人工智能在醫學影像診斷中的應用

曲雅楠

煙臺市北海醫院CT 科，山東龍口 265718

人工智能的最大特點就是能夠通過大數據來處理非常復雜的信息。通過人工智能深入的挖掘其中的信息可以為人類的社會發展提供更多的資源。醫學影像數據中含有大量的人體健康信息，目前90%的醫療數據來自于醫學影像，并且還在增長。醫學影像信息和持續增長的醫學影像診斷要求人工智能能夠更加準確地判斷和分析除人體健康狀況，醫學人工影像解讀能夠通過醫生的主觀認知和影像提高人體疾病的判斷率。目前這個階段，大部分醫學影像資料其實都無法做到自動化，均需要很多的人力參與分析，在這個分析的過程中有許多因素都有可能直接降低診斷的準確率。所以，對于大幅度增多的圖像數據，采用人工的方式進行處理顯然已經是無法滿足臨床診斷的需求。人工智能是一門新興的學科，包括信息科學、數學和其他領域，在這些領域，像計算學習和算法模型等基本條件都會逐漸演變成人工智能發展不可或缺的力量。在最近幾年里，開始有越來越多的人工智能方法使用在醫學圖像領域。采用這些新技術不僅能夠大幅度提升醫生的工作效率，并且能夠顯著地提升診斷的準確率。從臨床的角度來看，醫生會根據醫學影像和常規疾病檢查方法來判斷病情，目前這種方式已經成為醫學診斷的主要依據，并且在臨床診斷上對影像數據的解讀也成為當前醫生面臨的挑戰。

1 醫學影像大數據與AI

為了保證人工智能可以實現快速發展，必須要夯實數據基礎，而且通過人工智能能夠對大量的數據進行記錄、分析。從醫學角度來說，數據檢測是尤為重要的，這是保證病情診斷順利完成的關鍵所在。眾所周知，醫學檢測產生的數據是非常多的，尤其是在老年人口持續增加，大家日益重視身體健康的今天，醫學影像方面的需求明顯增多[1-2]。在大型醫院每年的醫療數據甚至超過1PB，對醫學影像資料的巨大需求給醫學攝影基金會帶來了巨大的需求。尤其是在當前世界人口老齡化的基礎上，人們對于自己健康的關注度也在不斷的提升，對目前的醫療資源和技術提出更大的挑戰，這就要求醫療領域能夠更快的提高自己的技術水平來滿足人們的需求。當前，國內外的人工智能技術也是根據這些需求來不斷地發展，為了解決醫療領域的挑戰，也出現了許多新的產品。例如，計算機輔助診斷、智能專家系統等。

作為醫生的“第3 只眼睛”，醫學數字成像設備和電子診斷技術在臨床實踐中被普及和重用，其中成像和圖像是醫學影像的兩個重要組成部分。成像技術是醫學信息源頭，使用不同的物理成像原理來獲取人體組織的結構圖像數據，該數據準確、直觀、具體、敏感和可靠，其成像質量也能夠成為后續疾病檢查和診斷的主要依據?，F階段，醫學成像技術的應用是較為常見的，而要保證醫學影像方面的實際需要真正得到滿足，必須要確保其功能更加的全面，并要保證數據處理更為迅速[3]。大范圍數據處理是收集大型、高性能、多種類型和高價值數據信息，并查找特定規則。人工智能必須從豐富的資源中提取規則信息，然后通過模型將其轉換為“智能”。對醫學數據的深度學習和圖像識別的要求是顯而易見的。利用技術可以實現醫學影像質量的提升，AI 優化的掃描工作可以更好地提高掃描效率，并且保證成像質量的標準化，在整個醫療健康鏈中有著重要的臨床和科研價值，其影響也是非常大的[4-5]。

2 人工智能醫學影像診斷技術的基本原理

圖像診斷和治療智能主要涉及到幾個方面:圖像識別主要是用于感知鏈接，目的是能夠得到相關患者重要的病理信息，并且能夠快速地實現組織和器官的定位、分類，同時能夠精準地定位可疑位置，這是一種可以幫醫生迅速的從海量的信息中提取準確的信息的方式，避免了人工閱讀帶來的主觀的差異性，對于去除對醫生的干擾項，幫助醫生提高對醫學圖像的解釋效率，AI 輔助圖像處理算法還可以幫助醫生完成對分割配準都復雜功能通過用醫療設備。用以治療的醫療設備實現對病人的病灶結構信息提供精準的圖像；第二種是使用在預測和分類等方面的深度學習。利用對于醫學圖像大數據和診斷結果、定量分析和預測的特定多層神經網絡培訓，降低臨床漏診誤診率[6]。第三種是通過提取其中的診斷和治療信息精準的確定?；颊叩年P鍵信息并且能夠在診療的過程中確定準確的治療方案。AI 輔助診斷可以幫助醫生篩查病癥，這是一種通過海量的數據來提取準確的信息的過程，在這一過程中，還能夠幫助醫生準確的判斷相關的病癥和有價值的信息，醫學圖像的標志者需要具備一定的醫學背景，同時在進行AI 醫學影像的過程中通過掃描來完成對患者隱私問題的捕獲，進而獲得高質量的醫學圖像，對不同的病變類型進行比較，能夠準確地判斷出不同的病變類型在正確的醫學圖像數據上的差距。一些基于AI 非結構醫學信息數據分析的同時結合相關影像，協助醫生撰寫診斷報告，并且能夠在此基礎上生成自動或半自動的標注數據，從而保證數據集的準確性和標準性。

2.1 圖像識別的基本工作原理

模式識別根據理論基礎劃分成多個處理階段，針對完整的圖像數據采取通用的機器學習方法，涵蓋典型的圖像技術、視頻技術以及機器人視覺。而視覺圖像識別技術則是利用多種類型的機器視覺系統提取二維或三維圖像信息，隨后將提取的信息傳輸到圖像處理系統。根據點的分布、亮度和顏色分布進行二進制分析和細分識別，并將其轉換為數字信號，然后執行算法以自動檢測模式[7-8]。目前在臨床上常用的醫學影像模態包括電子計算機斷層掃描、磁共振成像、射線等等。不同模態的醫學影像可以辨別圖不同類型的生理病理信息。根據醫學影像設計的人體中的正常的生理標準數據與病理生理信息物理信號相比較，最終形成信號傳播的數學物理模型，然后形成信息精確的二維或三維空間分布醫學圖像。例如，CT 圖像就是通過特定普段射線的衰減系數，對對人體內不同組織的數據進行掃描，由于衰減系數和物質密度有密切的聯系就會形成人體組織的三維密度分布。三維醫學圖像成像的過程中也是通過體外采集到的物理信號，重建產生該觀測信號的人體生理病理信息分布數據的采集。在這一過程中，數據是不穩定的，受到掃描時間劑量的限制導致采集信號量不足，或者原始采集信號存在一定的干擾信號，這在一定程度上就會導致成像設備硬件的不完美，最終導致成像過程的隨機運動，這些因素都會導致理想數學物理模型解析重建方法通常無法達到臨床要求的圖像。也就是說在圖像重建的過程中需要針對圖像進行約束，這樣才能夠形成穩定的圖像，而這種簡單的約束條件通用性很強卻無法準確地反映數據本質，對于特定的影像模態和成像模式，無法真正的形成最優的成像結果。目前技術和醫學影像成像方法的結合已經成為當前醫學技術研究的重點和熱點問題，研究結果也在不斷地推出。

2.2 深度學習的基本工作原理

圖像數據自身展現出來的高維度直接決定了對于學習適應性訓練模型的高需求。多層深神經網絡利用層層關系逐層獲取醫療圖片上沒有使用過的數據層，隨后得到不同分類預測層獨有的抽象屬性。其特殊優勢是學習功能的有效算法，無需控制，自動獲得信息，而不是傳統的手動信息獲取。同原有的基于深度學習的醫學成像智能診斷系統對比，它取其精華融入了對于經驗的定量增長和逐步發展考慮。利用系統戰略網絡以及價值網絡針對大量的醫學成像信息層開展層層分析以及數據提取，根本不需要為其提供人工邏輯等知識，也就表示能夠在實時診斷的過程中深入學習[9]。所以，智能成像能夠依據深度神經模型來進一步研究成像信息，持續提升其臨床診斷能力。

3 人工智能在醫學影像診斷中的應用

3.1 腫瘤性疾病

3.1.1 皮膚癌根據美國癌癥協會統計的報告可知，全世界每年患有皮膚癌的患者中大概是會出現232 000 個新病例以及55 500 個死亡病例。對于黑色素瘤而言，其發病早期診治同晚期診治的5年存活率數據分別達到了99%以及14%，表示如果能夠早期診斷，基本上黑色素瘤能被完全治愈。傳統使用的皮膚癌診斷主要是利用視覺診斷的方式實現初步的臨床檢查，隨后對患者使用結腸鏡檢查、活檢和組織病理學檢查[10]。從這個意義上說，深層的卷積神經網絡顯示它復蓋了更多的惡性/良性皮膚癌和葡萄胎的皮膚鏡圖像。利用具有較高敏感性和較強特異性的深度學習卷積神經網絡檢測皮膚黑色素瘤，進而診斷皮膚癌。隨機從國際黑色素瘤計算機視覺挑戰數據集（n=379）中選擇100 張皮膚鏡圖像（50 個黑色素瘤、44 個面片和6 個鏡頭），用于橫截面研究和集成的獨立自動檢測與算法。使用皮膚科醫生的圖像識別黑色素瘤時，智能診斷系統的準確率的提升必定會直接提高醫生的效率[11]。

3.1.2 乳腺癌乳腺癌屬于女性遇到的常見癌癥問題之一。美國癌癥協會曾經對外宣布，美國婦女中約有2.3億新的浸潤性乳腺癌病例，其中約39，620 例死于乳腺癌，8 名婦女中有一人患有乳腺癌。乳腺癌的檢查必須得到支持，必須為婦女提供高質量的篩查、診斷和治療[12]。本文通過神經網絡研究提出了一種基于自組織映射和復雜神經網絡（CVNN）的混合計算模型來檢測乳腺癌。通過篩選了822 例患者，利用SOM 技術針對相似性最高的患者采取分類分組策略，隨后把提取到的特征信息融入到深度神經網絡的處理分類。同臨床診斷結果對比可知，該病診斷率分別達到了94%以及95%，由此可見此模型自身的優越性以及具有很強的可行性。這種基于人工智能的乳腺癌早期檢測技術，主要是利用乳腺X 線鉬靶分析來實現重要的乳腺癌自動分類環節，通過大量的臨床數據訓練并進行回歸測試了，結果表明惡性和性腫瘤區分的準確率超過了95%，達到了95.83%[13]。由此可見，廣義回歸人工神經網絡對于乳腺癌檢測而言屬于一個相對穩定的系統，具有較高的準確率。

3.1.3 肺癌在各類癌癥中，肺癌的發病率、病死率處于高位，尤其是病死率超過了70%，在所有癌癥死亡例數中的占比高達1/4。若想保證患者生存率大幅提高，最為關鍵的就是要完成好首次診斷。眾所周知，早期肺癌并沒有特別明顯的癥狀，中晚期時才會發現并接受治療，此時除了需要支付較高的治療費用外，而且效果也不夠理想，所以要將早期預防、診斷做到位。胸部的X線平片、CT 掃描能夠提供肺部影像，這是進行早期診斷的主要依據。在獲得CT 圖像后，通過智能神經網絡模型就可針對肺部結節予以觀察，進而了解肺癌隱患是否存在，展開量化分析之后也可對惡性程度進行準確判斷。對機器學習SVM 分類器加以應用，建成了計算機輔助分析系統，這樣就可對分葉肺區近胸膜結節予以檢測，進而保證肺癌診斷更加準確[14]。對此系統予以分析可知，其選用的是10 倍交叉驗證，可以確保準確率高達96.22%。通過輔助決策系統可對每個肺結節進行更為細致的劃分，進而針對收集到的相關數據展開性能評估。相較于CNN，其在準確率方面有著更大的優勢，能夠達到84.58%。對于放射科醫師來說，對此系統加以充分應用可以使得肺癌結節的檢測順利展開，準確度有明顯提升，而且檢測效率也可得到切實保證[15]。

3.2 智能閱片

人工智能能夠首先判斷在影片中是不是存在人工智能，隨后當值醫生會進一步審查判決結果，進而有助于醫生采取合理的措施進行科學有效地分配時間?，F階段，部分智能電影閱讀系統不僅僅能夠進一步識別出標尺，還能夠直接評估標尺的屬性[16]。一般來說，使用大數據圖像和臨床說明，智能電影閱讀系統可以連續不斷地教學，然后為疾病類型制定標準，并可以長期穩定地運作。智者是神瑞藥學的人工智能產品，在幫助診斷圖像方面做得很好。本產品能夠用在肺癌、乳腺癌、急性骨折等疾病的輔助篩查以及診斷等方面。它擁有早期診斷功能、決策助理以及治療助理等功能[17]。診斷肺癌僅僅耗時30 s。其中，不論是點頭檢測的靈敏度還是特異性全部滿足國際先進水平，整體準確率達到了98.8%?，F階段被應用在100 多家醫院，其中甲級醫院占比為70%。

3.3 智能放療

在如今的腫瘤治療領域，普遍采用的治療手段是放射治療。整個腫瘤放射治療過程涉及到多個環節，非常復雜，其中涵蓋了定位模擬、設計方案、檢查方案以及引入治療等環節[18]。在這當中，需要重點關注的是目標區域的確定。對于放射治療師來說，完成此項工作是其職責所在。然而從我們國家的現狀來看，放射治療師的數量明顯不足，而且大多是在甲級醫院中，綜合醫院、地方醫院擁有的放射治療師非常少，這對放射治療產生的影響是極大的，因此患者會到大醫院接受治療。放射治療用各種射線治療腫瘤細胞，這是有害的。必須徹底清理加工區，以免損壞正常細胞。放射科醫生必須在每次治療前手動識別患者的CT 圖像，這需要幾個小時，而且是無效的[19]。因此，人工智能企業開始開發智能放射治療系統，如此可以使得放射治療整體效率明顯提升，專業治療師不足的問題可以得到大幅緩解。在現階段，臨床腫瘤治療系統已經開發出來，其是將醫學圖像數據作為基礎，并對人工智能算法加以運用，確保放射科醫生能夠迅速確定目標區域，而腫瘤、器官的識別則能夠自動完成。從此系統應用的效果來看，準確率在80%以上。這個系統在當下已經展開測試工作，相信能夠在更大的范圍內得到應用。

3.4 病理圖像智能分析

中國目前病理學家嚴重短缺，注冊病理學家只有10 200 人，這與100 張病床上1～2 名病理學家的標準相差甚遠。病理學家總數超過90 000 人，現階段的病理學家僅僅支持10%的醫療需求。而隨著病理學家的空缺促使現有的病理學家工作負擔不斷加大。病理學家通?；ê芏鄷r間檢查細胞的病態部分。他們需要在數以億計像素的病態影像中識別出小的癌細胞，即使是有經驗的醫生也會犯錯。隨著圖像全彩數字化技術的發展和應用，它偏向于獲取不使用的節，隨后產生大量的定量分析算法。所以，很多技術公司采取人工智能技術來針對性地研究疾病數據，進而高效地提升疾病診斷的有效性和準確性[20]。換句話說，人工智能技術在病理學中具有非常廣泛的應用未來。一個典型的例子是武漢著陸公司研制的全自動數字（遠程）病理細胞分析儀。該產品可以學習如何將癌癥細胞與數百萬個標記的樣本中的正常細胞區分開來，并且還可以繼續開發[21]。同僅僅借助顯微鏡和肉眼的原始診斷方法對比，本系統得到的結果具有更高的準確率，并且效率也提高很大幅度。最關鍵的是，整個診斷過程的透明度以及可追蹤度都是極高的，若是出現診斷錯誤，那么能夠在較短的時間里尋找原因。當然需要重視的是，人工智能病態分析的結果并非最終結果，作為病理學家一定要仔細檢查結果，避免出現任何誤診。

4 結語

現階段不管是腫瘤性疾病還是非腫瘤性疾病，人工智能技術能夠有效地替代人類醫生實現海量圖像的分類工作，并且能夠代替人工完成資料的快速審查工作，一定會轉變成新型的疾病診斷和管理模式。以醫學圖像的智能診斷為基礎必定會造福于社會。如今，監管機構要求人工智能程序的性能需要同有經驗的醫生保持一致。在這個領域快速發展之際，人工智能必然能夠發揮出更大的作用，并滿足大家的期許。對于放射科領域來說，智能機器在不久的將來必然能夠成為醫生的幫手，甚至可以直接取代。無論如何，基于醫學圖像的智能診斷仍需要與醫生密切合作并相互補充。