人工智能醫學影像應用：現實與挑戰

金征宇

伴隨著人工智能的方興未艾，醫學影像與人工智能的結合被認為是最具發展前景的領域[1]。醫學影像人工智能肇始于上世紀60年代，上世紀80年代，隨著人工神經網絡和基于人工智能的計算機輔助診斷(CAD)軟件的開放應用，人工智能開始逐漸整合到放射科日常工作流程中。進入21世紀以來，隨著人工智能技術的飛速發展，人工智能在醫學影像中的應用日新月異，在腫瘤檢出、定性診斷、自動結構化報告、腫瘤提取、腫瘤放療靶器官勾畫等方面已經有較多的臨床研究和臨床應用[2]。

由于醫學影像臨床工作的復雜性，伴隨計算機技術的發展，直到近期人工智能技術才能進行精準的醫學影像圖像分析[3]。目前學術界普遍接受的觀點是人工智能應用于醫學影像日常工作中，可以減少放射科醫生的重復簡單工作并降低人為錯誤，提高醫生的工作效率，提高診斷準確率，促進精準醫療在影像醫學的應用，但即使人工智能技術能達到更高的技術水平并能控制成本應用于臨床工作，人工智能也不能取代放射科醫生的全部臨床工作，尤其是需要與人溝通交流的相關工作[4]。

在探討如何將人工智能應用于醫學影像之前，要先了解在無人工智能的情況下， 醫學影像所面臨的3個問題。第一， 醫療數據中超過90%的數據來自于醫學影像，但這些數據幾乎全部需要人工分析。人工分析的缺點顯而易見：①不夠精確，醫生僅能憑借經驗去辨別，經常缺乏量化的標準，容易造成誤判；②不可避免地會出現人眼視力產生的誤差及視力疲勞；③海量的圖像信息量容易產生漏診。第二，醫療從業人員短缺。目前我國醫學影像數據年增長率約為30%，而放射科醫師數量年增長率約為4%，其間的差距為26%[5]。放射科醫師數量增長遠不及影像數據增長， 且醫師從業需要較長時間的培訓和學習， 這意味著放射科醫師在未來處理影像數據的壓力會越來越大，難以承擔巨大的負荷。第三， 在多學科相互滲透交叉的時代，放射科醫師缺乏強有力的方法或武器參與競爭以穩定學科發展的方向。而人工智能與醫學影像的融合恰好可在學科發展方面拾遺補缺。

人工智能在醫學影像的應用主要分為圖像識別和深度學習兩個部分。這兩部分均是基于醫學影像大數據所進行的數據上的挖掘和應用，其中深度學習是人工智能應用的核心環節。如果這兩部分均得以實現將改寫醫學影像學在學科發展中的方向。

人工智能在醫學影像應用最成熟的領域為腫瘤影像，其中以下三個方面已較廣泛應用于醫學影像診療臨床工作中：

1.肺部結節和肺癌篩查

2016年進行的一項大規模研究，在50臺CT掃描設備上使用了4種不同的CAD軟件用以檢出放射科醫生漏診的肺部結節，發現CAD軟件可以檢出漏診的56%～70%結節，其中包括17%的3mm以下腫瘤和69%～78%的3～6mm腫瘤，這種大小的腫瘤經常被醫生漏診[6]。使用更加先進的人工智能數據處理技術如多視點卷積網絡可進一步降低CAD篩查肺部結節的假陽性率[7]。如果不同放射科醫生對于肺部結節性質有爭議時，CAD軟件的診斷意見有助于結節性質的判定。肺部結節和肺癌篩查的人工智能CAD軟件可以幫助放射科醫生準確檢出早期小腫瘤，降低醫生工作強度和人為錯誤的發生率[8]。CAD軟件在低劑量CT肺部結節篩查中可顯著提高實習醫師的診斷敏感性，以共同讀片模式可以明顯縮短實習醫師的閱片時間[9]。這表明人工智能技術在肺部結節CT篩查中可以切實應用于低年資醫師教學和臨床診斷工作中。

2.乳腺癌篩查

乳腺癌影像篩查是人工智能機器學習較早應用的領域，目前CAD已經較好的融入放射科醫生對乳腺癌進行影像診斷的日常工作流程中，在X線斷層成像[10]、乳腺鉬靶[11]、超聲[12]、MRI[13]等不同檢查方法中，基于人工智能的CAD篩查乳腺結節、診斷乳腺癌的準確性均較高。

乳腺CAD目前被廣泛應用在X線攝影對乳腺癌的篩查上，相關研究主要集中在提高鈣化灶和腫塊檢出的準確性方面[14]，其中X線攝影對微鈣化灶的檢出率較高，而對腫塊的檢出率則會受到腺體密度的影響[15]。最新開發的自然語言處理軟件算法可準確獲得了543例乳腺癌患者乳腺X線攝影的關鍵特征，并與乳腺癌亞型進行了關聯，其診斷速度是普通醫師的30倍，且準確率高達99%[16]。CAD系統可以輔助乳腺MRI的視覺評估并提供有用的附加信息。研究發現CAD系統對于MRI評估浸潤性乳腺癌對新輔助化療的反應具有高特異度，可達100%，但由于敏感度較低，僅為52.4%，因此尚不能取代視覺成像評估[17]。CAD系統對于MRI評估浸潤性乳腺癌的多灶性具有明顯優勢,但對評估淋巴結的轉移狀態效果不佳[18]。

3.前列腺癌影像診斷

多參數磁共振在前列腺癌的影像檢出、定位和分期方面發揮著重要作用，但是前列腺多參數磁共振成像技術較為復雜，序列較多，結果判讀時間較長，難度較大。研究發現基于多模態卷積神經網絡的人工智能CAD技術，在多參數磁共振中可以較準確的自動診斷前列腺癌[19]。使用CAD軟件也可以準確進行前列腺區域自動分割和腫瘤體積測定[20]。

此外，在腫瘤影像診斷臨床工作中，基于人工智能的機器學習技術，在腫瘤患者影像學檢查方法和流程制定、影像成像、自動化解析影像和結構化報告、圖像質量分析、檢查放射劑量預估等方面，也有相關的研究報道，在今后的腫瘤影像實際臨床工作中可能會起到積極的作用[21]。需要放射科腫瘤影像醫生注意的是隨著人工智能技術的發展以及和臨床數據的緊密結合，腫瘤影像數據結合臨床數據在人工智能輔助下轉換成臨床決策是今后腫瘤臨床診療路徑中的重要發展方向[22]。

隨著人工智能在醫學影像領域應用的進一步拓展，在非腫瘤影像診斷的實際臨床工作中整合了越來越多的人工智能相關產品。研究發現AI成像優化技術聯合圖像后處理迭代算法技術可在主動脈CTA成像中保證圖像質量并明顯降低輻射劑量[23]。人工智能技術輔助冠脈CT血管成像對冠心病的診斷效能可以達到高年資放射科醫生水平[24]。這些研究進一步拓展了人工智能在醫學影像的實際應用，具有很好的臨床和科研應用前景。

現階段，人工智能在醫學領域的探索可謂五花八門，但最終應用到臨床卻微乎其微。主要原因之一是人工智能系統在復雜的臨床應用中不能準確搜集到高質量可應用的數據即有效數據，所得出的結論缺乏可靠性，難以保持測試數據集上的高準確率。其次是臨床醫學數據的搜集和預處理不夠完善，未將醫生的工作流程納入考慮范圍。醫生對于疾病的診斷很重要的一點是依靠科學的思維和臨床經驗。醫生的思維模式難以復制，而醫生基于臨床診斷作出的處理決定是融合了科學基礎和人文關懷的綜合考量。但作為醫生的有力助手，人工智能結合醫學影像具有諸多優勢，患者、放射科醫師、醫院均能從人工智能的應用中受益。人工智能不僅能幫助患者更快速地完成健康檢查包括X 線、超聲、磁共振成像等，同時也可以幫助影像醫生提升讀片效率，降低誤診概率，并通過提示可能的副作用來輔助診斷。隨著人工智能和醫學影像大數據在醫學影像領域的普及和應用，醫學影像所面臨的診斷準確性和醫生缺口等問題便可迎刃而解，兩者的融合將成為醫學影像發展的重要方向。

在醫學影像領域，人工智能技術的介入結合大數據挖掘，使得醫學影像大數據在人工智能的篩選、梳理和提取后，可能轉換成有效的臨床決策[25]。2017年7月8日國務院印發的《新一代人工智能發展規劃》提出了我國研發人機協同臨床智能診療方案的計劃。醫學影像技術的發展、人工智能技術的進步和醫療大數據的不斷積累促使智能醫療的發展進入新時代。