人工智能医学影像应用：现实与挑战
金征宇
【关键词】 人工智能；计算机辅助诊断；深度学习；医学影像
［中图分类号】R05；R395【文献标识码】A【文章编号】1000-0313(2018)10-0989-03
DOI：10. 13609/j. cnki. 1000-0313. 2018. 10. 001
伴随着人工智能的方兴未艾，医学影像与人工智能的结合被认为是最具发展前景的领域
⑴。医学影像 人工智能肇始于上世纪60年代，上世纪80年代，随着 人工神经网络和基于人工智能的计算机辅助诊断 (CAD)软件的开放应用，人工智能开始逐渐整合到放 射科日常工作流程中。进入21世纪以来，随着人工智 能技术的飞速发展，人工智能在医学影像中的应用日 新月异，在肿瘤检出、定性诊断、自动结构化报告、肿瘤 提取、肿瘤放疗靶器官勾画等方面已经有较多的临床 研究和临床应用
⑵。由于医学影像临床工作的复杂性，伴随计算机技术的发展,直到近期人工智能技术才能进行精准的医 学影像图像分析
⑶。目前学术界普遍接受的观点是人 工智能应用于医学影像日常工作中，可以减少放射科 医生的重复简单工作并降低人为错误，提高医生的工 作效率，提高诊断准确率,促进精准医疗在影像医学的 应用，但即使人工智能技术能达到更高的技术水平并 能控制成本应用于临床工作，人工智能也不能取代放 射科医生的全部临床工作，尤其是需要与人沟通交流 的相关工作。
在探讨如何将人工智能应用于医学影像之前，要先了解在无人工智能的情况下，医学影像所面临的3 个问题。
第一，医疗数据中超过90%的数据来自于医 学影像，但这些数据几乎全部需要人工分析。人工分 析的缺点显而易见:①不够精确，医生仅能凭借经验去 辨别，经常缺乏量化的标准，容易造成误判；②不可避 免地会出现人眼视力产生的误差及视力疲劳；③海量 的图像信息量容易产生漏诊。
第二，医疗从业人员短 缺。目前我国医学影像数据年增长率约为30%,而放 射科医师数量年增长率约为4%,其间的差距为 26%
（4）。放射科医师数量增长远不及影像数据增长， 且医师从业需要较长时间的培训和学习，这意味着放 射科医师在未来处理影像数据的压力会越来越大，难以承担巨大的负荷。第三，在多学科相互渗透交叉的 时代，放射科医师缺乏强有力的方法或武器参与竞争 以稳定学科发展的方向。而人工智能与医学影像的融 合恰好可在学科发展方面拾遗补缺。
人工智能在医学影像的应用主要分为图像识别和深度学习两个部分。这两部分均是基于医学影像大数 据所进行的数据上的挖掘和应用，其中深度学习是人 工智能应用的核心环节。如果这两部分均得以实现将 改写医学影像学在学科发展中的方向。
人工智能在医学影像应用最成熟的领域为肿瘤影像,其中以下三个方面已较广泛应用于医学影像诊疗 临床工作中：
1.肺部结节和肺癌筛查
2016年进行的一项大规模研究，在50台CT扫 描设备上使用了 4种不同的CAD软件用以检出放射 科医生漏诊的肺部结节，发现CAD软件可以检出漏 诊的56%〜70%结节，其中包括17%的3mm以下肿 瘤和69%〜78%的3〜6mm肿瘤，这种大小的肿瘤经 常被医生漏诊⑹。使用更加先进的人工智能数据处理 技术如多视点卷积网络可进一步降低CAD筛查肺部 结节的假阳性率⑺。如果不同放射科医生对于肺部结 节性质有争议时,CAD软件的诊断意见有助于结节性 质的判定。肺部结节和肺癌筛查的人工智能CAD软 件可以帮助放射科医生准确检出早期小肿瘤，降低医 生工作强度和人为错误的发生率⑻。CAD软件在低 剂量CT肺部结节筛査中可显著提高实习医师的诊断 敏感性，以共同读片模式可以明显缩短实习医师的阅 片时间这表明人工智能技术在肺部结节CT筛査 中可以切实应用于低年资医师教学和临床诊断工作 中。
2.乳腺癌筛查
乳腺癌影像筛査是人工智能机器学习较早应用的领域，目前CAD已经较好的融入放射科医生对乳腺 癌进行影像诊断的日常工作流程中，在X线断层成 像网、乳腺钥靶山］、超声［12\MRIm等不同检查方法 中，基于人工智能的CAD筛查乳腺结节、诊断乳腺癌 的准确性均较高。
乳腺CAD目前被广泛应用在X线摄影对乳腺癌 的筛査上,相关研究主要集中在提高钙化灶和肿块检 出的准确性方面口句，其中X线摄影对微钙化灶的检出 率较高，而对肿块的检出率则会受到腺体密度的影 响毎〕。最新开发的自然语言处理软件算法可准确获 得了 543例乳腺癌患者乳腺X线摄影的关键特征，并 与乳腺癌亚型进行了关联，其诊断速度是普通医师的 30倍,且准确率高达99%口句。CAD系统可以辅助乳 腺MRI的视觉评估并提供有用的附加信息。研究发 现CAD系统对于MRI评估浸润性乳腺癌对新辅助化 疗的反应具有高特异度，可达100%,但由于敏感度较 低，仅为52.4%,因此尚不能取代视觉成像评估 CAD系统对于MRI评估浸润性乳腺癌的多灶性具有 明显优势，但对评估淋巴结的转移状态效果不佳口旳。
3.前列腺癌影像诊断
多参数磁共振在前列腺癌的影像检出、定位和分期方面发挥着重要作用，但是前列腺多参数磁共振成 像技术较为复杂，序列较多，结果判读时间较长，难度 较大。研究发现基于多模态卷积神经网络的人工智能 CAD技术,在多参数磁共振中可以较准确的自动诊断 前列腺癌口刃。使用CAD软件也可以准确进行前列腺 区域自动分割和肿瘤体积测定割]。
此外，在肿瘤影像诊断临床工作中,基于人工智能 的机器学习技术,在肿瘤患者影像学检査方法和流程 制定、影像成像、自动化解析影像和结构化报告、图像 质量分析、检査放射剂量预估等方面，也有相关的研究 报道，在今后的肿瘤影像实际临床工作中可能会起到 积极的作用⑵]。需要放射科肿瘤影像医生注意的是 随着人工智能技术的发展以及和临床数据的紧密结 合,肿瘤影像数据结合临床数据在人工智能辅助下转 换成临床决策是今后肿瘤临床诊疗路径中的重要发展 方向。
随着人工智能在医学影像领域应用的进一步拓展,在非肿瘤影像诊断的实际临床工作中整合了越来 越多的人工智能相关产品。研究发现AI成像优化技 术联合图像后处理迭代算法技术可在主动脉CTA成 像中保证图像质量并明显降低辐射剂量⑵七人工智 能技术辅助冠脉CT血管成像对冠心病的诊断效能可 以达到高年资放射科医生水平⑵]。这些研究进一步 拓展了人工智能在医学影像的实际应用，具有很好的 临床和科研应用前景。
现阶段，人工智能在医学领域的探索可谓五花八门，但最终应用到临床却微乎其微。主要原因之一是 人工智能系统在复杂的临床应用中不能准确搜集到高 质量可应用的数据即有效数据，所得出的结论缺乏可 靠性，难以保持测试数据集上的高准确率。其次是临 床医学数据的搜集和预处理不够完善，未将医生的工 作流程纳入考虑范围。医生对于疾病的诊断很重要的 一点是依靠科学的思维和临床经验。医生的思维模式 难以复制，而医生基于临床诊断作出的处理决定是融 合了科学基础和人文关怀的综合考量。但作为医生的 有力助手，人工智能结合医学影像具有诸多优势，患 者、放射科医师、医院均能从人工智能的应用中受益。 人工智能不仅能帮助患者更快速地完成健康检査包括 X线、超声、磁共振成像等，同时也可以帮助影像医生 提升读片效率，降低误诊概率，并通过提示可能的副作 用来辅助诊断。随着人工智能和医学影像大数据在医 学影像领域的普及和应用，医学影像所面临的诊断准 确性和医生缺口等问题便可迎刃而解，两者的融合将 成为医学影像发展的重要方向。
在医学影像领域，人工智能技术的介入结合大数据挖掘，使得医学影像大数据在人工智能的筛选、梳理 和提取后,可能转换成有效的临床决策「知。2017年7 月8日国务院印发的《新一代人工智能发展规划》提出 了我国研发人机协同临床智能诊疗方案的计划。医学 影像技术的发展、人工智能技术的进步和医疗大数据 的不断积累促使智能医疗的发展进入新时代。
参考文献：
[1]Kahn CE Jr. From images to actions: opportunities for artificial intelligence in radiology [J], Radiology, 2017,285(3) ： 719-720.
[2]Gyawali B. Does global oncology need artificial intelligence? [J]. Lancet Oncol,2018,19(5) ：599-600.
[3]Siegel E. Artificial intelligence and diagnostic radiology ： not quite ready to welcome our computer overlords。]. Appl Radiol,2012, 41(4)：8.
[4]Amato F> Lopez A,Pena-Mendez EM,et al. Artificial neural networks in medical diagnosisf J]. J Appl Biomed♦ 2013,11(2)： 4758.
[5]2018-2024年中国人工智能+医疗影像行业市场研究及投资前景 预测报告[R], http：〃www. chyxx. com/research/201710/ 578114. html
[6]Liang M,Tang W,Xu DM,et al. Low-dose CT screening for lung cancer:computer-aided detection of missed lung cancers]J]. Radiology,2016,281(1)-279-288.
[7]Setio A A, Ciompi F, Litjens G, et al. Pulmonary nodule detection in CT images: false positive reduction using multi-view convolutional networks]J], IEEE Trans Med Imaging,2016,35(5) ： 11601169.
[8]Ciompi F,Chung K,van Riel SJ»et al. Towards automatic pulmonary nodule management in lung cancer screening with deep learn- ing[J]. Sci Rep,2017,7-46479.
[9]胡琼洁，陈冲，王玉锦，等.实习医师以共同阅片和第二阅片者模 式使用计算机辅助检测系统在低剂量CT中的应用研究[J].放射 学实践,2018,33(10):1022-1028.
[10]Samala RK,Chan HP, Hadjiiski L,et al. Mass detection in digital breast tomosynthesis: deep convolutional neural network with transfer learning from mammography [J]. Med Phys, 2016. 43 (12):6654-6666.
[11]Huynh BQ, Li H,Giger ML. Digital mammographic tumor classification using transfer learning from deep convolutional neural networks]J]. J Med Imaging (Bellingham) ,2016,3(3) ：034501.
[12]Gu P,Lee WM,Roubidoux MA,et al. Automated 3D ultrasound image segmentation to aid breast cancer image interpretation]J]. Ultrasonics ,2016,65:51-58.
[13]Bickelhaupt S,Paech D,Kickingereder P,et al. Prediction of malignancy by a radiomic signature from contrast agent-free diffusion MRI in suspicious breast lesions found on screening mam- mography[J]. J Magn Reson Imaging,2017.46(2) ： 604-616.
[14]李欣，梁森，黄正南，等.乳腺X线Al智能病灶检测[J].放射学 实践,2018,33(10):1029-1032.
[15]Mahersia H, Boulehmi H, Hamrouni K. Development of intelligent systems based on Bayesian regularization network and. neu- ro-fuzzy models for mass detection in mammograms: a comparative analysis]J]. Comput Methods Programs Biomed,2016,126： 46-62.
[16]Patel TA, Puppala M, Ogunti RO, et al. Correlating mammographic and pathologic findings in clinical decision support using natural language processing and data mining methods]J]. Cancer,2017,123(1) ：114-121.
[17]Bottcher J,Renz DM,Zahm DM, et al. Response to neoadjuvant treatment of invasive ductal breast carcinomas including outcome evaluation ； MRI analysis by an automatic CAD system in comparison to visual evaluation [J]. Acta Oncol, 2014,53 (6) ： 759768.
[18]Song SE, Seo BK, Cho KR, et al. Computer-aided detection (CAD) system for breast MRI in assessment of local tumor extent ,nodal status, and multifocality of invasive breast cancers: preliminary study[J], Cancer Imaging,2015,15： 1.
[19]Le MH,Chen J,Wang L,et al. Automated diagnosis of prostate cancer in multi-parametric MRI based on multimodal convolutional neural networks]」]. Phys Med Biol, 2017,62 (16) ： 64976514.
[20]Turkbey B,Fotin SV,Huang RJ,et al. Fully automated prostate segmentation on MRI： comparison with manual segmentation methods and specimen volumes]J]. AJR, 2013,201 (5) · W720- W729.
[21]Choy G,Khalilzadeh O,Michalski M,et al. Current applications and future impact of machine learning in radiology [J]. Radiology,2018,288(2) ,318-328.
[22]许晶晶，谭延斌，张敏鸣.影像学在肿瘤精准医疗时代的机遇和 挑战口].浙江大学学报(医学版)，2017,46(5) ,455-461.
[23]王明，王怡宁，于敏，等.AI成像优化联合迭代算法在“双低”主 动脉CTA的初步应用[J].放射学实践, 2018, 33 (10):1009- 1016.
[24]黄增发，王翔.人工智能冠状动脉CT血管成像在冠心病诊断中 的应用[J]・放射学实践,2018,33(10):1017-1021.
[25]Robertson SP, Quon H, Kiess AP, et al. A data-mining framework for large scale analysis of dose-outcome relationships in a database of irradiated head, and neck cancer patients [J]. Med Phys,2015,42(7)-4329-4337.
(收稿日期：2018-10-12)
联系客服
