人工智能辅助诊断是人工智能在医疗领域的重要应用，有效提高临床诊断的效率和准确性，有利于癌症的早期检测。本文基于肺癌辅助诊断，对人工智能辅助诊断技术进行介绍，对专利申请量、原创国、重点申请人、重点专利进行分析。人工智能辅助肺癌诊断专利随着人工智能第三次浪潮的出现迎来了飞速增长；美国和中国是主要原创国，主要申请人包括西门子、飞利浦等医疗巨头企业，同时新兴企业发展迅速。 人工智能辅助诊断的概况
肺癌是当今死亡率最高的癌症之一，70%的肺癌诊断发生在晚期，诊断后的5年生存率约为16%
[1]
。早期肺癌在CT 影像中
表现为小型的肺结节，需要花费大量的时间进行筛查。人工智能辅助诊断与医师诊断相比，具有不受医师主观性、经验差异及疲劳等人为因素影响的优点[2]
，能有效提高医师诊疗效率与精度，
有利于癌症的早期筛查
[3-4]
。
人工智能辅助诊断通过对医学影像、病理图像、生化数据、大数据等运用机器学习和人工智能算法进行分析，实现辅助诊断。人工智能辅助诊断所采用的数据源主要是医学影像、病理图像、生化数据、大数据、其他数据及其组合。对于医疗过程中的结构化数据，如医学影像、病理图像、生化数据等，目前采用机器学习和深度学习算法来处理，而对于非结构化数据，如医嘱、医疗 人工智能辅助肺癌诊断专利情报分析
刘超 石艳丽
（国家知识产权局专利局专利审查协作北京中心，北京，100000； 国家知识产权局专利局专利审查协作北京中心，北京，100000)
记录则采用自然语言处理技术来处理。所采用的人工智能算法包括很多种，其中以神经网络为主，还包括分类器、支持向量机、遗传算法、概率模型、主成分分析、决策树、贝叶斯、高斯模型、聚类分析等。
本文对专利申请、申请人、重点技术进行研究，有助于科研人员了解该研究领域现状和重点。
人工智能辅助肺癌诊断专利分析
1 申请量
由图1可以看出，20世纪80年代开始出现相关专利申请，但是在十几年的时间内申请量始终只有个位数，处在技术萌芽阶段。回顾人工智能的发展历史可以发现，20世纪80年代人工智能出现了第二次浪潮，人工神经网络在模式识别领域取得了进展。随着人工神经网络为代表的人工智能技术与医疗场景的结合，2003—2014年间，专利数量出现了一定的增长，但仍然长期维持在较低的水平，未有实质性突破。2006年深度学习技术掀起了人工智能的第三次浪潮
[5]
，重点事件包括2015年在图像识别领域基
于深度学习的人工智能算法实现了飞跃式发展。2015年开始专利申请量出现了强劲增长，成为人工智能与医疗结合的热点研究领域。
作者简介：刘超，助理研究员，硕士；研究方向：医疗领域专利审查、专利分析。石艳丽，副研究员，硕士；研究方向：医疗领域专利审查、专利分析（等同第一作者）。
图1 人工智能辅助肺癌诊断全球专利申请
2 申请原创国
图2为人工智能辅助肺癌诊断专利申请原创国排名，中国申请量占比略多于美国成为该领域第一原创国。中国在人工智能辅助疾病诊断领域中技术研发非常活跃，并且在政策上，人工智能辅助诊断领域得到了政府的大力支持。
图2 人工智能辅助肺癌诊断申请原创国
3 申请人
图3是人工智能辅助肺癌诊断重要申请人，图4是重要申请人在2005年以后专利申请分布。
图3 人工智能辅助肺癌诊断申请人
图4 人工智能辅助肺癌诊断申请人专利申请分布
重要申请人可以分为：医疗领域龙头公司、影像公司、互联网与计算机公司和新兴公司。
飞利浦、西门子和通用电气是传统医疗器械三大巨头，从人工智能辅助诊断出现开始，西门子、飞利浦就早早进入了这个领域并在该领域持续布局。
富士胶片在医疗领域以医学成像设备和图像处理算法为主，因此专利申请也以成像、图像处理为主。
IBM推出了Watson Health，收购了Merge医疗成像公司、其他医疗数据公司、健康分析公司，优势在于其掌握了先进的人工智能算法，并通过收购等手段弥补了在医疗数据上的不足。腾
讯利用自身在互联网、人工智能、大数据上的优势联合多家医院
年份/年
和科研机构在人工智能辅助肺癌领域进行了研发和专利布局。
联影2010年成立，2013年就开始申请肺癌人工智能辅助诊断专利，在短短的几年时间内，其专利积累量已经位于世界前列。VERACYTE公司将基因组技术和人工智能结合实现肺癌诊断。依图医疗提供辅助诊断和智慧医疗服务，2021年由深睿医疗收购。
表1是重点申请人目前的专利状态，授权专利为有效状态，审中表示专利未审结效力待定。
表1 重点申请人专利有效性
申请人有效/件审中/件有效比例/%
西门子396323%
联影208218%
飞利浦117410%
腾讯185026%
富士胶片192828%
IBM+MERGE301949%
VERACYTE83215%
通用电气142429%
依图医疗113123%
中科院102425%
从表1来看，西门子目前的有效专利最多，数量是联影、腾讯的两倍。IBM的有效专利达到49%，申请质量高。西门子、联影、飞利浦和腾讯的审查中专利明显多于其他申请人，研发能力强。
4 重点专利技术
人工智能辅助诊断方法主要采用以医学影像为主的数据源。西门子的US2008201280A1将多级、语义分组的医学本体并入到机器学习算法中，医学本体是对专家知识进行推导的结果，提供与疾病和医学相关概念有关的信息。西门子的US2014185888A1的病变检测方法不仅考虑医学图像本身的信息，还考虑患者个人数据。IBM的US2016364862A1使用图形报告来训练模型，图形报告包括相结合的结构化数据与图像，结构化数据允许模型更快地学习图像特征和相关诊断。西门子的CN112508842A为了满足模型训练时对高质量带标注训练图像的需求，接收医学图像块、分割掩码、外观相关参数以及属性参数，使用经训练的对象合成网络来合成医学图像块，用合成图像作为训练数据集。
在医学图像预处理方面，联影的CN105976367A公开了肺结节检测方法：获取肺部CT图像，经过初始定位和滤波获得目标区域，判断基于聚类模型处理的目标区域，若满足第一判定，则获取结节的实性区域；判断基于形态学模型处理的目标区域，若满足第二判定，则获取结节的周围区域；融合实性区域和周围区域，能够准确分割不同类型的结节。依图医疗的CN107909581A 是基于深度学习的CT影像肺叶段分割方法，采用FCN
网络检
测肺部轮廓，筛选候选区域并选择3D U-net对肺段和肺叶进行血管分割和肺裂分割，控制分割过程的精确度和速度。西门子的US2019057521A1由医学图像数据生成地形图，用地形图来检测病变。
在模型训练和病变检测方面，飞利浦的US5768333A使用两阶段分类方法识别肿瘤斑点，在第一阶段中基于计算的特征度量识别候选可疑斑点，在第二阶段中从候选可疑斑点中识别真阳性，从而降低假阳性。西门子的US2016110632A1公开了单尺度机器学习分类器，用于在医学图像中分割肺部解剖结构，首先分割出较大的解剖结构，然后用机器学习分类器在体素级上对较小结构进行分类，基于体素的机器学习分类器可提供云服务或预分类好的库。联影的US2017337687A1公开了用于训练分类器的方法：获取肺部图像；通过形态学模型和统计模型分割原始图像来确定候选目标；从候选目标中提取通用特征集；从通用特征集中确定特征的参考子集；用特征的参考子集训练分类器。富士胶片的US2019131012A1公开了图像检索方法，从病例数据库中搜索与待检查图像相似的病例图像，其中在待检查图像中指定关键查要素，提高搜索的准确性。
对医学图像可视化的改进有利于帮助医生识别病变并作出最终诊断。西门子的US6697506B1首先对医学图像进行诊断，并对于图像的不同局部区域中的不同病变使用不同的显示参数进行图像增强，对每种病变给出相应的增强图像并显示给医生。西门子的US2020168321A1改善医生阅片流程，提供了医学图像可视化和探测的工具，避免医生在多个显示屏间切换。结语
人工智能辅助肺癌诊断专利随着以深度学习为核心特征的人工智能第三次浪潮的出现，在2015年后迎来了飞速增长，美国和中国是主要原创国，主要申请人包括了西门子、飞利浦等医疗巨头企业，同时新兴企业发展迅速。今后，随着人工智能算法的改进、与医学领域融合的加深、国家新一代人工智能开放创新平台的建设、人工智能医疗伦理和监管的标准化，以及人们对于健康生活的持续追求，人工智能算法和医学辅助诊断模型必将持续优化和更加成熟，人工智能辅助诊断仍将是发展的热点。
参考文献：
[1] 贾利叶，任雪婷，赵涓涓，等.人工智能在肺癌影像基因组学方面的研究与进展[J/OL].太原理工大学学报，(2022-04-13)[2022-04-13].h t t p s://k n s.c n k i.n e t/k c m s/ detail/20220413.1530.002.html.
[2] 孙瑶，王祥，萧毅.深度学习技术在肺癌影像学诊断中的应用进展[J].肿瘤影像学，2021，30（6）：525-531.
[3] 刘可.中美在疫情防控有关的人工智能技术领域专利对比分析[J].专利代理，2020，4：71-75.
[4] 江泽飞，许凤锐.乳腺癌精准：20年探索历程[J].中国实用外科杂志，2020，40（1）： 83-88.
[5] 王立石，宋洁，张洁.基于人工智能的智慧医疗对专利保护政策的挑战及应对[J].软件，2019，40（
8）：171-174.
关键词：辅助诊断；人工智能；专利分析；肺癌
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议