人工智能在影像醫學中的實際應用

程 齊，歐陽雪暉

1內蒙古醫科大學內蒙古臨床醫學院，內蒙古 呼和浩特 010110；2內蒙古自治區人民醫院影像醫學科，內蒙古呼和浩特010017

1956 年，麥卡錫和明斯基等科學家首次提出了“人工智能（AI）”這一概念，標志著AI科學的誕生?！度斯ぶ悄軜藴驶灼?018版）》［1］給出如下定義：AI是利用數字計算機或者數字計算機控制的機器模擬、延伸和擴展人的智能，感知環境、獲取知識并使用知識獲得最佳結果的理論、方法、技術及應用系統。

隨著AI產業的蓬勃發展，得益于數據庫、算法的巨大進步，影像醫學成為AI的重要應用方向。2019年8月，國家發改委等二十一部委聯合印發《促進健康產業高質量發展行動綱要（2019～2022年）》［2］，提出要加快AI技術在醫學影像輔助判讀、臨床輔助診斷、多維醫療數據分析等方面的應用，推動符合條件的AI產品進入臨床試驗。目前，基于超聲、X線、CT和MRI數據以深度學習技術為核心，已研發了多種AI輔助影像的定量分析算法，AI與影像科醫師相結合，實現了多種疾病的早期診斷、精準治療、療效評估和預測，顯著提高影像科醫師處理影像信息的效率和準確性，可為臨床診療提供依據?，F對近5年AI在影像醫學中的實際應用做一綜述。

1 AI在醫學影像中的應用現狀

AI是一門探索、模擬人類智能，進而延伸和擴展人類智能的理論、方法、技術及應用系統的技術科學［3］。機器學習和深度學習涵蓋了醫學領域的大多數AI應用，例如新藥研究、健康管理、醫學影像、輔助診療和疾病預測等方面［4］。

目前，基于深度學習的AI與醫學影像的結合被認為是目前最具有發展前景的領域［5］，在影像成像、圖像后處理、診斷、病情評估及治療預后方面應用廣泛。AI應用大數據技術從海量的影像醫療數據中獲得有價值的信息，構建數據模型［6］，通過機器學習將輸入鏈接到輸出、使用學習模型從大量數據中學習來發現數據中的模式［7］，再通過深度學習中最經典的卷積神經網絡模擬人類大腦中多層神經網絡，讀取、處理海量的影像原始數據，學習和模仿醫師的診斷，在影像醫學的圖像預處理、圖像分類識別、感興趣區標注和計算機輔助診斷等得到了廣泛應用［8］。在掃描方面，有研究基于AI賦能的視覺傳感器，利用二維和三維點檢測算法從視頻圖像中提取人體的解剖結構結合點，并進一步應用3D網格技術構建人體結構和關鍵點的三維模型，基于關鍵點等信息計算掃描范圍、掃描中線等掃描參數，輔助醫生完成影像掃描和采集［9］。在成像方面，倫斯勒理工學院開發了基于AI的低劑量CT成像技術，混合深度學習的圖像重建技術將低輻射劑量CT圖像與深度神經網絡集成在一起，在不降低圖像質量的同時，實現了與迭代重建方法相比更高的速度［10］。在處理技術方面，有研究表明深度學習技術在壓縮感知技術、并行圖像采集和多對比度成像等方面的應用可以顯著提高MRI圖像采集與重建速度［11］。AI在影像醫學中應用最為廣泛的就是輔助疾病的診斷，以下將進行詳細的闡述。

2 AI在超聲診斷中的應用

超聲檢查是一種依賴檢查醫師操作的實時的動態檢查方法，檢查結果易受到主觀性和醫師臨床經驗的影響，低年級醫師和基層醫療機構可能存在漏診或者假陽性的情況［12］。對于數據量大并且采用醫學數字成像和通信標準存儲的超聲檢查來說，基于深度學習技術的超聲在圖像識別、大數據處理方面具有獨特的優勢。

2.1 甲狀腺結節

基于深度學習的計算機輔助診斷系統可以量化超聲灰階參數，用于結節的自動檢測和判別結節的性質，能給出客觀診斷意見［13］。例如，甲狀腺癌的侵襲性和淋巴結轉移是介入治療復發和生存率最相關的危險因素［14］，甲狀腺乳頭狀癌極易發生頸部淋巴結轉移［15］，AI技術能夠預測淋巴結的轉移，這對合理選擇治療方式、評估療效和改善患者預后具有重要意義［16］。

2.2 超聲心動圖

深度學習技術在超聲心動圖中的主要應用包括超聲圖像采集、識別、心功能的自動量化、疾病的自動評估等［17］。全自動評估心臟功能的預處理階段可以使用自動分類算法，有學者發現利用多階段分類算法，采用時空特征提取和字典學習的方法，可以提高超聲心動圖的自動識別和分類精度［18］。在評估心功能的左心室射血分數時，有學者利用深度學習技術設計了一種全自動機器學習算法，它可以繞過邊界檢測，避免圖像分割和容積測量，不估計心室收縮的程度，而模仿人類專家的眼睛，測量的結果與經驗豐富的超聲醫師一致［19］。

2.3 肝臟脂肪及其纖維化

有學者對深度學習網絡在肝臟超聲影像特征分層中進行優化，提出了22 層神經網絡的深度學習網絡Symtosis，通過設置相關參數抑制一定比例神經元活性酶去除肝臟原始圖像中的背景，預測脂肪肝的平均準確率可高達100%［20］。

3 AI在X線診斷中的應用

骨關節系統疾病圖像模態呈多樣化，數字X線片成像作為最常用的檢查方法，能夠方便、快速地診斷骨性病變及骨折等方面的疾病，醫師獨自閱片診斷任務量大且煩瑣，AI輔助影像可幫助醫師提高診斷能力和工作效率。

3.1 骨齡

兒童醫院對骨齡檢測的需求量巨大，醫師的工作負荷重，骨齡檢測的圖譜法、計分法或其他綜合性方法，不僅繁瑣、機械，而且經驗依賴性強。因此骨齡檢測特別適合基于AI診斷工具的自動化檢測，施莉麗等［21］設計了一種AI骨齡檢測系統，對接在上海交通大學附屬兒童醫院PACS、RIS接口，能自動識別和定位指定的掌指、指間及腕部關鍵區域，通過深度卷積網絡分析其高階視覺特征和模式，能快速預測骨齡，在醫院千兆網絡條件下，整個骨齡檢測所花費的時間不超過3 s。

3.2 骨折

骨折的識別及分類對手術治療的選擇相當重要，目前諸多復雜骨結構的骨折，年輕的醫師在快速識別分類上仍在一定困難。有研究開發了一個關于髖部骨折的新計算機輔助診斷系統，其使用了來自多中心的10 484張正位骨盆X光片，準確度高達96.1%，曲線下面積為0.99，實現了對髖部骨折患者高效的診斷性能［22］。

3.3 骨腫瘤

骨腫瘤種類繁多是臨床影像診斷的一大難點，學界希望能通過AI進一步獲取更多準確的診斷信息。有學者開發了一種深度學習模型，證實深度學習算法可以對多機構數據集中的X線原發性骨腫瘤影像進行分類，它與?？漆t生具有相似的準確度，并且比初級放射科醫生表現得更好［23］。

3.4 骨關節疾病

有研究進一步開發了一種基于深度學習的自動化算法聯合使用膝關節X 光片的后-前和側位圖，根據Kellgren-Lawrence分級系統評估膝關節骨關節炎的嚴重程度，模型測試集獲得了71.90%的準確率，證明了深度學習算法對膝關節骨關節炎嚴重程度的評估有一定的應用價值［24］。

3.5 骨關節軟組織

Kang等［25］開發了一種基于腋外側肩部X光片深度學習算法，可根據腋側位片上小結節的變化及臨床數據評估肌腱撕裂。這證實了深度學習算法可作為初步評估肌腱完整性的客觀依據。

4 AI在CT診斷中的應用

隨著高分辨CT設備的發展、低劑量計算機斷層掃描技術的應用及國人對健康體檢意識的逐漸加強，現階段AI技術對肺部疾病的篩查已經廣泛應用于臨床。

4.1 肺結節

肺微、小結節的檢出對肺癌的早期診斷至關重要。放射科醫生通常通過肺結節的大小和生長作為良惡性結節的主要區別；此外還有形狀、空間復雜度、強度模式和紋理特征等［26］。但是這些特征之間可能會存在復雜的相互作用，一些良性結節，例如肺部肉芽腫，在CT上可能有惡性表現，比如邊緣呈針狀或分葉狀，有磨玻璃影等。而AI輔助診斷可以利用結節內和結節外的特征使小結節預測準確率顯著提高［27］。

4.2 肺癌

肺癌是臨床上發病率和病死率最高的惡性腫瘤之一［28］，發病隱匿，早期癥狀、體征不典型，大部分患者發現時，已經是肺癌晚期或已經出現遠處轉移，錯過了最佳治療時間，5年生存率僅為19%［29］。AI影像輔助診斷系統聯合人工可以減少漏、誤診率，提高閱片速度，不僅可以提高肺癌診斷準確率和工作效率，而且也實現了肺癌的精準治療，有學者關注診斷精確、治療方案、靶向治療和個性化藥物，使用肺癌成像的AI解決方案，開發新的靶向治療，避免多余的治療導致相關副作用［30］。

4.3 新型冠狀病毒肺炎（COVID-19）

CT檢查是診斷COVID-19手段之一。COVID-19的早期癥狀與其他病毒性肺炎的癥狀十分相像，針對COVID-19早期診治容易出現漏診情況，有研究創建了一種區分COVID-19和其他肺炎的AI系統，發現該系統輔助可以提高放射科醫生區分COVID-19和其他肺炎胸部CT表現［31］。AI技術的引入不僅可以降低漏診率，還可以幫助診斷鑒別不同嚴重程度的COVID-19，如有研究通過聯合執行嚴重度評估和肺葉分割來自動評估原始三維CT圖像中的COVID-19嚴重度［32］。

5 AI在MRI診斷方面的應用

多參數MR有著高空間分辨率、良好的信噪比和優越的軟組織對比度分辨率。AI與多參數MRI的結合近年來在神經系統及腹部疾病的影像診斷中，獲得了很多有價值的研究成果。

5.1 神經系統

AI的客觀性、準確性為自動分割技術發展和興起奠定了基礎，多項研究結果表明卷積神經網絡模型能夠很好地用于阿爾茨海默病、帕金森病早期診斷分類［33］。大多數阿爾茲海默癥的患者都有不同程度的海馬區的萎縮，因此可以通過海馬區的體積來診斷患者的病情嚴重程度，但由于海馬區與其相鄰結構在MRI 圖像上的灰度值很接近而且分割結果依賴于分割算法和預處理步驟［34］，因此具有一定的難度性和耗時性。有學者提出了一種卷積神經網絡模型，根據FreeSurfer算法進行訓練，從固定大小的輸入區域框中識別和分割海馬，能在30 s內分割單個T1大腦圖像的雙側海馬[35]。

5.2 腹部腫瘤

腹部多數疾病起病隱匿且侵襲性高，多數患者確診時已處于晚期，失去最佳治療機會，早期診斷和鑒別診斷在腹部疾病中至關重要。AI在腹部疾病早期診斷、分期分級、是否存在血管和淋巴結侵犯以及轉移方面有不少應用。

5.3 肝癌

微血管侵犯是肝細胞肝癌治療后復發和轉移的獨立危險因素，準確預測微血管侵犯對患者預后評估及后續治療方案的選擇至關重要。有學者通過對肝細胞肝癌患者的增強MRI圖像進行特征提取，并結合臨床影像特征構建臨床-影像組學模型，實現了術前無創地評估和預測微血管侵犯（曲線下面積為0.88）［36］。

5.4 前列腺癌

有研究證明，多模塊化綜合神經網絡的AI可以在多個MRI 參數中準確診斷前列腺癌［37］，而結合腫瘤概率圖的計算機輔助診斷系統可以幫助放射科醫生準確定位外周帶前列腺癌區域［38］，這有利于靶向穿刺活檢，局部治療和檢測隨訪。

5.5 直腸癌

有學者發現基于區域卷積神經網絡的AI影像輔助診斷平臺能夠準確識別和標記高分辨MRI 中直腸癌壁外血管侵犯陽性或陰性的位置及其概率，而且AI平臺識別1張圖像的時間為0.2 s，大大提高了識別效率［39］。

6 總結與展望

AI目前廣泛應用于疾病的影像診斷，雖然可以輔助醫生診斷疾病，但仍然存在一些不完善之處，不能完全取代醫生的工作。如AI對計算能力要求很高，只有不斷更新算法，才能確保更高的精確度和更低的計算復雜度。再者，深度學習模型使用大量數據進行分析，缺乏大量且有效的數據資源、數據的合理開發、數據的隱私保護等都是深度學習應用的限制。最后，在享受科技的便利的同時，也必須重視AI醫學發展過程所遇到的倫理問題。

綜上所述，AI與醫學影像的前景非常廣闊，AI與影像設備的有機結合，大大提高了儀器的利用率；AI結合圖像后處理，使患者在減少輻射劑量的同時，獲得了高質量的滿足臨床診斷的圖像；AI可以智能排序和輔助閱讀分析，大大提高了診斷的效率；AI和影像醫師的結合有效提高了疾病的診斷時效性與準確性。相信在不久的將來，AI肯定會顯著提高現有診斷模式的效率，與影像醫生一起進入更精確的影像診斷時代。