王立鵬，陳曉，紀哲，陸建平

人工智能是研究、開發(fā)用于模擬和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學，其領域包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等[1]。近年來，人工智能技術發(fā)展迅速并不斷應用于各個領域。在醫(yī)學中，醫(yī)學影像與人工智能的結(jié)合被認為是最具發(fā)展前景的方向之一[2-3]。

醫(yī)學影像自動化處理發(fā)展歷史

從可以在計算機上瀏覽和讀取醫(yī)學圖像開始，研究人員便致力于研發(fā)能夠自動分析和解讀圖像的技術。起初，在1970-1990年，研究者采用低級別的像素處理技術和數(shù)學模型來構建基于復合規(guī)則的圖像處理系統(tǒng)，這一時期的圖像的自動處理旨在通過多種固定規(guī)則的組合來完成圖像分析[4]。20世紀末，基于傳統(tǒng)機器學習方法的圖像處理在醫(yī)學影像分析中開始流行，主要包括k-平均算法(k-means)、K最近鄰法(k-nearest neighbors,k-NN)、貝葉斯分類(Bayes classification)、決策樹(decision tree)、支持向量機(support vector machine,SVM)等。至此，借助機器學習的方法可以實現(xiàn)醫(yī)學圖像特征向量提取及自動化對比判定。然而，圖像特征的定義及抽象分析仍然需要依靠人工來完成，無法實現(xiàn)圖像分析的全線程自動化處理[5]。

基于深度學習的圖像處理

2006年深度學習技術引起學術界的廣泛關注，目前已廣泛應用于圖像、語音、文字和視頻等各種信息的智能分析及處理[6]?；谏疃葘W習技術，計算機能夠自動學習目標任務數(shù)據(jù)的典型特征。基于神經(jīng)網(wǎng)絡的深度學習模型由大量數(shù)據(jù)處理層組成，其通過大量先驗數(shù)據(jù)的學習自動調(diào)整模型參數(shù)，得到適應目標任務的網(wǎng)絡模型。訓練成熟的模型可以將輸入數(shù)據(jù)(如圖像)轉(zhuǎn)換為目標輸出信息(如疾病有無)。深度學習與傳統(tǒng)機器學習方法不同，深度學習技術基于大量標簽數(shù)據(jù)的自動學習，并自動提取數(shù)據(jù)特征，而不需要人為指定規(guī)則，因此深度學習可以實現(xiàn)更高級別的抽象分析[7]。在醫(yī)學影像應用中，深度學習技術并不依賴圖像中低級視覺特征的預定義，而是通過自主學習發(fā)現(xiàn)不同類別圖像中的典型視覺特征。當前，用于圖像分析的深度學習模型大多基于卷積神經(jīng)網(wǎng)絡(convolution neural networks，CNNs)，卷積神經(jīng)網(wǎng)絡首次成功應用是基于LeNet實現(xiàn)手寫數(shù)字的識別。一般認為，卷積神經(jīng)網(wǎng)絡在圖像分割、圖像分類等任務中的準確性遠高于其它神經(jīng)網(wǎng)絡模型[8]。隨著任務的復雜化及新方法的不斷涌現(xiàn)，網(wǎng)絡結(jié)構不斷加深，神經(jīng)網(wǎng)絡模型已可達近千層，使得深度學習可以實現(xiàn)更為復雜的解釋與決策任務[9]。當前，深度卷積神經(jīng)網(wǎng)絡日益受到研究者的青睞，其中應用較多的模型包括AlexNet、VGG(Visual Geometry Group)以及GoogleNet等[5]。

深度學習與骨骼影像的智能處理

深度學習技術已應用于醫(yī)學影像中多個領域，如皮膚癌的分類、糖尿病視網(wǎng)膜病變檢測及胸部CT中肺結(jié)節(jié)的評估等，其診斷能力可達到高年資?？漆t(yī)師的水平[5]。目前，深度學習在骨骼影像中的應用相對較少，但骨骼系統(tǒng)疾病種類多，患者數(shù)量多，影像學檢查對于骨骼系統(tǒng)疾病的診斷發(fā)揮至關重要的作用，因而骨骼影像的自動化處理具有光明前景。近年來，深度學習算法在骨骼影像領域的的主要研究進展如下。

1.骨齡檢測

骨齡檢測廣泛應用于兒童內(nèi)分泌疾病、成長和遺傳性疾病的診治過程中。檢測骨齡時，醫(yī)師通常對受檢者左手行放射學檢查，根據(jù)檢查結(jié)果判斷骨化階段并與實際年齡進行對比，從而提示骨齡是否存在異常。通過左手X線圖像判斷骨齡具有操作簡便、輻射量小、可同時觀察多個骨化中心等優(yōu)點。在臨床應用中，通?；赬線圖像并使用Greulich-Pyle(G&P)法或Tanner-Whitehouse(TW)法對骨齡進行評估[10]。G&P法將整張X線圖像同參考圖集進行對比，由于簡便和高效而被廣泛應用，但其觀察者內(nèi)及觀察者間差異較大[11]；TW法通過分析多個骨骼興趣區(qū)，分別判定骨化階段，整合所有數(shù)據(jù)后確定骨骼成熟度。TW法雖然耗時長，但較G&P法的檢測結(jié)果更為準確[12]。同時，這種模塊化結(jié)構也使其更適合于機器學習。近年來大量研究將深度學習技術應用于骨齡的自動檢測，近期的一項研究中評估了幾種深度學習方法在骨齡檢測中的表現(xiàn)，結(jié)果顯示人工檢測與機器檢測的骨齡平均差值僅為0.8歲[10]。另一項研究結(jié)果也表明深度學習模型在骨齡判定中的表現(xiàn)與放射科專家的水平接近[13]。

雖然人工智能在骨齡檢測的研究開始時間早、成熟程度高，但研究人員仍然致力于深度學習技術在骨齡檢測的不斷完善。在2018年北美放射學會(Radiological Society of North America，RNSA)年會上舉辦了一場兒童骨齡機器學習挑戰(zhàn)賽(Pediatric Bone Age Machine Learning Challenge)，此次比賽較全面地評價了不同算法在骨齡檢測中的表現(xiàn)。這一挑戰(zhàn)賽不僅使研究者更加了解人工智能技術在醫(yī)學影像領域的應用進展，其間出現(xiàn)的新工具及新方法也將促進診斷效能的進一步提升[14]。有趣的是，最近的一項研究中使用了一種基于深度卷積神經(jīng)網(wǎng)絡技術的AI模型，基于MRI對兒童進行骨齡檢測，其檢測的平均絕對誤差僅為(0.37±0.51)歲，使MRI檢測骨齡成為可能，避免了X線檢測骨齡對兒童造成輻射的問題[15]。

另外，既往的骨齡檢測相關研究中多選取18歲以下兒童，無法滿足法醫(yī)學臨床的需求。近期的一項研究中選取10～25歲個體的骨盆X線圖像為研究對象，應用深度學習模型進行骨齡檢測，結(jié)果顯示其平均絕對誤差(mean absolute error，MAE)和均方根誤差(root-mean-squared error，RMSE)分別為0.94和1.30歲[16]。這一研究拓展了人工智能檢測骨齡的應用范圍，為深度學習技術在法醫(yī)學的應用提供了良好的參考。

2.骨折診斷

雖然CT及MRI應用日益增多，但X線由于易獲取、檢查速度快、輻射量小和價格低等優(yōu)勢仍在骨骼疾病診療中發(fā)揮重要作用。尤其在創(chuàng)傷救治中，X線是門急診醫(yī)生診斷骨折最重要的手段。骨折的漏診會給患者帶來嚴重后果，如增加痛苦、錯過最佳治療時間和預后不佳等，同時也容易發(fā)生醫(yī)療糾紛。但是，在急診工作中，由于醫(yī)師工作強度大、?？浦R相對不足等原因，急診科的錯誤診斷絕大多數(shù)來自對骨折的漏診[17-18]。因此研究人員試圖將人工智能應用于骨折的診斷中，旨在減少對骨折的漏診。

既往研究大多應用傳統(tǒng)學習手段診斷骨折，研究人員通過人工提取圖像中骨骼紋理和形狀等特征，應用K-NN、SVM、隨機森林(random forest)、logistic回歸以及整合學習等方法檢測骨折。近期的一項研究將5種深度學習網(wǎng)絡應用到X線圖像進行骨折診斷，其符合率最高可達83%，同時，所有模型對于拍攝部位、視窗、體側(cè)和體位判斷的準確率均達90%以上[9]。該研究中所用模型雖然可以診斷有無骨折，但不能明確標識骨折范圍，不利于醫(yī)師進行復核。Lindsey等[19]近期于《美國科學院院報》(proceedings of the national academy of sciences of the United States of America，PNAS)發(fā)表了一項開創(chuàng)性研究，該研究團隊構建了一種深度學習模型，不但可以提示有無骨折，還可以通過熱力圖標識出可疑骨折范圍。結(jié)果顯示，該模型在診斷骨折及標注骨折范圍時，敏感度及特異度分別達93.9%和94.5%。急診科醫(yī)師應用該模型輔助骨折診斷，誤診率下降47%，診斷準確性顯著提高。同時該系統(tǒng)已獲得美國食品藥品監(jiān)督管理局批準應用于臨床，成為首個正式獲批的人工智能骨折診斷臨床工具。這項研究將人工智能技術在骨折領域的研究和應用向前推進了重要的一步。當前越來越多的研究者投身到人工智能在骨折領域的研究。近期臺灣的兩項研究，分別通過X線及CT圖像識別股骨頸骨折及跟骨骨折，同樣實現(xiàn)了對骨折范圍的標注，且診斷符合率分別達95.9%及98.0%，提示人工智能或可應用于多模態(tài)圖像中對不同部位的骨折進行診斷[20-21]。

3.骨關節(jié)炎診斷

骨關節(jié)炎是中老年人常見的骨退行性疾病，表現(xiàn)為關節(jié)軟骨或軟骨下骨的炎性損傷。由于患者工作和生活能力的受限，骨關節(jié)炎已經(jīng)成為一個嚴重的公共健康問題，為社會帶來巨大的經(jīng)濟負擔[22]。因此，對于骨關節(jié)炎的及時診斷、評估以及干預尤為重要。通常，骨關節(jié)炎的診斷有賴于臨床癥狀及X線圖像，醫(yī)師通過骨贅形成、關節(jié)間隙變窄等影像學特征進行診斷[23-24]。隨著人口不斷老齡化，對于骨關節(jié)炎診斷的需求不斷增加，影像數(shù)據(jù)增加的速度遠高于醫(yī)生的增長速度。因此，能夠利用人工智能技術快速準確地對骨關節(jié)炎進行自動診斷顯得十分必要。近期一項針對髖關節(jié)炎的研究，將深度學習應用于髖部X線圖像自動診斷骨關節(jié)炎，其敏感度為95.0%，特異度為90.7%，模型的診斷表現(xiàn)達到擁有10年經(jīng)驗的主治醫(yī)師水平[25]。在另一項對膝關節(jié)炎的研究中，研究者除了診斷有無關節(jié)炎外，還在膝關節(jié)正位片通過熱力圖標識出可疑骨贅，并提供膝關節(jié)Kellgren-Lawrence(KL)分級的參考范圍，使得骨關節(jié)炎的診斷更為客觀[26]。與X線相比，MRI能夠提供更為豐富的關于骨質(zhì)結(jié)構及功能的特征，因而在骨關節(jié)炎大規(guī)模流行病學觀察研究中發(fā)揮重要作用。Valentina等[27]應用深度學習算法對比膝關節(jié)炎患者及健康個體的膝關節(jié)在MR T2WI序列上的表現(xiàn)，進而進行基于T2WI圖像的骨關節(jié)炎診斷，敏感度為74.53%，特異度為76.13%。該研究展示了應用深度學習技術提取MR圖像特征進而診斷骨關節(jié)炎的可行性，但由于該研究沒有對神經(jīng)網(wǎng)絡模型進行優(yōu)化，沒有對樣本進行逐一質(zhì)控，因此其診斷效能仍有較大改進空間。

4.骨質(zhì)疏松和骨密度檢測

骨質(zhì)疏松是中老年常見的代謝性骨疾病，其臨床表現(xiàn)為骨密度降低及骨折風險增高，嚴重影響患者的生活質(zhì)量。隨著人口的不斷老齡化，我國骨質(zhì)疏松的發(fā)生率逐年提高，國家衛(wèi)健委2018年公布的數(shù)據(jù)顯示50歲以上人群中骨質(zhì)疏松的患病率為19.2%，其中女性達32.1%，65歲以上女性患病率高達51.6%[28]。因此，實現(xiàn)骨質(zhì)疏松的自動診斷具有重要的社會意義。已有研究者應用深度學習技術在CT圖像上對腰椎的骨密度進行自動判定，以骨密度儀為參照標準，其受試者工作特征曲線下面積為0.888[29]。另外，也有研究者通過牙齒、髖關節(jié)X線片和MRI圖像來診斷骨質(zhì)疏松及預測骨質(zhì)疏松性骨折的發(fā)生，均取得了較好的效果[30-32]。

5.脊柱退變

脊柱具有支撐人體、保護脊髓與內(nèi)臟器官等作用。由于年齡、發(fā)育和外傷等因素，脊柱不斷退變，導致椎間盤變性、骨贅形成等病理改變。脊柱退變也是下腰痛的最主要病因，嚴重影響患者的生活。近年，有研究者開發(fā)了一套SpineNet系統(tǒng)，可以在MR圖像上自動對腰椎進行Pfirrmann評分，判斷有無椎間隙狹窄，從而對腰椎退變進行評估，并能夠?qū)⒖梢刹∽冞M行標識[33]。這一深度學習模型對于脊柱退變的早期發(fā)現(xiàn)和評估具有重要意義。

6.骨腫瘤

骨腫瘤可以分為原發(fā)腫瘤和轉(zhuǎn)移性腫瘤，目前深度學習技術主要應用于CT圖像上對脊柱轉(zhuǎn)移瘤的自動檢測[34-35]。但對于成骨性骨轉(zhuǎn)移，其診斷敏感度僅為79.0%，特異度為89.1%，而且該研究中納入的病例數(shù)較少(59例)，該系統(tǒng)仍需要繼續(xù)提高診斷效能[35]。值得注意的是，目前人工智能在骨腫瘤方向的研究較少，需要更多更深入的工作。

7.其它

由于骨骼疾病的診治有賴于圖像中骨及相關結(jié)構的正確識別，除了上述骨骼疾病，大量研究將人工智能技術應用于骨、關節(jié)及相關結(jié)構的自動識別與分割[5]。最近一項研究實現(xiàn)了在全身CT圖像上自動分割骨組織，并能夠進一步區(qū)分皮質(zhì)骨、松質(zhì)骨及骨髓結(jié)構[36]。也有研究中利用人工智能模型實現(xiàn)了在頸椎側(cè)位X線圖像上對頸椎進行自動分割[37]。近期的兩項研究應用神經(jīng)網(wǎng)絡知識，在MRI圖像上成功實現(xiàn)膝關節(jié)骨與軟骨的自動分割，即使在關節(jié)結(jié)構破壞嚴重的圖像中也能成功識別[38-39]。這些研究成果，為下一步病變的定位、疾病的分級分期和治療方案的選擇奠定了良好的基礎。

總結(jié)與展望

綜上所述，近年來深度學習在醫(yī)學影像領域的應用發(fā)展迅速。深度學習取代以往傳統(tǒng)機器學習，逐漸成為主流的圖像分析方法。而一個深度學習模型的成功構建有賴于大量正確標記的數(shù)據(jù)、合適的深度學習模型，以及研究者出色的架構設計及數(shù)據(jù)處理能力[5]。同時在醫(yī)學影像分析，深度學習還面臨特有的挑戰(zhàn)，其中最主要的是醫(yī)學訓練數(shù)據(jù)的缺乏。足量的數(shù)據(jù)是保證深度學習網(wǎng)絡多個參數(shù)得到充分訓練的前提。雖然PACS系統(tǒng)在醫(yī)院的廣泛使用、以及不斷出現(xiàn)的公共數(shù)據(jù)集，使得原始數(shù)據(jù)的獲得更為簡便，但對于大量數(shù)據(jù)的正確標注需要相關領域的專家耗費大量的時間[5,40]。此外，人體解剖的正常變異、同種疾病不同的影像表現(xiàn)、圖像質(zhì)量欠佳等問題也成為制約診斷效能的重要因素[41]。

骨骼影像與其它系統(tǒng)影像有所不同，疾病的診斷及治療更為依賴影像學檢查。應用深度學習方法對骨骼影像進行自動分析，具有重要的意義及光明的前景。然而，目前人工智能在骨骼影像的應用尚處于起步階段，大量疾病尚無研究，許多方面亟待改進。當前大部分研究仍局限于簡單二分類研究，如疾病的有無，對臨床指導意義有限。成熟的人工智能模型應當能夠準確判斷疾病有無，并進一步對疾病進行分級、分期或分型、分類，同時提供針對性、個體化的治療方案；另外，當前研究多由計算機研究人員主導，急需更多的臨床醫(yī)師參與其中，提出臨床工作中需要解決的問題，以期更好的實現(xiàn)精準診療。