而从实际应用来看，向军进一步补充到：“放射治疗的前期一般都要做相应的靶区规划以及靶区的分割，就是将靶区给勾画出来。如果按照传统的办法，十分费时费力，但采用深度学习的方法，我们就可以将分割时间缩短到传统分割方法的5%，同时分割的成功率从90.1%提高到97.8%，这是目前我们对外售卖的产品上已经能够达到的实际效果。”
尽管“AI+”的效果如此明显，但缺乏统一标准的应用再好也难成大器，这也成为困顿本土AI医疗影像技术迈出市场化关键一步的最大障碍。尤其是对医疗这一特殊而复杂的行业来说，不同病人的病理指征通常不同，而且可能针对同一种疾病，各医生给出的意见也各有差别。这种变幻莫测的复杂状况，也极大提升了当前医疗影像技术与AI结合的难度。
汇医慧影创新事业部总监左盼莉十分认同该观点，她表示：“目前最大的问题就在于标准，比如现在的肺结核诊断中，国家有个标准是通过DR生片来判断，不同级别的处理方式也不同。而且，这个判断也不是定量的，不同医生之间无法达成一致的意见，基本上没法统一。这种现状也使得做AI算法越来越难，因为AI算法的第一要求就是标注要完全正确，所以现在包括标注问题、医生之间意见不统一问题等，都需要从算法角度去解决。”
具体比如，随着AI医疗影像数据的逐步积累，针对大量不同的症状和情况，AI神经网络需要不停的进行学习和自主优化来改进算法，逐步趋近于更精确的水平，有业内资深人士对记者表示：“从医生角度来讲，今天这个人是一种算法，换一个人又需要调整成另一种算法，如果这个算法累积的越来越准确且没有问题，很容易就能获得批准。但是，如果输入的数据，一个地区可能是这一种病人，换个地区这个病人的情况又有所不同，可能在之前的地区AI医疗影像诊断的很准确，但在另一个地区诊断的又不准确，这就会造成很大的混乱。所以，标准化问题现在非常急迫。但目前来讲，国家药监局也正在摸索和学习当中，国外在这方面的标准其实进展也不多，国家对此也是十分重视，毕竟现在很多医疗类人工智能产品至少可以送检了，相比之前已经有了很大的进步。所以，标准的统一还需要有一个过程。”
关于医疗电子就介绍完了，您有什么想法可以联系小编。