2017年度国内AI医学影像行业未来发展计划趋势分析
人工智能在医学影像诊断方面的发展现状与未来趋势分析
人工智能在医学影像诊断方面的发展现状与未来趋势分析一、引言随着科技的不断进步和人工智能技术的日益成熟，人工智能在医学领域的应用日益普及。
其中，在医学影像诊断方面，人工智能技术正逐渐扮演着重要的角色。
本文将对人工智能在医学影像诊断方面的发展现状与未来趋势进行分析。
二、人工智能在医学影像诊断方面的发展现状1. 自动标注和分割在过去的几年里，人工智能技术已经在医学影像诊断中取得了显著的进展。
其中一个重要的应用是自动标注和分割。
传统的医学影像标注和分割任务通常需要人工操作，费时费力。
而借助于深度学习和神经网络技术，人工智能已经可以自动化地进行这些任务，大大提高了效率和准确性。
2. 疾病检测和分类除了自动标注和分割，人工智能在医学影像诊断中还广泛应用于疾病的检测和分类。
通过分析医学影像数据，人工智能可以识别出患者是否存在某种疾病，并将其分类。
这对于早期发现疾病，及时进行治疗具有重要意义。
人工智能的算法已经在肺癌、乳腺癌等疾病的诊断中表现出了很高的准确率，甚至有些方面超过了人类医生的水平。
3. 辅助决策和治疗规划除了以上两个方面，人工智能在医学影像诊断中还可以提供辅助决策和治疗规划的功能。
通过分析大量的医学影像数据和患者信息，人工智能可以帮助医生制定更为准确的治疗方案，并提供个性化的治疗建议。
这对于提高治疗效果和降低治疗风险有着积极的影响。
三、人工智能在医学影像诊断方面的未来趋势1. 数据共享与模型迁移未来，人工智能在医学影像诊断方面的发展趋势将更加注重数据共享和模型迁移。
由于不同医疗机构之间的数据分散和不完整，这限制了人工智能的发展和应用。
因此，建立相互连接的影像数据库，实现数据的共享和模型的迁移，将成为未来的重要方向。
这样一来，人工智能在医学影像诊断中的准确性和可靠性将大大提升。
2. 强化学习和远程医疗与此同时，结合强化学习和远程医疗技术，人工智能在医学影像诊断方面的应用也将进一步拓展。
通过引入强化学习技术，人工智能可以从与医生的互动中不断学习，提高自身的智能水平。
2017年我国人工智能+医疗影像行业综合发展态势图文分析报告
2017年我国人工智能+医疗影像行业综合发展态势图文分析报告（2017.11.25）在介绍人工智能在医疗影像的应用场景之前，首先需要纠正大家的一个偏见：医疗影像诊断实际上就是医生“看片子”，人工智能+医疗影像就是“机器看片”。
实际上，影像诊断主要分两类：结构类影像及功能类影像诊断：1）结构类影像：简单来说就是“所见即所得”的影像，比如 X 光、CT 就属于这一种，它能够非常直观地观察到生理结构，判断是否有物理变化的病变，相当于“大家来找茬”。
这种影像类型结合人工智能，就是大家通常意义上讲的“机器阅片”。
但对于一些没有明显物理变化的疾病，就束手无策了。
2）功能类影像：相当于结构类影像的“补集”。
这类影像能够研究脏器细胞对某种物质的代谢能力，从而反映出这个脏器的功能是否正常。
机器检查放射性示踪剂在人体代谢的状况，记录反应能量代谢的数据矩阵，通过一张二维的影像片子来呈现。
影像不能反映真实生理结构，只能通过影像像素的明暗程度来表示代谢的强弱程度、是否异常，而医生又无法研读数据矩阵。
这样一来，诊断结果只能全凭医生的肉眼和经验来判断，即使是专家，误诊漏诊率也在30%-50%。
对于这类影像，人工智能要做的事情就是帮助医生做更精确的判断，也就是影像信息的后处理，将影像信息转换为定量的数据并做分析诊断。
具体流程：第一步，就是做定量化。
要把肉眼看到的影像，转化成数学的数据，把一张图像转化成数学矩阵，通过数字的方式去诊断病灶。
第二，引入大数据。
建立疾病数据库，把定量化的数据引入到可参照的系统中，并进行下一步的比对分析。
从功能来看，人工智能在医疗影像领域的应用场景可以分为两类：1）机器看片：强调的是替代或者辅助医生观察影像数据的作用。
以帮助医生提升影像诊断效率为主要目的，解决医生资源不足的问题；2）机器读片：强调的是对医学影像数据的内容解读，帮助医生进一步提高影像诊断精准度，解决的问题是加强医生的诊断水平。
人工智能在医疗影像诊断中的发展现状与未来趋势分析
人工智能在医疗影像诊断中的发展现状与未来趋势分析引言人工智能（Artificial Intelligence, AI）是近年来蓬勃发展的领域之一，其在医疗行业的应用也取得了重要进展。
其中，人工智能在医疗影像诊断方面的应用备受关注。
本文将探讨人工智能在医疗影像诊断中的发展现状以及未来趋势，并展望其在医疗领域的潜力。
一、发展现状1. 自动标记与辅助诊断传统医疗影像诊断需要医生对大量影像进行分析和识别，而人工智能技术可以通过训练大量的数据，从中提取规律和特征，用于自动标记和辅助诊断。
例如，深度学习算法可以通过图像识别技术自动识别出病灶，并帮助医生快速定位和判断。
这种技术的出现大大提高了医生的工作效率和诊断准确性。
2. 医疗影像数据的共享与云端处理医疗影像数据的处理通常需要大量的计算资源和存储空间，而云计算技术的发展为医疗影像诊断提供了便利。
人工智能技术可以将医疗影像数据上传到云端进行处理，并将结果反馈给医生。
这不仅可以节省医院的资源和成本，还可以实现影像数据的共享与远程会诊，将优质医疗资源更迅速地传递到全球各地。
3. 多模态图像诊断随着技术的进步，现代医疗影像不再局限于单一模态，如CT、MRI等，而是多模态的。
人工智能技术可以集成不同模态的图像数据，并通过融合和分析，提供更全面和准确的诊断结果。
例如，将CT和PET图像数据结合，可以更准确地诊断肿瘤类型和疾病进展情况。
二、未来趋势1. 深度学习的进一步发展深度学习是人工智能在医疗影像诊断领域取得重要进展的关键技术，未来将继续发挥重要作用。
随着大规模数据集的不断积累和深度学习算法的优化，预计深度学习将实现更高的准确性和精度，为医生提供更好的辅助诊断工具。
2. 强化学习的应用强化学习是人工智能的一个分支，通过不断试错和反馈，优化模型的性能。
在医疗影像诊断方面，强化学习可以通过与医生的互动学习和反馈，提供更个性化和精准的诊断结果。
这将使医疗影像诊断更加符合个体化的需求。
人工智能在医学影像诊断领域的发展前景分析
人工智能在医学影像诊断领域的发展前景分析近年来，人工智能技术的迅猛发展已经渗透到各个领域，并对医学影像诊断领域产生了革命性的影响。
基于人工智能技术的医学影像诊断系统能够帮助医生准确快速地识别疾病及异常，有效改善了医疗诊断的准确性和效率。
因此，人工智能在医学影像诊断领域的发展前景非常广阔。
首先，人工智能技术在医学影像诊断中具备高度准确性和快速性的优势。
相比医生的人眼判断，人工智能系统可以对大量的医学影像数据进行全面、系统的分析和比对，减少主观因素的干扰，从而提高了诊断的准确性。
而且，人工智能技术可以迅速处理海量的医学影像数据，对于复杂疾病的诊断和处理起着重要的作用，大大提高了医疗工作的效率。
其次，人工智能技术在医学影像诊断中有助于发现潜在的疾病风险因素。
通过深度学习和机器学习算法的应用，人工智能可以对大量的医学影像数据进行分析，识别出一些微少、隐匿的疾病迹象，甚至可以提前发现一些患者患某种疾病的可能性。
这不仅可以帮助医生及时采取相应的治疗措施，也可以让患者及其家人了解疾病的风险，并做好相关的预防工作。
此外，人工智能技术在医学影像诊断中有助于辅助医生进行更全面、精准的诊断和治疗方案的制定。
传统的医学影像诊断依赖于医生的临床经验和专业知识，但医学知识体系庞大且疾病复杂多样，医生们很难掌握所有的信息。
人工智能系统可以通过学习大量的医学文献和影像数据，生成丰富的知识库，并能以快速、精确的方式提供诊断意见和治疗方案的建议，帮助医生做出更合理的决策。
此外，人工智能技术在医学影像诊断领域还有一些其他的应用前景。
例如，基于人工智能技术的医学影像诊断系统可以帮助医生自动生成详细的报告，减轻医生的工作负担。
此外，人工智能技术还可以结合生物统计学的方法，通过对大型的医学影像数据进行挖掘，发现疾病的新的特征和规律，为疾病的早期预警和治疗提供有力的支持。
然而，人工智能在医学影像诊断领域的发展还面临一些挑战和限制。
首先，由于医学影像数据的复杂性和多样性，训练一个高度准确的人工智能模型需要大量的数据，并且还需要解决数据标注的问题，这对于一些罕见病和特殊病例来说是一个挑战。
人工智能在医学影像中的发展现状与未来趋势
人工智能在医学影像中的发展现状与未来趋势在现代医学中，影像诊断是重要的诊疗手段之一，而人工智能技术的发展为医学影像诊断带来了前所未有的机遇和挑战。
人工智能在医学影像中的应用已经取得了一些令人瞩目的成果，并且在未来有着巨大的潜力。
一、发展现状目前，人工智能已经在医学影像中实现了一些突破。
首先，在医学影像诊断方面，人工智能能够通过对大量的医学图像数据的学习和训练，实现对疾病的自动识别和定位。
例如，通过将深度学习算法应用于乳腺X线照片，可以实现对乳腺癌的自动检测，大大提高了早期乳腺癌的诊断准确率。
其次，人工智能还可以通过对医学图像进行特征提取和分析，辅助医生进行病灶的定性和定量分析。
例如，人工智能可以自动测量病灶的大小、密度等特征，从而帮助医生更准确地评估病情和制定治疗方案。
此外，人工智能还可以通过对大量的医学影像数据进行统计和分析，挖掘出一些以往容易被忽视的规律和关联，对于疾病的研究和防治有着重要的意义。
二、未来趋势尽管人工智能在医学影像中的应用已经取得了一些进展，但仍然存在一些挑战和巨大的发展潜力。
首先，由于医学影像的数据量庞大，人工智能需要处理海量的数据才能取得良好的效果。
因此，如何快速、有效地处理医学影像数据是未来研究的重要方向之一。
其次，人工智能在医学影像中的应用还需要与医生的经验和临床实践相结合，才能更好地发挥作用。
因此，如何让人工智能成为辅助医生的工具，而不是替代医生的角色，是未来研究的另一个重要方向。
另外，人工智能在医学影像中的应用还需要解决隐私保护、数据安全等问题，以便让患者和医生更放心地使用这些技术。
未来，人工智能在医学影像中的发展前景非常广阔。
首先，人工智能可以帮助医生在短时间内处理和分析大量的医学影像数据，从而提高医生的工作效率和诊断准确率。
其次，人工智能可以将医学影像与临床数据等其他信息相结合，从而为医生提供更全面、准确的诊断结果。
此外，人工智能还可以通过对患者的个性化病例进行学习和分析，为医生制定个性化治疗方案提供参考。
AI医疗影像技术的应用发展现状与未来趋势
AI医疗影像技术的应用发展现状与未来趋势随着人工智能(AI)技术的不断进步，AI医疗影像技术在医学诊断中的应用前景变得越来越广阔。
本文将探讨AI医疗影像技术的发展现状以及未来的趋势。
一、AI医疗影像技术的发展现状1. 自动诊断AI医疗影像技术在自动诊断方面有着广泛的应用。
通过训练大量的影像数据，AI算法能够识别和区分正常和异常的影像特征，从而减轻医生的负担，提高诊断效率。
例如，AI技术在乳腺癌、肺癌、糖尿病视网膜病变等疾病的早期诊断方面取得了重要的突破。
2. 影像分析AI医疗影像技术还可以用于影像分析，帮助医生更准确地评估病情和制定治疗方案。
例如，AI技术可以快速地计算肿瘤的大小、数量和位置，为肿瘤治疗提供精确的指导。
此外，AI还可以用于评估器官的功能状态，如心脏的收缩功能、血流动力学等。
3. 个性化治疗AI医疗影像技术的另一个重要应用是个性化治疗。
通过分析患者的影像数据和临床信息，AI算法可以根据每个患者的特定情况制定个性化的治疗方案。
这有助于提高治疗的效果和精确性，减少不必要的治疗和副作用。
二、AI医疗影像技术的未来趋势1. 多模态融合未来，AI医疗影像技术将更加注重多模态融合。
例如，将不同的影像数据（如CT、MRI、超声）相结合，以获取更全面、准确的信息。
同时，还可以结合其他生物标记物和基因信息，进一步提高诊断和治疗效果。
2. 深度学习的进一步应用深度学习作为AI医疗影像技术的核心方法，将在未来继续发挥重要作用。
通过深度学习算法的不断优化和改进，AI系统可以深入学习和理解复杂的影像特征，提高诊断准确性和可靠性。
3. 多中心、大样本数据的共享未来，AI医疗影像技术的发展离不开多中心、大样本数据的共享。
只有通过共享数据，才能使AI算法能够充分训练和验证，从而提高预测和诊断的精度。
因此，未来将加强各医疗机构之间的数据共享和合作，建立更大规模的数据集。
4. 临床实践的全面应用AI医疗影像技术的最终目标是能够广泛应用于临床实践。
人工智能在医学影像领域的发展现状与未来趋势分析
人工智能在医学影像领域的发展现状与未来趋势分析近年来，人工智能（Artificial Intelligence，AI）正日益成为医学影像领域的热门话题。
借助于机器学习和深度学习等技术，人工智能在医学影像解译、疾病诊断和治疗方案制定等方面展现出了巨大潜力。
本文将着重探讨人工智能在医学影像领域的发展现状与未来趋势，并分析其对医疗行业带来的影响。
一、发展现状近年来，人工智能在医学影像领域取得了诸多重要进展。
首先，在医学影像解译方面，人工智能能够快速准确地识别和标记图像中的病灶和异常情况，为医生提供辅助诊断和治疗方案制定的参考意见。
例如，人工智能可以帮助医生在肺癌检测中提取有关肿瘤的特征，并计算其恶性程度，从而辅助医生确定最佳治疗方案。
其次，在疾病的早期筛查和预防方面，人工智能也发挥着重要作用。
利用深度学习技术，人工智能可以对医学影像数据库进行大规模的分析和模式识别，发现潜在的疾病风险因素，并及早发现问题。
例如，人工智能可以通过分析眼底照片，识别患者是否存在糖尿病视网膜病变的风险，为早期干预提供重要依据。
此外，人工智能在医学影像领域的发展还涉及到医疗队伍的培训和教育。
通过利用人工智能技术，医学影像专家可以建立模型，并提供实时的辅助诊断和学习工具，帮助医学生和医生提高对医学影像的理解和分析能力。
这种通过人工智能进行医学影像教育的方式不仅能够提高医疗技术的普及程度，还能降低医疗资源的不平衡现象。
二、未来趋势在未来，人工智能在医学影像领域的发展将会呈现出以下几个趋势。
首先，人工智能在医学影像解译方面将更加准确和智能化。
目前，虽然人工智能在医学影像识别和标记方面已经初具规模，但仍然存在误诊率和漏诊率等问题。
随着对数据集的不断完善和模型算法的不断优化，人工智能在医学影像解译方面的准确度将会不断提高，甚至超越人类医生的水平。
其次，人工智能将会在医学影像处理和重建方面发挥更大作用。
目前，由于医学影像获取设备的限制，部分患者的影像数据质量可能较差，给诊断带来一定的困扰。
2017年AI医学影像行业分析报告
2017年AI医学影像行业分析报告2017年AI医学影像行业分析报告2017年11月目录一、“AI+医学影像”需求迫切，数百亿市场空间待掘金 (5)（一）分级诊疗和第三方影像中心建设驱动医学影像需求释放 (6)1、分级诊疗打开基层医学影像市场空间 (6)2、第三方影像市场方兴未艾，驱动医学影像需求快速释放 (8)（二）医学影像诊断痛点颇多，“AI+医学影像”有望破冰行业难点 (10)1、医学影像医生缺口大，误诊率高、效率低，服务模式亟待创新(10)2、“AI+医学影像”直指行业痛点，将逐步进入快速发展阶段(13)（三）“AI+医学影像”前景广阔，百亿市场待掘金 (18)二、政策、技术双重驱动，“AI+医学影像”蓄势待发 (20)（一）国家高度支持，具体产业扶植政策有望加速出台 (20)（二）算力算法快速迭代，“AI+医疗影像”期待大数据引爆 (22)2、AI处理器技术向高性能、低功耗的方向发展 (25)3、高质量数据获取和标注能力是AI医学影像公司的核心竞争力之一 (29)三、科技巨头加速跑马圈地，创业公司获资本青睐 (32)（一）科技巨头抢滩，加速布局“AI+医学影像”市场 (32)1、IBM Waston：AI+医疗的开路先锋 (34)2、谷歌：与多方合作，在多病种上均已取得较好突破 (36)3、科大讯飞：人工智能龙头开辟智慧医疗新战场 (37)（二）创业公司受资本青睐，“AI+医学影像”成投资新风口 (39)四、商业模式逐渐明晰，平台分成与技术授权各具潜力 (43)（一）分成模式 (44)（二）技术解决方案 (44)五、相关企业简析 (46)（一）万东医疗：影像设备龙头，携手阿里发力影像AI (46)1、国内影像设备龙头，国企转制民营极大提升运营效率 (46)2、万里云：人工智能+医学影像龙头 (47)（二）科大讯飞：人工智能+医学影像表现亮眼，“平台+赛道”战略成果显现 (52)1. 人工智能+医学影像实力雄厚，资源整合加速可期 (52)2、“平台+赛道”战略成果显现，教育业务表现亮眼 (53)3、安徽市政府颁布政策支持“中国声谷”建设，公司将充分受益(53)（三）东软集团：影像云平台添彩医疗健康业务，汽车电子厚积薄发有望加速放量 (54)1、发力医学影像云平台，快速推进值得期待 (54)2、汽车电子业务厚积薄发，有望加速放量 (54)3、深度布局医疗健康业务，大健康战略加速推进 (54)医学影像诊断需求迫切，“AI+医学影像”有望破解行业痛点。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2017年中国AI+医学影像行业未来发展趋势分析2017年12月27日政策、技术双重驱动，“AI+ 医学影像”蓄势待发一、国家高度支持，具体产业扶植政策有望加速出台国务出台系列政策支持医学影像行业的发展。
从 2013 年到 2017 年，国务院、发改委、国家食品药品监督总局、卫计委不断出台政策支持医学影像行业的发展。
针对性政策涉及：医学影像设备、独立影像中心、线上影像平台、影像信息化，包括鼓励公立医院采购国产医疗设备、扶持民营医院新增设备需求；加强医疗信息化建设基础，构建云端医疗数据库，推动医疗大数据的应用开发等；全面推进分级诊断，鼓励民营资本流入建设独立检查检验中心、远程医疗等。
国家对医疗领域提出人工智能发展要求。
2016 年以来，国家对于医疗领域提出明确的人工智能发展要求，包括对技术研发的支持政策，就相关技术和产品提出健康信息化、医疗大数据、智能健康管理等具体应用，并针对医疗、健康及养老方面提出较为明确的人工智能应用方向。
2017 年 7 月，国务院发布《新一代人工智能规划》，人工智能上升至国家战略层面，人工智能在医疗领域的应用有望进入新的快速发展阶段。
国家对医疗领域提出人工智能发展要求数据来源：公开资料整理目前，国家政策高度支持医学影像行业以及“AI+医疗”的发展，接下来，预计国家将在《新一代人工智能发展规划》等产业指导性文件的基础上，出台一批具体的产业推进措施，针对“AI+医学影像”行业的具体扶植政策也有望适时推出，促进人工智能在医学影像领域的应用与发展。
二、算力算法快速迭代，“AI+ 医疗影像”期待大数据引爆医学影像在医疗 AI 领域技术成熟度最高，有望最先实现商业化。
动脉网蛋壳研究院发布“人工智能+医疗技术成熟度分布曲线”，“AI+医疗影像”在医疗领域成熟度最高，在曲线上处于过高期望的峰值位置。
其判断依据为：1）从医疗影像类的企业入驻医院数量来看，目前国内科研能力较强，医疗水平靠前的大型医院几乎都已经和企业开始了相关的临床实验，首批种子用户活跃度已经达到了顶峰；2）相关领域的大规模媒体报大约出现在 2015～2017年，目前在一个平稳的高峰期。
我们认为，人工智能在医学影像领域热度较高一方面是技术储备相对丰富，特别是静态图像识别尽快的快速发展以及 2017 年以来 AI 应用于医学影像多个领域识别准确度的大幅提升，另一方面则是AI+医学影像的商业模式可行性相对较高。
人工智能+ 医疗技术成熟度分布数据来源：公开资料整理算法、算力和数据被认为是人工智能的三大核心要素，数据量的增长、运算力的提升和深度学习算法的优化将带来人工智能效率的持续提升。
目前医学影像领域算法快速突破，算力持续增长，如何获取足够丰富且高质量的医疗影像数据成为提升诊断准确度的最关键因素。
1、大量深度学习平台和框架开源降低技术门槛人工智能的核心之一是算法，深度学习是目前最重要的人工智能算法之一。
深度学习以数据为基础，由计算机自动生成特征量，不需要人来设计特征量，而是由计算机自动获取高层特征量，深度学习代表的“特征表示学习”是一次历史性的突破。
深度学习是人工智能技术的历史性突破数据来源：公开资料整理图像识别是深度学习等 AI 技术进步最快的领域之一，卷积神经网络（CNN）以及深度神经网络（DNN）等深度学习算法利用数据量以及计算量作为模型驱动力，通过感受野和权值共享减少了神经网络需要训练的参数个数，最终实现了超越传统方法的图像识别性能。
2015 年 ResNet 算法识别错误率已经降低至 3.57%,低于人眼 5.1%的识别错误率，深度学习算法在图像识别领域已经达到初步实用阶段。
2010-2015年 ImageNet ILSVRC 大赛冠军团队识别分类的错误率数据来源：公开资料整理深度学习能够自动寻找特征，非常适用于“AI+ 医疗影像”诊断。
医学影像图像有不同来自不同的部位，通过深度学习提取最主要的特征，它也可以对疾病分类，做图像分类与识别。
无需人为干涉，深度学习算法就可以从医学影像中找出许多复杂程度极高，难以用语言详尽描述出的对比特征。
在 AI 与医疗场景的结合中，基于深度学习技术的医疗影像的识别与分析，可能会在整个智能医疗、精准医疗领域中率先进入大规模应用阶段。
大量深度学习平台及框架开源降低基础算法实现的技术门槛。
随着深度学习理论和工程技术体系的成熟，包括通过云服务或者开源的方式向行业输出技术，先进的算法被封装为易于使用的产品和服务。
近年来，科技巨头开源了大量深度学习的工具包，例如 Google 的 TensorFlow, Facebook 的 TorchNet，微软的 CNTK 等等，这些开源包大幅降低了应用深度学习算法的难度，创业公司也可以利用这些开源包将深度学习应用到医学影像诊断领域，基础算法的实现门槛大幅降低，可更加高效的专注于应用层面的算法优化。
2、AI 处理器技术向高性能、低功耗的方向发展体现一个芯片实际应用效果好坏的因素主要就是它的性能和功耗。
目前，业内几乎所有的主流芯片厂商如 NVIDIA、Movidius、Intel、海思等都着手推出基于深度学习的芯片。
AI 芯片竞赛愈演愈烈，芯片业巨头和研究机构一直在探索人工智能芯片的解决路径。
相对谷歌、苹果来说，处于产业链更上游的英特尔、英伟达等芯片厂商的加入，让 AI芯片领域的争斗更加精彩。
总体来看，当前人工智能芯片的技术路径主要有三种类型。
绕一是以英特尔为代表的，围绕 CPU/FPGA 布局人工智能芯片。
在人工智能领域，英特尔望依靠强大的服务器芯片业务作为支撑，并以研发加收购的方式来开发定制的芯片来满足人工智能芯片的特殊需求。
英特尔这两年就以 167亿美元收购了 FPGA 领域的 Altera公司、153 亿美元收购了自动驾驶方案提供商 Mobileye、4.08 亿美元收购深度学习神经网络的 Nervana Systems。
这几起收购使得英特尔能够推出 CPU+FPGA 的异构方案，更好的适应人工智能时代的定制化计算。
根研究，FPGA 和 GPU 执行算法单次迭代的时间优于 CPU。
在一项 FPGA 以及 CPU、GPU 执行GaxPy 算法每次迭代的能源消耗试验中，CPU 与 GPU 的能耗是相仿的，而 FPGA 的能耗只是 CPU 与 GPU 的 8%左右。
FPGA 硬件架构数据来源：公开资料整理二是以英伟达公司为代表，围绕 GPU 布局人工智能芯片。
英伟达已经推出了新一代的 GPU，取名 Volta，号称史上最强的 GPU 加速器，具有强大的深度学习性能。
英伟达表示，相对于之前的 GPU 产品，最新的 Volta 可以让深度学习的训练提速 12 倍、推理速度提升 6 倍。
CPU和 GPU 呈现出非常不同的架构数据来源：公开资料整理三是以谷歌公司为代表，通过专用处理器布局人工智能芯片。
2016 年谷歌发布的第一代 TPU 芯片，主要在谷歌数据中心和包括 AlphaGo 这样的人工智能产品当中使用，主攻运算性能。
2017 年谷歌在 I/O 开发者大会上推出了第二代 TPU 芯片，尽管在一些应用上利用率很低，TPU 平均比当前的常用 GPU 快 15~30 倍，性能功耗比高出约 30~80倍。
TPU ，GPU ，CPU 和改进的 TPU 的性能对比数据来源：公开资料整理系统的深度学习能力提升需要经过相当数量和质量的数据训练，深度学习算法的鲁棒性、泛化能力大小很大程度取决于数据训练的量级。
数据质量更是人工智能计算和学习能力的保障，医疗数据之于医疗诊断的重要性，就像道路测试之于无人驾驶汽车，因此，在算力和算法持续快速进步的基础上，获取相当数量的高质量数据成为医学影像人工智能领域最重要的竞争力。
“互联网+ ”推动医疗行业大数据爆炸。
医疗行业数据量极大，一个癌症患者的基因组就相当于半个 TB 数据，互联网+推动了以电子病历记录为代表的集中化医疗数据量快速增长，美国医疗机构使用电子病历记录的比例从 2004 年的 21%增长至 2015 年的 87%；医院提供数字化医疗信息的能力同样也在增加——从 2013 年至今增长了 7 倍。
总结来看，全球医疗数据量从 2013 年以来的年增长率达到了 48%。
全球医疗数据量 2013 年以来年增长率达 48%数据来源：公开资料整理2020 年人类医疗数据总量预测（万亿 GB ）数据来源：公开资料整理2020 年人类医疗数据总量预测（万亿 GB ）数据来源：公开资料整理中国医学影像数据总量巨大，但利用效率较低。
据权威调查数据显示，医疗行业非结构化数据占整个数据量的 90%左右，医疗行业的非结构化数据主要包括医疗 PACS 系统产生的医学影像，比如 DR、CT、MRI 等。
而且，中国医学影像数据仍以每年 30%以上的增速在增长。
中国每年的基础数据量超过欧美，特别是根据众多人口数量获得的医疗和健康数据，但是这些海量数据缺乏一个统一标准、跨平台分享的生态环境，大多数都是数据孤岛，利用率和利用价值不高。
我国医疗数据特征数据来源：公开资料整理过去，医学影像行业在高质量数据获取和标注上有着较大挑战。
1 ）高质量数据获取难度大：一方面，高质量影像数据集中在少数三甲医院，这些医院在数据共享方面大多较为保守，不同医疗机构的数据很少能够实现互通，缺乏有效的数据共享机制；另一方面，尽管我国已经积累了大量医学影像数据，医学影像行业由于其需要使用电子设备的特性，数据格式也较于其他医学领域相对标准，但是过往医学影像数据，特别是影像所对应的临床诊断报告信息，没有以正确的标准化的形式记录甚至缺失的问题，对数据质量造成较大影响。
2）数据标注成本高：数据处理中 80%的时间都是在做数据预处理工作，标注的准确性关乎结果的准确性，训练的每张图片都需要经过专业人员标注，未来 2-5 年小样本学习在理论层面或将有所突破，但是短时间内数据的标注仍然需要耗费大量的精力。
因此，影像数据的获取能力与标注能力已经成为 AI 医学影像公司的核心竞争力之一。
国内外公司基本都处于收集影像数据的阶段，以不断丰富病种多样性和扩大影像数据规模，从而优化影像智能诊断的准确度。
医学影像人工智能学习数据主要有两大获取途径：一是是国家/ 政府的公共数据，如美国联邦政府在 数据平台开放了来自多个领域的13 万个数据集的数据，包含医疗、商业、农业、教育等领域，我国和其他国家也陆续开放了部分领域的公共数据。
二是产业合作，获得脱敏数据。
人工智能创业公司通过和行业公司，以及产业链上游的数据公司建立合作获取脱敏数据，比如和医院建立合作关系。
IBM Watson 一开始就是通过和纪念斯隆凯特琳癌症中心合作获取病历、文献等数据。
医院是当前最大的医疗数据集聚地，因此与大型医疗机构具有深度合作关系的企业占据先发优势。