全球最大医学影像数据库，完成千万融资

紫眸轻烟

来源：器械之家，未经授权不得转载，且24小时后方可转载。


近日，全球领先的医疗 AI 数据共享公司Gradient Health宣布，公司已经完成了 275 万美元（约合人民币1978万）的融资。


据悉，本轮融资由ReMY Investors and Consultants 领投，Boro Capital、Supernode Ventures、MedMountain Ventures、The Triangle Tweener Fund、David Golan 和 Silicon Valley Social Venture Fund (SV2) 以及现有投资者 VentureSouth 和 Wavemaker Three-Sixty Health 参投，融资资金将用于建立安全、统一的医学影像库平台。


当前，基于医学影像构建的人工智能（AI）系统已在疾病诊疗方面展现出了巨大的应用潜能。然而，距离临床应用仍面临着诸多挑战。


就医学影像数据来说，其标准化、模型泛化性、生物学可解释性、医学数据孤岛与隐私保护等方面的探讨对医学影像AI的进展与未来有着至关重要的价值和意义。


01
AI医学影像数据领先企业
完成1978万融资金


资料显示，Gradient Health 是一家医疗技术公司，提供对训练和验证技术所需的原始和标记医学图像的访问。该平台提供了一系列旨在促进合规研究和无缝协作的强大功能，采用最先进的安全措施来确保敏感患者信息的隐私和合规性。


此外，该公司还为开发人员提供了先进的工具，包括机器学习就绪的格式化、按疾病和成像模式进行搜索。目前，Gradient Health致力于与学术机构、医疗保健组织和技术合作伙伴合作，共同推进医学知识并改善患者护理。

针对本轮融资，Gradient Health首席执行官Josh Miller表示：“我们很高兴获得275万美元的资金，这将加速我们改变医疗AI数据共享的使命。使公司能够继续收集世界上最大、最全面的医学成像数据。我们的目标是通过这些影像数据集合，彻底改变医学研究，并最终改善患者的预后。”


“我们对Gradient构建数据层的愿景感到兴奋，该数据层将支撑所有未来的医疗AI”，领投本轮融资的ReMY Investors&Consultants联合首席信息官Shana Barghouti表示，“团队和其已经取得的进展给我们留下了深刻的印象。Gradient Health正在建立能力，以实现医疗和制药行业的快速发展，并改变游戏规则。”


02
提高AI模型数据训练
提升其质量和有效性


当前，在放射学背景下实施人工智能（AI）模型，对帮助诊断和治疗疾病方面显示出前所未有的潜力。然而，为了确保在临床实践中实现最高质量的AI算法，迫切需要准备数据的选择、收集、清理、组织和预处理，以期最大限度地提高AI模型的质量和有效性。

在此背景下，Gradient Health对了解可用于正确实施每个过程的技术和工具的相关性进行了激烈的讨论，并从模型的选择、收集、清理、组织和预处理开始，探讨了研究的每个阶段：


第一阶段涉及数据的选择，其目的是识别哪些医学成像模式对于AI模型是必要的，同时将临床环境和病例的多样性视为充分数据处理的根本重要方面。


第二阶段是数据收集，通常通过回顾性医学图像数据库、数据经纪人、公立和私立医院数据库以及临床和科学研究中心，以不同的方式进行。由于相关数据的多样性可能与影像学检查的收集相关，例如临床、组织病理学和进化数据，数据收集至关重要，有利于临床表现与影像学检查之间的相关性更大。对此，Gradient Health可以帮助创新者获得按需数据，节省时间和成本。


第三步是数据清理，包括消除不相关的信息、重复或损坏的数据、可能和明确的受保护健康信息 （PHI） 情况，以及纠正数据中的错误或不一致之处。此步骤对于确保用于训练AI模型的数据质量至关重要。


第四步是数据组织，该过程涉及根据预定标准对医学图像进行分类，例如图像类型、临床特征、年龄、性别和人口统计数据等，这里的主要目标是促进和简化AI模型培训过程。


第五步是数据预处理，其中包括图像处理技术的应用，例如分割、边缘检测和归一化等。这些技术旨在提高图像的质量，并准备将其用于AI模型训练，从而最大限度地提高所获得结果的质量和有效性。

在医学图像中实施AI的数据准备一直是最近几项研究的主题，这些研究加强了此步骤的相关性，以确保应用于医疗行业的AI模型的有效性和可靠性。一些研究表明，不适当的数据准备会导致结果不准确，并导致医学异常检测失败。


此外，鉴于医学成像数据的复杂性，包括来自各种模式（如CT，MRI和X射线）和异构格式的信息，为准备这些数据以培训AI模型带来了重大障碍。图像采集协议和格式缺乏标准化，加上每个图像中有大量数据，使得数据的选择和组织成为一个容易出错的多方面过程。同时，在为医学成像中的AI实施准备数据时，保护患者数据隐私和安全的需求带来了进一步的挑战。


Gradient Health表示，为了在医学成像中成功实施人工智能，必须开发适当的技术来安全存储和共享数据，且必须遵守管理数据使用的道德和法律法规。尽管存在挑战，但该公司最近的研究表明，适当的数据准备对于成功至关重要。为了最大限度地提高医疗保健中使用的人工智能模型的质量和有效性，有必要创建有效的工具和技术来准备医学图像数据。


03
AI影像市场广阔


人工智能医学影像是以深度学习等新一代人工智能技术，高性能计算能力及医学影像大数据共同促进出现的时代产物，同时也是当今医学发展重要的需求方向。产品常应用于超声影像、放射影像、病理影像等非临床科室。

受益于人工智能的不断发展以及在医疗方面的应用，AI医学影像在近年来得到了快速发展，产品日趋成熟，全球人工智能医学影像市场也逐年增长。


预计全球人工智能医学影像解决方案市场将从2020年的不足10亿美元按指数级增长至2025年的646亿美元，复合年增长率为147.7%。


从国内来看，AI技术与医学影像的融合拥有更大的潜力，在减轻医生工作压力提升工作效率以及突破医学难题等方面，仍有较大的发展空间。预计中国AI医学影像市场规模将从2021年的8.2亿元增长至2027年的近230亿元。

在产品技术方面，目前市场上的医学影像产品所覆盖的病种比较局限，但从临床真正的日常需求出发，影像检查通常是需要涉及到多部位、多器官，因此，AI医学影像产品需要进一步向精细化、多样化发展，扩大疾病覆盖面；


在商业化方面，AI医学影像行业内的大部分企业处于A-D轮的融资中，融资规模集中在亿元级和千万元级，但要全面落地商业化还需能够研发出真正基于临床需求、辅助医生提高效率、减少误诊的产品；


在医生负担方面，基层医疗机构主要面临影像科人才与设备资源短缺的问题。随着国家医疗系统对医学影像的需求不断增长，这方面问题也愈发显现，人工智能的应用能够弥补各级医院影像科室的不足，大大改善医学影像分析效率低下的问题。


04
医学影像AI标准化数据
成为未来行业必需


目前，AI在医学影像领域的临床应用主要在影像诊断环节，多集中于病变检出、识别，以及良恶性判断等。一方面，利用AI的感知与认知性能对医学影像进行识别，挖掘其重要信息，为经验不足的影像科医生提供帮助，从而提高阅片效率；另一方面，通过机器学习对大量影像数据和临床信息进行整合并训练AI系统，使其具备诊断疾病的能力，有利于降低影像科医生漏诊率。相比现有的影像科工作模式，AI系统不受外界因素的干扰并时刻保持高效连续的工作状态，有助于提升影像科医生阅片的效率和质量。


此外，近年来医学影像AI相关研究也备受关注，尤其在肿瘤领域的应用，包括肿瘤的定性、临床分级分期、基因分析、疗效评估和预后预测等。作为医学影像AI研究的重要内容，影像组学通过深度挖掘医学影像中的高通量特征来描述病变的生物学特点，进而实现无创、全面、动态量化病变的时间和空间异质性，对于疾病的精准诊疗、预后预测具有重要的临床价值。

基于医学影像构建的AI系统已在疾病诊疗方面展现出了巨大的应用潜能。然而，由于医学影像数据标准化程度不足、模型泛化能力不足、生物学可解释性差、医学“数据孤岛”与隐私保护等诸多难题，导致医学影像数据无法建立广泛连接、形成合力，难以发挥数据最大价值，从而严重阻碍了AI赋能医疗健康。因此，有必要引入新技术，使得在多中心之间无隐私数据交换的前提下共同构建AI模型成为可能，进而打破“数据孤岛”。


同时，引入新理论，如FAIR数据管理准则，构建标准化医学影像数据库；对医学影像数据的采集、处理、使用以及管理等方面进行标准化描述，为医学影像AI技术落地提供标准化数据保障，可辅助AI技术落地疾病诊疗领域。


未来，引入更多新技术、新理论，构建高效、泛化性强的医学影像AI标准化数据库，积极推进医学影像AI在疾病诊疗领域的临床应用，将成为行业必需。而在这一背景下，国内外AI医学影像及数据库又会迎来什么样的发展？我们也将持续关注。