佈局新技術的影像平臺帶來更多發展機遇。
我國正逐漸向電子資訊化邁進，但由於中國資訊化建設較晚，醫學影像資料共用度仍較低。
CHIMA 資料顯示，2015 年我國醫院 PACS 系統(醫學影像存檔與通信系統)建設水準 50%-60%，而美國達到了近 100%的水準。
此外，我國影像醫生教育、總體專業水準都仍有較大的提升需求。
另一方面，我國目前影像診斷的拍片和閱片環節基本沒有分離，影像檢查費很難體現影像醫生專業價值，隨著資訊化水準提升、分級診療推進，協力廠商影像中心發展，拍片和閱片有望逐步分離，更加充分利用影像診斷醫生專業能力，也給佈局人工智慧新技術的影像平臺帶來較大的發展機會，從而促進影像診斷整體水準的更快提升。
我們專業人員的不足及繁重的工作都是導致誤診率偏高的部分原因。從影像誤診人數來看，美國每年的誤診人數達到了 1200 萬，中國每年誤診人數高達 5700 萬/年。
根據中國醫學會的一份誤診資料資料顯示，中國臨床醫療總誤診率為 27.8%，其中惡性腫瘤平均誤診率為 40%，器官異位誤診率為 60%，如鼻咽癌、白血病、胰腺癌等，肝結核、胃結核等肺外結核的平均誤診率也在 40%以上，這些誤診主要發生在基層醫療機構。
2、“AI+醫學影像”直指行業痛點，將逐步進入快速發展階段
人工智慧在圖像識別領域的持續快速發展為醫學影像診斷痛點帶來曙光。
“AI+醫學影像”，是將人工智慧在圖像識別領域不斷取得的前沿性突破技術，應用在醫學影像領域，從而達到提高診斷效率和準確率的目的。
人工智慧主要應用在醫學影像的診斷環節，可以分為兩個階段:
一是利用圖像識別技術對患者的影像進行識別，標注病灶關鍵資訊，給出初步診斷結果，助力影像醫生診斷效率的大幅提升;
二是基於深度學習不斷優化，通過大量已有的影像資料和臨床診斷資訊訓練人工智慧系統，使其具備獨立診斷疾病的能力，在目前診療體系的基礎上進一步降低複雜疾病的誤診率，從而帶來醫學影像總體診斷水準的提升。
“醫學影像”應用場景下，主要運用人工智慧技術解決以下三種需求:
1) 病灶識別與標注:針對醫學影像進行圖像分割、特徵提取、定量分析、對比分析等工作;
2) 靶區自動勾畫與自我調整放療:針對腫瘤放療環節的影像進行處理;
3) 影像三維重建:在人工智慧進行識別的基礎上進行三維重建，針對手術環節的應用。
目前在這幾個領域都有一些創業公司參與，而定位于病灶區識別與標注領域的公司最多。
人工智慧和醫學影像的結合，能夠為醫生閱片和勾畫提供輔助和參考，大大節約醫生時間，提高診斷、放療及手術的精度。
1) 病灶篩查: 針對 X 線、CT、核磁共振等醫學影像的病灶自動識別與標注系統，大幅提升影像醫生診斷效率，同時可以幫助醫生發現難以用肉眼發現和判斷的早期病灶，降低假陰性診斷結果的發生概率;目前系統對十萬張以上的影像進行處理，用時僅數秒之間。
2) 靶區自動勾畫: 靶區自動勾畫及自我調整放療產品説明放療科醫生對200-450 張 CT 片進行自動勾畫，時間大大縮短到 30 分鐘一套;在患者 15-20 次上機照射過程中間不斷識別病灶位置變化以達到自我調整放療，有效減少射線對病人健康組織的傷害。
3) 影像三維重建:基於灰度統計量的配准演算法和基於特徵點的配准演算法，解決斷層圖像配准問題，節省配準時間，提高配准效率。
相對于傳統模式，AI 閱片可大幅提升效率、降低微小病灶的遺漏、提高準確率，而且通過 AI 完成初篩及診斷，由人工完成確定，不僅能保證更高的診斷品質，也帶來成本大幅下降。
患者、醫師和醫院均將受益於人工智慧在醫學影像領域的應用。
對於患者來說，“AI+醫學影像”將説明其更快速地完成健康檢查，包括 X 光、B 超、核磁共振等，並能夠獲得更加可靠的診斷結果。對於放射科醫師來說，人工智慧技術的應用將減少其讀片的時間，大幅提高效率，並降低誤診可能性。
對於醫院來說，可以實現雲平臺支持，系統性地降低醫院成本，特別是對於基層醫院，提供的影像診療品質較低或者不能提供，現在通過較高水準的影像服務有助於整體診療水準的大幅提升。
目前“AI+醫學影像”已逐步走出實驗室，技術日趨成熟，診斷準確度、速度和覆蓋病種不斷實現突破，有望較快進入高效可用階段。
2017 年以來，部分 AI 系統的準確度和判斷速度都超越了傳統醫生，貝斯以色列女執事醫學中心(BIDMC)與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到 92%，與病理學家的分析結合在一起時，它的診斷準確率可以高達 99.5%，國內的 DeepCare 對於乳腺癌細胞識別的準確率也達到了 92.5%。
騰訊“覓影”醫學影像系統對早期食管癌的發現準確率高達 90%。
目前人工智慧在醫學影像領域的診斷準確度已在 90%以上，已覆蓋乳腺癌、皮膚癌、食道癌、肺結節等許多病種，未來人工智慧診斷的更多病種突破及準確率的提升，疊加醫學影像雲平臺和協力廠商影像中心的迅速發展壯大，“AI+醫學影像”有望成為影像診斷的重要解決方案，在醫院、協力廠商檢驗中心、協力廠商影像中心快速滲透。
“AI+醫學影像”前景廣闊，百億市場待掘金
美國醫療影像診斷市場相對成熟，2018 年市場空間或超過百億美元。
據 Frost&Sullivan 資料，2009 年至 2015 年美國醫學影像診斷市場從 46.6 億美元增長到 87.1 億美元，預計到 2018 年市場規模將超過百億美元，十年的複合增長率高達 10%，遠高於同期 GDP 增速，其中 60%的市場貢獻來自於醫療機構，剩餘 40%的市場貢獻來自於協力廠商獨立影像中心。百度搜索“樂晴智庫”，獲得更多行業深度研究報告
隨著影像資訊化的發展、以及收費模式的創新，我國醫學影像診斷市場有望保持較快增長。
一方面，我國影像資訊化建設較晚且尚未完成，目前影像資料共用程度低，大量基層醫院不能有效支援遠端會診、轉診、影像資料開發應用等，影像資訊化處在高速發展階段，影像雲平臺模式的崛起使得資訊化更快推進，為基層醫院提供理想的影像資料共用解決方案，並帶來遠端診斷市場的更快發展。
另一方面，目前我國的醫學影像診斷市場的收費模式是拍片收費、閱片免費，遠端影像診斷平臺的興起與發展將促使影像診斷服務市場不再免費，有有望逐步形成新的細分市場。
此外，協力廠商影像步入高速發展階段，這一新增領域將帶來診斷市場進一步擴容。
人工智慧在醫學影像領域的滲透率將逐步提升。
從商業模式及技術層面來看，我們認為人工智慧在醫學影像領域的較快落地可能性較大。從市場需求層面來看，影像科醫生供不應求，醫生水準參差不齊，基層醫院尤其突出，誤診、漏診率很高。
而且影像科醫生工作量大，屬於高強度的重複性勞動，是非常合適的人工智慧應用場景。從技術層面來看，人工智慧技術在醫學影像的應用屬於靜態圖像識別，靜態圖像識別是人工智慧細分領域進步最快的細分領域之一，技術正不斷快速突破;
目前 AI 醫學影像在多個疾病領域，其準確率已達到甚至超過專家水準，並且診斷效率大幅高於人工。在技術和市場需求的雙重驅動下，人工智慧在醫學影像領域的應用有望較快落地。
我國智慧醫療影像診斷市場潛在空間較大。
據中國報告大廳資料，影像檢查收入占醫院總收入超過 10%。2015 年我國醫療衛生總支出突破 4 萬億元，其中醫學影像支出約 4000 億元，據《醫療影像的市場圖譜和行業發展分析》，到 2020 年，我國醫學影像市場規模將達 6000 億至 8000 億左右。獲取本文完整報告請百度搜索“樂晴智庫”。
按 7000 測算，假設診斷環節占比 20%左右，對應 2020 年的醫學影像診斷市場規模為 1400 億，假設人工智慧滲透達到 20%，相應的潛在市場空間即有 280 億元。
點擊下方連結，獲得更多行業深度研究報告
受益於分級診療政策紅利，基層醫學影像市場有望實現快速發展。
基層醫療機構對大型醫學影像設備，無論是數量還是品質都無法和大型醫院媲美，如不少貧困縣區至今依舊使用最初級的雙排 CT 設備。
2015 年 9 月，《國務院辦公廳關於推進分級診斷制度建設的指導意見》提出，整合區域醫療資源，設立協力廠商獨立的檢驗實驗室、醫學影像中心、血液淨化中心等機構，彌補基層醫療機構資源稀缺，推進同級醫療機構間以及醫療機構與獨立檢查機構間的結果互認；
同時鼓勵二、三級醫院向基層醫療衛生機構提供遠端會診、遠端病理診斷、遠端影像診斷、遠端心電圖診斷、遠端培訓等服務，鼓勵有條件的地方探索“基層檢查、上級診斷”的有效模式。
分級診療的快速推進以及社會辦醫的持續扶持，都將直接推動基層及民營醫院醫學影像診斷水準的提升，打開基層醫學影像市場更大成長空間。
2、協力廠商影像市場方興未艾，驅動醫學影像需求快速釋放
協力廠商影像中心是獨立於醫院的影像診斷中心，可以有效彌補大醫院影像診斷供不應求、小醫院及私人診所無力提供影響診斷服務的弊端。
從美國來看，截至 2013 年，美國有近 7000 家的醫學影像中心，其中協力廠商影像中心 2421家，占比 35%(美國影像中心分為醫院的醫學影像科、醫院與影像機構合資合作建立的影像中心以及協力廠商影像中心三種)。
其中排名第一的協力廠商影像中心 RadNet 公司，其影像中心目前數量已達 300 家，年診斷數超 600 萬人次，且還在不斷增長，顯示出協力廠商影像行業巨大的發展潛力。
國內醫學影像資源匱乏，且存在結構性失衡，催生協力廠商影像中心發展機遇。
大型公立醫院新增大型醫用設備受到政策限制，分級診療是現階段醫改的戰略性大方向，影像檢車在疾病診斷中發揮著補課替代的中庸，而基層醫療機構影像設備配置落後，“大病不出縣”缺乏配套支撐，此外，日益壯大中產人群對醫療服務品質提出了更高要求，通過協力廠商提供高品質的服務是推動分級診療的重要手段。
在此背景下，協力廠商獨立影像中心、體檢中心等多種形式的醫療服務模式有望迎來更大的發展機遇。
政策限制放開與國家標準的出臺為協力廠商影像中心的發展奠定堅實基礎。
2016 年 8 月，國家衛生計生委印發《醫學影像診斷中心基本標準和管理規範》，鼓勵形成連鎖化、集團化，建立規範化、標準化的管理與服務模式，推進醫療機構與醫學影像診斷中心間檢查結果互認。
2016 年 10 月 25 日，中共中央、國務院印發《“健康中國 2030”規劃綱要》,提出要引導發展專業的醫學檢驗中心、醫學影像中心、病理診斷中心和血液透析中心等。2017 年 1 月國家衛計委頒佈的《關於醫學影像診斷中心等獨立設置醫療機構基本標準和管理規範解讀》明確醫學影像、檢驗、血液淨化、病理中心作為獨立醫療機構勢在必行。
國家政策由限制變為鼓勵，且細節持續出臺，協力廠商醫學影像診斷中心迎來發展機遇期。
在醫療改革、政策限制放開等利好因素的驅動下，協力廠商醫學影像中心有望迎來快速發展期，我國基礎醫學影像市場需求將得到快速釋放，特別是中西部地區的需求潛力更大。
醫學影像診斷痛點頗多，“AI+醫學影像”有望破冰行業難點
1、醫學影像醫生缺口大，誤診率高、效率低，服務模式亟待創新
分級診療推進、基層需求釋放帶來醫學影像需求更快增長，放療科/病理科醫生缺口大，特別是具有豐富臨床經驗的醫生十分短缺。
1) 放射科:據動脈網蛋殼研究院的資料，美國的醫學影像資料年增長率達到了 63.1%，中國增速也達到了 30%。
美國和中國放射科醫生的年增長率分別僅僅只有 2.2%和 4.1%，遠遠低於影像資料的增長，需求缺口不斷加大。
2) 病理科:在中國大概平均七萬人才有一位病理醫生，而在美國是平均兩千人一位病理醫生。
如果要達到美國的水準，按照中國現在培養病理醫生的速度大概要 200 年。醫生數量的不足導致放療科和病理科醫生的工作量繁重，超負荷工作也會導致誤診率和漏診率提高。
醫學影像分析工作繁瑣重複，極度消耗精力。
根據醫學影像分析工作繁瑣重複，工作量巨大，極度消耗醫生精力。以肺結節檢測為例，一家三甲醫院平均每天接待 200 例左右的肺結節篩查患者，每位患者在檢查環節會產生 200-300 張左右的 CT 影像，放射科醫生每天至少需要閱讀 4 萬張影像，任務繁重，大量消耗精力，導致誤診漏診率上升。
我國醫學影像資訊化程度偏低，影像診斷能力仍有著較大的提升需求，拍片和閱片分離有助於更快提升影像診斷水準，同時給佈局新技術的影像平臺帶來更多發展機遇。
我國正逐漸向電子資訊化邁進，但由於中國資訊化建設較晚，醫學影像資料共用度仍較低。
CHIMA 資料顯示，2015 年我國醫院 PACS 系統(醫學影像存檔與通信系統)建設水準 50%-60%，而美國達到了近 100%的水準。
此外，我國影像醫生教育、總體專業水準都仍有較大的提升需求。
另一方面，我國目前影像診斷的拍片和閱片環節基本沒有分離，影像檢查費很難體現影像醫生專業價值，隨著資訊化水準提升、分級診療推進，協力廠商影像中心發展，拍片和閱片有望逐步分離，更加充分利用影像診斷醫生專業能力，也給佈局人工智慧新技術的影像平臺帶來較大的發展機會，從而促進影像診斷整體水準的更快提升。
我們專業人員的不足及繁重的工作都是導致誤診率偏高的部分原因。從影像誤診人數來看，美國每年的誤診人數達到了 1200 萬，中國每年誤診人數高達 5700 萬/年。
根據中國醫學會的一份誤診資料資料顯示，中國臨床醫療總誤診率為 27.8%，其中惡性腫瘤平均誤診率為 40%，器官異位誤診率為 60%，如鼻咽癌、白血病、胰腺癌等，肝結核、胃結核等肺外結核的平均誤診率也在 40%以上，這些誤診主要發生在基層醫療機構。
2、“AI+醫學影像”直指行業痛點，將逐步進入快速發展階段
人工智慧在圖像識別領域的持續快速發展為醫學影像診斷痛點帶來曙光。
“AI+醫學影像”，是將人工智慧在圖像識別領域不斷取得的前沿性突破技術，應用在醫學影像領域，從而達到提高診斷效率和準確率的目的。
人工智慧主要應用在醫學影像的診斷環節，可以分為兩個階段:
一是利用圖像識別技術對患者的影像進行識別，標注病灶關鍵資訊，給出初步診斷結果，助力影像醫生診斷效率的大幅提升;
二是基於深度學習不斷優化，通過大量已有的影像資料和臨床診斷資訊訓練人工智慧系統，使其具備獨立診斷疾病的能力，在目前診療體系的基礎上進一步降低複雜疾病的誤診率，從而帶來醫學影像總體診斷水準的提升。
“醫學影像”應用場景下，主要運用人工智慧技術解決以下三種需求:
1) 病灶識別與標注:針對醫學影像進行圖像分割、特徵提取、定量分析、對比分析等工作;
2) 靶區自動勾畫與自我調整放療:針對腫瘤放療環節的影像進行處理;
3) 影像三維重建:在人工智慧進行識別的基礎上進行三維重建，針對手術環節的應用。
目前在這幾個領域都有一些創業公司參與，而定位于病灶區識別與標注領域的公司最多。
人工智慧和醫學影像的結合，能夠為醫生閱片和勾畫提供輔助和參考，大大節約醫生時間，提高診斷、放療及手術的精度。
1) 病灶篩查: 針對 X 線、CT、核磁共振等醫學影像的病灶自動識別與標注系統，大幅提升影像醫生診斷效率，同時可以幫助醫生發現難以用肉眼發現和判斷的早期病灶，降低假陰性診斷結果的發生概率;目前系統對十萬張以上的影像進行處理，用時僅數秒之間。
2) 靶區自動勾畫: 靶區自動勾畫及自我調整放療產品説明放療科醫生對200-450 張 CT 片進行自動勾畫，時間大大縮短到 30 分鐘一套;在患者 15-20 次上機照射過程中間不斷識別病灶位置變化以達到自我調整放療，有效減少射線對病人健康組織的傷害。
3) 影像三維重建:基於灰度統計量的配准演算法和基於特徵點的配准演算法，解決斷層圖像配准問題，節省配準時間，提高配准效率。
相對于傳統模式，AI 閱片可大幅提升效率、降低微小病灶的遺漏、提高準確率，而且通過 AI 完成初篩及診斷，由人工完成確定，不僅能保證更高的診斷品質，也帶來成本大幅下降。
患者、醫師和醫院均將受益於人工智慧在醫學影像領域的應用。
對於患者來說，“AI+醫學影像”將説明其更快速地完成健康檢查，包括 X 光、B 超、核磁共振等，並能夠獲得更加可靠的診斷結果。對於放射科醫師來說，人工智慧技術的應用將減少其讀片的時間，大幅提高效率，並降低誤診可能性。
對於醫院來說，可以實現雲平臺支持，系統性地降低醫院成本，特別是對於基層醫院，提供的影像診療品質較低或者不能提供，現在通過較高水準的影像服務有助於整體診療水準的大幅提升。
目前“AI+醫學影像”已逐步走出實驗室，技術日趨成熟，診斷準確度、速度和覆蓋病種不斷實現突破，有望較快進入高效可用階段。
2017 年以來，部分 AI 系統的準確度和判斷速度都超越了傳統醫生，貝斯以色列女執事醫學中心(BIDMC)與哈佛醫學院合作研發的人工智慧系統，對乳腺癌病理圖片中癌細胞的識別準確率能達到 92%，與病理學家的分析結合在一起時，它的診斷準確率可以高達 99.5%，國內的 DeepCare 對於乳腺癌細胞識別的準確率也達到了 92.5%。
騰訊“覓影”醫學影像系統對早期食管癌的發現準確率高達 90%。
目前人工智慧在醫學影像領域的診斷準確度已在 90%以上，已覆蓋乳腺癌、皮膚癌、食道癌、肺結節等許多病種，未來人工智慧診斷的更多病種突破及準確率的提升，疊加醫學影像雲平臺和協力廠商影像中心的迅速發展壯大，“AI+醫學影像”有望成為影像診斷的重要解決方案，在醫院、協力廠商檢驗中心、協力廠商影像中心快速滲透。
“AI+醫學影像”前景廣闊，百億市場待掘金
美國醫療影像診斷市場相對成熟，2018 年市場空間或超過百億美元。
據 Frost&Sullivan 資料，2009 年至 2015 年美國醫學影像診斷市場從 46.6 億美元增長到 87.1 億美元，預計到 2018 年市場規模將超過百億美元，十年的複合增長率高達 10%，遠高於同期 GDP 增速，其中 60%的市場貢獻來自於醫療機構，剩餘 40%的市場貢獻來自於協力廠商獨立影像中心。百度搜索“樂晴智庫”，獲得更多行業深度研究報告
隨著影像資訊化的發展、以及收費模式的創新，我國醫學影像診斷市場有望保持較快增長。
一方面，我國影像資訊化建設較晚且尚未完成，目前影像資料共用程度低，大量基層醫院不能有效支援遠端會診、轉診、影像資料開發應用等，影像資訊化處在高速發展階段，影像雲平臺模式的崛起使得資訊化更快推進，為基層醫院提供理想的影像資料共用解決方案，並帶來遠端診斷市場的更快發展。
另一方面，目前我國的醫學影像診斷市場的收費模式是拍片收費、閱片免費，遠端影像診斷平臺的興起與發展將促使影像診斷服務市場不再免費，有有望逐步形成新的細分市場。
此外，協力廠商影像步入高速發展階段，這一新增領域將帶來診斷市場進一步擴容。
人工智慧在醫學影像領域的滲透率將逐步提升。
從商業模式及技術層面來看，我們認為人工智慧在醫學影像領域的較快落地可能性較大。從市場需求層面來看，影像科醫生供不應求，醫生水準參差不齊，基層醫院尤其突出，誤診、漏診率很高。
而且影像科醫生工作量大，屬於高強度的重複性勞動，是非常合適的人工智慧應用場景。從技術層面來看，人工智慧技術在醫學影像的應用屬於靜態圖像識別，靜態圖像識別是人工智慧細分領域進步最快的細分領域之一，技術正不斷快速突破;
目前 AI 醫學影像在多個疾病領域，其準確率已達到甚至超過專家水準，並且診斷效率大幅高於人工。在技術和市場需求的雙重驅動下，人工智慧在醫學影像領域的應用有望較快落地。
我國智慧醫療影像診斷市場潛在空間較大。
據中國報告大廳資料，影像檢查收入占醫院總收入超過 10%。2015 年我國醫療衛生總支出突破 4 萬億元，其中醫學影像支出約 4000 億元，據《醫療影像的市場圖譜和行業發展分析》，到 2020 年，我國醫學影像市場規模將達 6000 億至 8000 億左右。獲取本文完整報告請百度搜索“樂晴智庫”。
按 7000 測算，假設診斷環節占比 20%左右，對應 2020 年的醫學影像診斷市場規模為 1400 億，假設人工智慧滲透達到 20%，相應的潛在市場空間即有 280 億元。
點擊下方連結，獲得更多行業深度研究報告