2017年，醫學圖像與人工智能的結合成為了行業發展的熱點，尤其是在AI與放射圖像的結合，大公司和創業公司都取得了大量成果，很多產品已經在臨床上進行試驗。
其實除了放射圖像，人工智能在超聲領域的應用也受到行業的重視。
動脈網了解到，全球每年在超聲醫療設備上的花費超過60億美元。超聲影像檢查以其檢查無創性、影像實時獲取、沒有已知副作用等優點而受到廣泛應用。然而，超聲診斷技術的良莠不齊以及基層優秀醫師的缺乏，限制了超聲設備的普及和應用。
隨著人工智能技術的突破，超聲輔助診斷系統將幫助提高超聲診斷水平，加速超聲的設備的發展。
但是實現超聲波掃描影像的人工智能診斷，比單純的醫療圖像識別需要投入更多的研究，處理起來也麻煩得多。因為超聲波成像具有動態特性，在用深度學習方法對一份資料進行智能醫學判斷的時候，相當于是從視頻當中分析超聲波影像的特點。
超聲輔助診斷為何收到重視？其原理又是什么？市場有那些玩家？發展難點又在哪里？
超聲診斷原理
醫學超聲波檢查作為一種常規的檢查手段，已經廣泛的應用在臨床。它的工作原理與聲納有一定的相似性，即將超聲波發射到人體內，當它在體內遇到界面時會發生反射及折射，并且在人體組織中可能被吸收而衰減。
因為人體各種組織的形態與結構是不相同的，因此其反射與折射以及吸收超聲波的程度也就不同，醫生們正是通過儀器所反映出的波型、曲線，或影象的特征來辨別它們。
超聲診斷儀在臨床上應用最廣的是B型超聲和D型超聲，即人們通常所說的B超和多普勒超聲。由于超聲具有無創、高靈敏度、應用面廣、低成本和操作方便等優點，被廣泛應用于臨床診斷，尤其是胸部臟器、心臟、眼科和婦產科的診斷。
超聲+AI受到重視的2點理由
AI+超聲適合分級診療
目前，隨著互聯網技術的發展，遠程醫療因為其快速、方便等優點成為未來的發展趨勢。遠程醫療固然有其優點，但鑒于超聲對醫生個人操作能力的依賴，目前的遠程醫療運行模式難以滿足臨床工作需求。
相較于磁共振、CT和心電圖等檢查結果，超聲影像大多是依靠醫生采集的不同切面的動態圖像進行診斷的，對超聲醫生個人的操作技術水平要求比較高。同一個病變，不同醫生的手法、切面、儀器調節、經驗不同，得出的診斷檢查結果也許就不一樣。
遠程醫療在很大程度上解決了優質醫療資源分布不平衡的問題，但由于超聲醫學的特殊性，在沒有規范化的統一的超聲圖像采集、圖像質量控制、傳輸標準出臺之前，現階段超聲醫學診斷尚不具備大規模遠程醫療臨床應用的條件。
所以，通過輔助診斷系統幫助基層醫生解決實時診斷的問題，可能是緩解基層醫療專家短缺的一種方法。
市場規模足夠大
根據IHS統計，2014年，全球醫用超聲診斷設備市場規模已達62億美元左右，預計2019年，規模將達74億美元，年均復合增長率為3.6%。
2014年，中國超聲診斷設備市場已達69億元。隨著剛性需求釋放、升級換代、政策紅利持續推進，中國超聲設備市場還將快速增長。預計2019年，中國醫用超聲診斷設備市場規模將達91億元，年均復合增長率5.7%。
近幾年，人們對健康的關注，促使體檢行業飛速發展。相較于CT、MRI等放射檢查，健康人群或者亞健康人群選擇使用無創、無輻射的超聲檢查做初步檢查是首要選擇，這必將促使超聲設備市場和超聲診斷次數的不斷增加，醫生的工作壓力也隨之增加，輔助診斷系統的出現將緩解這一現狀。
識別原理
面對超聲這種動態的圖像，每個公司造機器學習的基礎上有自己的研發思路。
美國創業公司Bay Labs
美國創業公司Bay Labs應對辦法：他們用智能視頻分析的辦法，能夠對一個超聲掃描視頻進行細化研究，并且為用戶建模，關注每一份超聲資料的特殊性，使超聲波成像技術在影像獲取和編輯、病情分析的全過程都得到極大的簡化。
超過百億規模，各類AI企業爭相布局，超聲+AI為什么成為了香饃饃？
三星醫療的乳腺病變分析系統
三星醫療的旗艦設備RS80A搭載的S-Detect功能就采用了深度學習算法實現乳腺病變分析，使超聲診斷成像更快速、更高效。
S-Detect依靠對乳腺檢查病例的大數據分析（10000萬份訓練數據）得出的病變特征為基礎，為臨床檢查選定圖像提供良惡性的判別建議。
S-Detect具有三種模式，用戶可以根據自己要求設定自動識別的敏感度和特異性。目的是幫助醫生做出更準確的診斷，同時改善工作流程，減少重復操作。
RS80A超聲診斷系統將美國放射學會BI-RADS評分作為對可疑乳腺病變進行標準化分析歸類的標準。
三星RS80A首席開發工程師，S-Detect技術研發負責人宋永慶博士和樸文浩博士表示：
S-Detect采用了為乳腺定制的卷積神經網絡技術。當用戶選定了種子點后，軟件將對所有導入的圖像進行轉換處理以利于對不同形狀病變進行更好的識別，并最終實現對病變的自動分類。
這種圖像轉換包含幾個重要步驟比如移位、調整大小、扭曲，轉換后被收錄在深度神經網絡定制層中。
另外，卷積神經網絡有能力自己學習大量的訓練數據實現對圖像的分類，這是卷積神經網絡與傳統學習方法相比的最大優勢。卷積神經網絡由很多卷積層組成，導入的圖像在特定層內可以自動解析出一些有涵義的特征。
然后這些圖像特征將在較深的層內進行整合。在卷積神經網絡的末端會加入一個可被學習掌握的分類器，因此系統不再需要研發人員設計手工特性，而是在學習過程中由卷積神經網絡從數據中提取最佳的特性用于分類。這正是三星醫療選擇卷積神經網絡識別乳腺病變的原因。
德尚韻興甲狀腺結節良惡性的輔助診斷系統
德尚韻興的首席科學家、浙江大學求是特聘教授孔德興表示，德尚韻興甲狀腺結節良惡性輔助診斷系統分為訓練和打分兩部分。
訓練原理依托于深度學習技術，利用兩萬多份的有標注結果的超聲影像樣本對計算機進行訓練。
傳統的機器學習是人為定義特征的，比如結節的邊緣是否規則，回聲情況如何，還帶有醫生主觀的判斷標準。但是如果依托深度學習，就不需要這些人為的特征定義。
經過標注的樣本分為兩大類，一類是良性的，一類是惡性的。神經網絡根據標注情況分別分析提取良性和惡性各帶有的特征，而這個過程會比人眼觀察的更加細致。
訓練完成后，德尚韻興把這套算法和網絡參數打包為一個軟件，也就是打分系統，它可以部署到網上，還可以形成單機版，這部分是用普通的計算機運行的，此時醫院就可以利用它來進行輔助診斷了。
對于甲狀腺結節的診斷，目前三甲醫院醫生的平均準確率為60%-70%，基層醫院會更加低一些。而德尚韻興輔助診斷系統目前準確率可以達到85%以上。
10多家公司布局超聲+AI
與放射影像不同，并不是所有的醫療AI公司都開展了AI+超聲領域的研究。據動脈網不完全統計，參與此項研究的公司包括西門子、三星、和佳股份、邁瑞、推想科技、依圖醫療、創影醫學、飛醫諾、德尚韻興、超云、深圳綽曦互動、Bay Labs等。
超過百億規模，各類AI企業爭相布局，超聲+AI為什么成為了香饃饃？
這些公司有傳統的器械公司，也有創新性的醫療AI公司，他們紛紛布局這個行業。作為傳統器械公司，在器械智能化、便攜化的當下，通過AI來打開市場，提供競爭力是一種不錯的選擇。經動脈網了解，目前很多公司對于AI+超聲的研究還在初級階段，距離行成落地產品還有一段距離。
還需解決的兩個困難
但是有些創新型的醫療AI公司并沒有涉足超聲。動脈網從行業人士那里了解到，他們很看重超聲+AI這個領域，因為她頻次高，需求大，又有政策支持，是一個很好的領域。沒有涉足超聲+AI一方面是由于創業公司人力的問題，另一方面是超聲本身的兩個問題。
標準化程度不高。超聲科和放射科一樣也缺少優秀的醫生，但是與放射科不同的是，超聲科最大的難點不在讀片子，而是如何正確的操作B超設備，進而呈現出醫生自己想要看到的圖像。比如針對不同胖瘦病人需要多大的力，手勢是怎樣的，呼吸如何調整，目前并沒有做到標準化，現實中有些師傅和徒弟的操作都不完全相同。
而CT或者X光圖像相對與超聲要標準的多。
工作流的問題。中國超聲科醫生是一邊看圖像，一邊寫診斷報告（心血管除外），幾乎是實時出結果。而放射科醫生是將圖像先存儲起來，然后慢慢看。所以超聲AI產品的要求就非常高，需要與超聲設備進行芯片級別的集成結合，實時的出結果。
