在人工智能（AI）医学影像的各个细分领域中，AI超声所受到的关注远不如AI CT影像。2020年初，FDA批准了首个AI辅助超声诊断软件Caption Guidance，AI超声领域迎来重大突破，由此受到更多关注。

提高诊断可及性

       超声检测是一种安全且价格便宜的医学诊断方法，但是在实际诊疗过程中，超声的使用率并不高。目前，全球约有5000万名医生，但只有2%的医生掌握超声扫描的技能。此外，据中国医学装备协会统计,我国超声设备保有量不低，但是各级医院的拥有数量并不平衡。截至2018年4月底，我国2427家三级医院拥有24270台彩超设备，平均拥有彩超设备数达10台；而二级、一级医院平均拥有彩超设备数分别为5台、1台，差距较为明显。

       超声检测具有无辐射、可重复诊断等特点，随着技术的进步，超声检测费用正在变得越来越低，设备也逐渐小型化。只有降低使用门槛，才能让其成为真正普惠、便携的诊断工具。

       超声诊断不同于放射科诊断——放射科医生可通过静态图像进行诊断，超声医生需要采集不同切面的动态图像进行实时诊断，超声影像的获取和诊断都非常依赖医生经验。AI搭载于超声设备之上，可以辅助解决两个问题：一是如何更好地获取影像；二是如何更好地分析影像。

       在短时间内完成采集图像和分析图像，AI需要完成三个步骤。以Caption Guidance为例，该软件首先是利用AI指导医生获取图像，通过AI的实时引导，非专业医生也能采集超声影像；第二步是利用算法找出最佳图像；第三步是进行图像分析。通常来说，从事解读和分析超声影像工作，医生需要经过多年学习，而Caption Guidance通过深度学习，可以自动进行射血分数测量，辅助医生评估患者病情。

       AI让超声检测变得更加简单、可及性更高，而超声也更有利于发挥AI价值。通常，具有规模效益的领域更容易产生AI价值洼地。超声比起CT和核磁来说，应用人次更多，因此，AI辅助超声诊断领域商业化前景更诱人。

“一大一小”两种路径

        AI与超声的结合正在成为AI影像赛道上的后起之秀。除了帮助更好地诊断外，AI在超声影像中还可以完成自动化图像质量评估、图像标准化处理、图像勾画、自动测量等功能。这些功能在超声中无法通过一个通用方案实现，因此，AI超声走出了两条完全不同的路线。

       一条路线是在传统超声科，AI让大型超声设备更加智能，使超声设备不再仅仅是一台成像产品，而是成为集数据采集、管理、分析于一体，融入深度学习的智能终端。2019年，通用医疗在我国上市一款搭载cSound+TM图像生成器的LOGIQTM E20，可通过对图像的感知，实现组织脏器结构甄别、智能病灶分割、智能测量等功能，帮助医生摆脱繁多冗杂的图像优化和测量工作，专注于临床诊疗。该设备主要应用在介入、甲状腺、乳腺、肌骨、儿科、心脏等临床领域，辅助临床医生精准诊断。

       当然，对于大型设备来说，AI的作用目前只是锦上添花，但可以预见，在未来，AI将发挥越来越重要的作用。同时，相对于硬件超声设备，AI软件的迭代速度更快，软件和算法有望成为超声领域未来的主流研究方向。高度数字化的设备会产生大量数据，如何互联和整合数据也是研究关键。

       另一条路线则是应用于基层医疗场景之中。我国有近90万家基层医疗机构，医疗、药品、检查这3个环节中，破解医疗体系结构性矛盾必不可少的就是在检查这个环节加大投入。而借助便携式掌上超声设备，是超声设备赋能基层医疗机构的一条可行路线。

       目前，布局基层医院市场的企业主要是创业公司，这些公司主要是将AI技术应用于掌上超声设备，更多运用它们的是超声检测经验不足的医生。以往，超声诊断需要依靠专业医生通过眼睛来识别图像中的解剖结构，而AI通过智能识别，能够自动找到最佳图像并辅助诊断，使超声检测操作者不局限于经过专业训练的医生，更多基层医疗机构的普通医生也能够进行超声诊断。

赛道“晚熟”源于技术壁垒

       对比AI CT影像来看，AI超声赛道并不拥挤，只有少数创业企业涉足其中。那么，AI超声为何成为AI影像领域的晚熟赛道？主要原因在于，相比于其他影像领域，AI超声技术的挑战性更大。

AI应用于超声的主要技术挑战有三：

       首先是要实现实时诊断。与CT、MRI的静态图像不同，超声图像是动态实时图像，超声检测的难点在于图像采集与阅片同时完成。CT、核磁、X光等影像的采集是由技师完成，而阅片则由放射科医生完成，超声检测需要图像采集与阅片同时完成，这对算法和算力等辅助诊断技术提出了更高要求。

       其次是在数据上，由于超声影像特殊的数据浏览、处理及存储习惯，其影像数据比CT影像更难获取，数据库的规模大小受到限制。此外，超声影像的标准化程度较低，影像清晰度主要依赖于超声医生的操作手法和设备型号，AI超声需要由较强的专家团队对这些数据进行清洗和分析。

       最后是算法框架的限制。对于AI超声企业来说，能否拥有自己的算法框架非常重要。然而，目前绝大部分企业使用的都是开源算法，拥有自主算法的企业非常少。超声AI与放射AI不同，为保证分析的准确度和实时性，其非常依赖于自主研发的算法框架，如果算法过于冗长，会导致设备处理速度慢。超声检测对实时性要求较高，一秒就能产生几十帧甚至上百帧图像，倘若没有强大的算法，无法处理如此庞大的数据。

       除了以上三点外，若想将AI技术搭载于掌上超声上，还需要解决算力限制的问题。由于掌上超声设备远小于传统超声设备，搭载AI软件十分考验AI的算力。企业不仅需要一个非常精确的模型来分析超声波视频，而且在此基础上，还必须确保该模型能有效地在平板电脑或手机平台的有限资源下工作。

       在超声技术不断演变和进步的过程中，软硬件能力都很重要。现阶段，AI超声的软件系统技术壁垒更高，在硬件相对同质化的超声设备市场，能否研发出好的AI软件，一定程度上决定了AI超声产品硬件的应用空间。同时，对于基层医院来说，比起大型设备，便携式或小型设备价格更低，因此，AI掌上超声比AI CT等大型设备更适合推广。如何实现掌上AI超声流程智能化，以更好地满足基层医院全科医生的应用需求，是企业需要解决的关键问题。