程 齊，歐陽雪暉

1內(nèi)蒙古醫(yī)科大學內(nèi)蒙古臨床醫(yī)學院，內(nèi)蒙古 呼和浩特 010110；2內(nèi)蒙古自治區(qū)人民醫(yī)院影像醫(yī)學科，內(nèi)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。《人工智能標準化白皮書（2018版）》［1］給出如下定義：AI是利用數(shù)字計算機或者數(shù)字計算機控制的機器模擬、延伸和擴展人的智能，感知環(huán)境、獲取知識并使用知識獲得最佳結(jié)果的理論、方法、技術(shù)及應(yīng)用系統(tǒng)。

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

1 AI在醫(yī)學影像中的應(yīng)用現(xiàn)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(shù)及應(yīng)用系統(tǒng)的技術(shù)科學［3］。機器學習和深度學習涵蓋了醫(yī)學領(lǐng)域的大多數(shù)AI應(yīng)用，例如新藥研究、健康管理、醫(yī)學影像、輔助診療和疾病預(yù)測等方面［4］。

目前，基于深度學習的AI與醫(yī)學影像的結(jié)合被認為是目前最具有發(fā)展前景的領(lǐng)域［5］，在影像成像、圖像后處理、診斷、病情評估及治療預(yù)后方面應(yīng)用廣泛。AI應(yīng)用大數(shù)據(jù)技術(shù)從海量的影像醫(yī)療數(shù)據(jù)中獲得有價值的信息，構(gòu)建數(shù)據(jù)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(shù)據(jù)中學習來發(fā)現(xiàn)數(shù)據(jù)中的模式［7］，再通過深度學習中最經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模擬人類大腦中多層神經(jīng)網(wǎng)絡(luò)，讀取、處理海量的影像原始數(shù)據(jù)，學習和模仿醫(yī)師的診斷，在影像醫(yī)學的圖像預(yù)處理、圖像分類識別、感興趣區(qū)標注和計算機輔助診斷等得到了廣泛應(yīng)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(jié)構(gòu)結(jié)合點，并進一步應(yīng)用3D網(wǎng)格技術(shù)構(gòu)建人體結(jié)構(gòu)和關(guān)鍵點的三維模型，基于關(guān)鍵點等信息計算掃描范圍、掃描中線等掃描參數(shù)，輔助醫(yī)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(fā)了基于AI的低劑量CT成像技術(shù)，混合深度學習的圖像重建技術(shù)將低輻射劑量CT圖像與深度神經(jīng)網(wǎng)絡(luò)集成在一起，在不降低圖像質(zhì)量的同時，實現(xiàn)了與迭代重建方法相比更高的速度［10］。在處理技術(shù)方面，有研究表明深度學習技術(shù)在壓縮感知技術(shù)、并行圖像采集和多對比度成像等方面的應(yīng)用可以顯著提高MRI圖像采集與重建速度［11］。AI在影像醫(yī)學中應(yīng)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(yīng)用

超聲檢查是一種依賴檢查醫(yī)師操作的實時的動態(tài)檢查方法，檢查結(jié)果易受到主觀性和醫(yī)師臨床經(jīng)驗的影響，低年級醫(yī)師和基層醫(yī)療機構(gòu)可能存在漏診或者假陽性的情況［12］。對于數(shù)據(jù)量大并且采用醫(yī)學數(shù)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(shù)的超聲在圖像識別、大數(shù)據(jù)處理方面具有獨特的優(yōu)勢。

2.1 甲狀腺結(jié)節(jié)

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

2.2 超聲心動圖

深度學習技術(shù)在超聲心動圖中的主要應(yīng)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(yù)處理階段可以使用自動分類算法，有學者發(fā)現(xiàn)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(shù)時，有學者利用深度學習技術(shù)設(shè)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(jié)果與經(jīng)驗豐富的超聲醫(yī)師一致［19］。

2.3 肝臟脂肪及其纖維化

有學者對深度學習網(wǎng)絡(luò)在肝臟超聲影像特征分層中進行優(yōu)化，提出了22 層神經(jīng)網(wǎng)絡(luò)的深度學習網(wǎng)絡(luò)Symtosis，通過設(shè)置相關(guān)參數(shù)抑制一定比例神經(jīng)元活性酶去除肝臟原始圖像中的背景，預(yù)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(yīng)用

骨關(guān)節(jié)系統(tǒng)疾病圖像模態(tài)呈多樣化，數(shù)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(yī)師獨自閱片診斷任務(wù)量大且煩瑣，AI輔助影像可幫助醫(yī)師提高診斷能力和工作效率。

3.1 骨齡

兒童醫(yī)院對骨齡檢測的需求量巨大，醫(yī)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(jīng)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(shè)計了一種AI骨齡檢測系統(tǒng)，對接在上海交通大學附屬兒童醫(yī)院PACS、RIS接口，能自動識別和定位指定的掌指、指間及腕部關(guān)鍵區(qū)域，通過深度卷積網(wǎng)絡(luò)分析其高階視覺特征和模式，能快速預(yù)測骨齡，在醫(yī)院千兆網(wǎng)絡(luò)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(shù)治療的選擇相當重要，目前諸多復(fù)雜骨結(jié)構(gòu)的骨折，年輕的醫(yī)師在快速識別分類上仍在一定困難。有研究開發(fā)了一個關(guān)于髖部骨折的新計算機輔助診斷系統(tǒng)，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(xiàn)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(fā)了一種深度學習模型，證實深度學習算法可以對多機構(gòu)數(shù)據(jù)集中的X線原發(fā)性骨腫瘤影像進行分類，它與?？漆t(yī)生具有相似的準確度，并且比初級放射科醫(yī)生表現(xiàn)得更好［23］。

3.4 骨關(guān)節(jié)疾病

有研究進一步開發(fā)了一種基于深度學習的自動化算法聯(lián)合使用膝關(guān)節(jié)X 光片的后-前和側(cè)位圖，根據(jù)Kellgren-Lawrence分級系統(tǒng)評估膝關(guān)節(jié)骨關(guān)節(jié)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(guān)節(jié)骨關(guān)節(jié)炎嚴重程度的評估有一定的應(yīng)用價值［24］。

3.5 骨關(guān)節(jié)軟組織

Kang等［25］開發(fā)了一種基于腋外側(cè)肩部X光片深度學習算法，可根據(jù)腋側(cè)位片上小結(jié)節(jié)的變化及臨床數(shù)據(jù)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(jù)。

4 AI在CT診斷中的應(yīng)用

隨著高分辨CT設(shè)備的發(fā)展、低劑量計算機斷層掃描技術(shù)的應(yīng)用及國人對健康體檢意識的逐漸加強，現(xiàn)階段AI技術(shù)對肺部疾病的篩查已經(jīng)廣泛應(yīng)用于臨床。

4.1 肺結(jié)節(jié)

肺微、小結(jié)節(jié)的檢出對肺癌的早期診斷至關(guān)重要。放射科醫(yī)生通常通過肺結(jié)節(jié)的大小和生長作為良惡性結(jié)節(jié)的主要區(qū)別；此外還有形狀、空間復(fù)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(fù)雜的相互作用，一些良性結(jié)節(jié)，例如肺部肉芽腫，在CT上可能有惡性表現(xiàn)，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(jié)節(jié)內(nèi)和結(jié)節(jié)外的特征使小結(jié)節(jié)預(yù)測準確率顯著提高［27］。

4.2 肺癌

肺癌是臨床上發(fā)病率和病死率最高的惡性腫瘤之一［28］，發(fā)病隱匿，早期癥狀、體征不典型，大部分患者發(fā)現(xiàn)時，已經(jīng)是肺癌晚期或已經(jīng)出現(xiàn)遠處轉(zhuǎn)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(tǒng)聯(lián)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(xiàn)了肺癌的精準治療，有學者關(guān)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(fā)新的靶向治療，避免多余的治療導致相關(guān)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(xiàn)漏診情況，有研究創(chuàng)建了一種區(qū)分COVID-19和其他肺炎的AI系統(tǒng)，發(fā)現(xiàn)該系統(tǒng)輔助可以提高放射科醫(yī)生區(qū)分COVID-19和其他肺炎胸部CT表現(xiàn)［31］。AI技術(shù)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(lián)合執(zhí)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(yīng)用

多參數(shù)MR有著高空間分辨率、良好的信噪比和優(yōu)越的軟組織對比度分辨率。AI與多參數(shù)MRI的結(jié)合近年來在神經(jīng)系統(tǒng)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(jīng)系統(tǒng)

AI的客觀性、準確性為自動分割技術(shù)發(fā)展和興起奠定了基礎(chǔ)，多項研究結(jié)果表明卷積神經(jīng)網(wǎng)絡(luò)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(shù)阿爾茲海默癥的患者都有不同程度的海馬區(qū)的萎縮，因此可以通過海馬區(qū)的體積來診斷患者的病情嚴重程度，但由于海馬區(qū)與其相鄰結(jié)構(gòu)在MRI 圖像上的灰度值很接近而且分割結(jié)果依賴于分割算法和預(yù)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(jīng)網(wǎng)絡(luò)模型，根據(jù)FreeSurfer算法進行訓練，從固定大小的輸入?yún)^(qū)域框中識別和分割海馬，能在30 s內(nèi)分割單個T1大腦圖像的雙側(cè)海馬[35]。

5.2 腹部腫瘤

腹部多數(shù)疾病起病隱匿且侵襲性高，多數(shù)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(guān)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(jié)侵犯以及轉(zhuǎn)移方面有不少應(yīng)用。

5.3 肝癌

微血管侵犯是肝細胞肝癌治療后復(fù)發(fā)和轉(zhuǎn)移的獨立危險因素，準確預(yù)測微血管侵犯對患者預(yù)后評估及后續(xù)治療方案的選擇至關(guān)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(jié)合臨床影像特征構(gòu)建臨床-影像組學模型，實現(xiàn)了術(shù)前無創(chuàng)地評估和預(yù)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(jīng)網(wǎng)絡(luò)的AI可以在多個MRI 參數(shù)中準確診斷前列腺癌［37］，而結(jié)合腫瘤概率圖的計算機輔助診斷系統(tǒng)可以幫助放射科醫(yī)生準確定位外周帶前列腺癌區(qū)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(fā)現(xiàn)基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)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(jié)與展望

AI目前廣泛應(yīng)用于疾病的影像診斷，雖然可以輔助醫(yī)生診斷疾病，但仍然存在一些不完善之處，不能完全取代醫(yī)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(fù)雜度。再者，深度學習模型使用大量數(shù)據(jù)進行分析，缺乏大量且有效的數(shù)據(jù)資源、數(shù)據(jù)的合理開發(fā)、數(shù)據(jù)的隱私保護等都是深度學習應(yīng)用的限制。最后，在享受科技的便利的同時，也必須重視AI醫(yī)學發(fā)展過程所遇到的倫理問題。

綜上所述，AI與醫(yī)學影像的前景非常廣闊，AI與影像設(shè)備的有機結(jié)合，大大提高了儀器的利用率；AI結(jié)合圖像后處理，使患者在減少輻射劑量的同時，獲得了高質(zhì)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(yī)師的結(jié)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(xiàn)有診斷模式的效率，與影像醫(yī)生一起進入更精確的影像診斷時代。