人工智能在醫學影像領域的應用與挑戰*

季 冰，劉伶俐

(1 陸軍軍醫大學西南醫院放射科，重慶 400038，icerbox@126.com；2 陸軍軍醫大學基礎醫學院，重慶 400038)

人工智能(Artificial Intelligence，AI)是研究、開發用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統的一門新的技術科學。它不僅是一門新興的交叉學科，涵蓋了計算機科學、統計學、腦神經學、社會科學等諸多領域，更是一種新型的智能機器，語言和圖像識別、語言和圖像處理、專家系統、機器人等都屬于人工智能的范疇[1]。近些年來，隨著深度學習、計算機視覺、大數據等關鍵技術的突破，“人工智能+醫療”的投資熱度持續攀升，其應用研究更是涉及醫學影像、輔助診療、藥物研發、健康管理等多個領域，而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 人工智能在醫學影像領域的發展機遇

目前中國AI醫療企業主要集中在醫療影像相關領域，究其原因，主要緣于以下幾大機遇：

1.1 影像數據量大

數據是人工智能發展的關鍵要素之一。醫療數據中超過90%的數據來自于醫學影像，如X線、CT、MRI、超聲、病理等。隨著人口老齡化和民眾健康需求的增長，近年來我國醫療衛生機構診療人數持續增加，從2010年的58.3億人次攀升至2017年的81.8億人次，年均漲幅超過5%[2-3]。作為疾病診斷與治療的重要依據，影像數據總量也隨之迅猛增長，年增長率高達30%～40%，單個大型醫療機構的年影像數據存儲量已超過1PB[4-5]。龐大的醫療市場和充足的影像數據為AI醫療的發展提供了動力和基礎。

1.2 臨床需求迫切

目前，我國醫療影像數據的分析幾乎全靠人工，醫師主要憑經驗進行判斷。在影像數據飛速增長的同時，我國影像醫師年增長率只有4%[4]，為人工閱片帶來了極大挑戰。據國家衛健委統計顯示，2013～2015年三年中，全國累計完成放射診療12.4億人次[6]。而中國放射從業人員約15.8萬人，其中放射醫師只有約8萬人，副主任醫師以上職稱的只有2萬人。由此推算，平均每位影像醫師每年需要處理5100多人次的報告，副高以上職稱的影像醫師由于有審核工作，診療人次將會更多[7]。影像醫師嚴重缺乏，長期處于超負荷工作狀態；而人工智能在醫學影像中的應用，有望減輕影像醫師的工作負擔，提高診斷效率和準確度。這為醫學影像AI的發展提供了臨床需求。

1.3 AI技術日趨成熟

過去，由于軟硬件條件不成熟，優質數據資源短缺，人工智能并未實現廣泛應用。隨著算法、算力等基礎技術條件的日漸成熟，大數據在計算過程中積累了大量優質、脫敏數據，數據存儲、分析和精準判斷決策能力提高；特別是深度學習、圖像識別、自然語言處理等技術的突破，驅動醫學影像識別的精度和準確度大幅提升[8]。因此，目前中國大多數AI醫療企業都以輔助診斷為主要業務，且多偏重于基于圖像識別技術的影像學、病理學和皮膚病學等領域[5]。

1.4 政府大力支持

2017年7月，國務院印發《新一代人工智能發展規劃》，從國家戰略層面對我國發展智能醫療作出了明確規劃，包括推廣應用人工智能治療新模式、新手段，建立快速精準的智能醫療體系，開發人機協同的手術機器人、智能診療助手等[9]。緊隨其后，科技部公布首批國家新一代人工智能開放創新平臺名單，明確指定騰訊公司為醫療影像平臺的建設者[10]。政府的大力支持，為醫學影像人工智能的發展提供了堅強保障。

2 人工智能在醫學影像領域的主要應用

人工智能在醫學影像的應用，主要是通過圖像識別和深度學習等技術，實現機器“看片”和“讀片”的功能。具體應用包括計算機輔助診斷、影像組學、影像基因組學等。

2.1 計算機輔助診斷

計算機輔助診斷系統(Computer Aided Diagnosis，CAD)，是影像學AI應用的重要內容，它是將圖像處理、計算機視覺、醫學圖像分析等有效結合，通過系統處理后對異常征象進行標注，以幫助醫生快速發現病灶，提高診斷的效率和準確率。CAD的研究，最早可追溯到20世紀60年代，但受技術水平的限制，研究進展較為緩慢。20世紀80～90年代，隨著計算機技術、數學算法及統計學的發展，基于機器學習和圖像處理技術的CAD在醫學影像診斷領域獲得了快速發展，針對不同疾病的CAD研究大量涌現[11]。2012年以后，由于深度卷積神經網絡的興起、大量數據的累積和基于圖像處理器的計算能力大幅提升，深度學習在醫療圖像上的研究空前高漲[12]，從而使CAD的架構更為簡化，診斷更為精確。

目前，CAD可應用于多種影像技術對疾病的檢測和診斷，在肺結節和肺癌篩查、乳腺癌篩查和前列腺癌影像診斷中應用較廣，且表現較為突出[6]。一些CAD系統的性能已經接近甚至超過放射科醫生。如2016年Liang 等[13]在50臺CT掃描設備上使用4種不同的CAD軟件，可檢出56%～70%易被放射科醫生漏診的結節。Patel等[14]利用自然語言處理軟件算法，可準確獲得乳腺癌患者乳腺X線攝影的關鍵特征，并與乳腺癌亞型進行關聯，其診斷速度是普通醫師的30倍，且準確率高達99%。但深度神經網絡目前應用最好的是解決簡單任務，比如分類、識別、切割等，對于綜合性的診斷，仍需要具有領域知識的專家來參與[15]。

2.2 影像組學

影像組學(radiomics)源自于CAD，于2012年由荷蘭學者Lambin等[16]首次提出。作為一種大數據圖像分析方法，影像組學是從醫學影像中高通量地提取海量數據，并對數據信息進行深層次的挖掘、分析和解讀，以發現隱含在圖像中的額外信息，最高效地利用影像學檢查結果，實現臨床輔助決策[17]。其基本分析流程包括五個環節: ①圖像采集：主要通過CT、MRI、PET等影像掃描方式采集圖像；②圖像分割：將影像中的異常組織(如腫瘤)或特定解剖組織(如海馬)等分割為1個或多個感興趣區域；③特征提?。簩Ω信d趣區域進行影像特征提取，主要包括強度、形狀、紋理、位置等特征；④量化分析：對上述特征進行統計分析，常用的分析方法有重復測量信度分析、主成分分析、相關性分析和隨機森林等；⑤模型構建：通過機器學習(深度學習)方法建立基于影像組學特征的預測和分類模型[17]。

影像組學突破了基于形態學及半定量分析的傳統影像醫學模式，可提供以往基因檢測或病理檢查才能提供的信息，對于臨床醫生從早期圖像中獲取診斷信息有著重要幫助。目前，國內外影像組學主要集中于腫瘤(如肺癌、乳腺癌、膠質母細胞瘤、肝癌等)的相關研究，包括腫瘤的定性診斷、分級分期、基因表型預測、治療方法選擇及療效預后評估等[18]。

2.3 影像基因組學

20世紀90年代初的基因組革命，推動著醫學研究從基因水平探究疾病的基礎機制，以實現精準醫療。傳統的基因分析手段依賴于有創的活檢取材或術后病理組織來進行，具有一定的風險和潛在的并發癥。相比之下，醫學影像具有非侵入性、高分辨率、時空連續性等特點，在展現復雜疾病表型差異的過程中具有獨特的優勢?；诖?，2000年以來陸續有學者將基因組數據和影像數據關聯起來進行分析、挖掘，由此形成了新的研究方向，即影像基因組學(radiogen omics)[19-20]。影像基因組學與影像組學的細微區別在于，它不僅從影像數據(包括CT、MRI、PET等) 中提取能反應個體健康狀態的定量影像表型特征，還要從生物組學數據( 包括基因組、轉錄組學和表觀組學等) 中提取基因型特征，并通過人工智能技術完成基因型特征與定量表型特征的關聯與融合分析，從而更好地實現對疾病的非侵入式診斷、預后預測和療效評估，是目前生物醫學最有前景的研究領域之一[20]。

近年來，影像基因組學在腫瘤和精神疾病等復雜疾病的研究領域不斷發展，在腦腫瘤、肺癌、乳腺癌等方面均有所探索。當然，影像基因組學的數據分析和判斷，仍需要有經驗的放射科醫師或專家才能完成，人的智力是主導成分，而計算機則幫助醫師計算和分析，提供有價值的信息。隨著研究的進一步深入，影像基因組學將在醫學領域尤其是癌癥研究工作中發揮更加積極的作用，并很有可能改變癌癥患者的診斷、治療和預后。

3 人工智能應用于醫學影像領域面臨的挑戰

3.1 數據質量問題

影像數據的質量決定了人工智能模型學習的結果，標準的影像數據和規范的數據標注是醫療影像AI發展的關鍵。然而，盡管當前我國醫療機構積累了大量的影像數據，但由于缺乏統一的標準和規范，并未實現影像圖像質量和格式的同質化。不同的醫療機構由于信息化建設水平不一，不同廠商、不同檔次的影像設備存在圖像質量、算法重建和參數設置的差異，即使同一臺設備，造影劑劑量、掃描層厚、成像深度和增益等也會對圖像產生影響，導致影像數據標準各異，圖片質量參差不齊。同時，影像數據必須經過臨床經驗豐富的醫生標注才能用于機器學習，但數據標注需要耗費大量時間和精力，高質量的、標注過的數據資源相對有限，加上醫院之間的數據共享和互通程度較低，真正能夠接觸并利用到大規模優質醫療數據的開發者寥寥無幾。相當一部分AI企業用于訓練的數據只能來自有限的公開數據集或自備數據庫，存在著數據量過小、影像質量較低、標注不規范甚至標注錯誤等問題，勢必會影響機器學習的準確性和普適性。因此，發展醫學影像AI，圖像數據亟須規范化和標準化。

3.2 算法偏見問題

當前在醫學影像中應用最多的深度學習算法，使用了大規模的神經網絡，包含了更多的計算隱層，具備強大的自我學習和自我編程能力，其復雜性和不確定性使得人工智能存在難以捉摸的“黑盒子”，即使是開發者本人，也很難解釋它的內部運作方式和某個具體行動背后的邏輯[21]。這種不透明性和不可解釋性，使得某些算法偏見難以被覺察。同時，當前深度學習算法并未實現真正意義上的“智能”，它只不過是基于高速運算能力和規模數據的模型而已，必須依賴大量已有的數據樣本，才能對新數據進行分析和預測。而醫生的診療信息一般會帶有自己的主觀意愿，這些不易覺察的價值偏好，潛藏在數據中用于人工智能訓練時，可能會在算法中被復制和放大，并通過特征提取、匹配用戶偏好進行推送，從而使數據產生偏倚[22]；另外，如前所述，用于機器學習訓練的數據量過小、質量欠佳以及數據挖掘解讀能力有限等，都有可能帶來數據偏差，從而影響診斷的準確性。

3.3 機器性能問題

目前，AI醫療的研究和開發在我國還處于起步階段。盡管不少研究或產品已在實驗室取得了驕人的成績，但由于大多數產品都是基于公開數據集訓練而來，不能反映真實的、復雜的臨床環境，一旦落地臨床應用，難以保持測試數據的高準確率，錯標、漏標、多標現象時有發生，需要臨床醫生花費大量時間精力進行標注和復查。同時，由于AI技術尚處于發展階段，某些技術尚未完全成熟，導致機器性能還不夠穩定，同一AI模型應用于不同地域的醫院時，可能會出現數據差異，需要進行精細微調。另外，目前AI影像產品在單病種領域進展迅速，如在肺結節篩查、糖尿病、眼病、兒童骨齡檢測等諸多細分領域取得了顯著成績，但在復雜的臨床使用環境中依然面臨較大挑戰。例如，肺結節篩查只是胸部CT檢查的一小部分需求，大量的肺炎、肺結核、慢阻肺等疾病所造成的“同病異影、異病同影”現象依然難以檢出，使得AI的應用范圍非常局限[5]。這些都在一定程度上影響了臨床醫師的應用積極性。

3.4 隱私泄露問題

人工智能在醫學影像應用中，需要采集和挖掘患者的大量信息，包括患者的基本信息、健康狀況、疾病狀況、生物基因信息等，一旦泄露后果不堪設想。如保險公司在掌握個人病史的情況下，可能提高保險費用；用人單位可能把個人健康檔案作為是否聘用的重要依據等[23]。患者隱私泄露的風險主要來自于兩個方面：一是掌握數據的個人或機構主動泄露，如2016年，英國倫敦皇家自由醫院將大約160萬名患者的信息交給Deep Mind公司進行醫學研究，因未能充分保護患者隱私和數據來源的正當性受到質疑，被英國信息委員會勒令整改[24]。二是被他人非法竊取。因人工智能條件下患者信息被保存于云端或存儲器，任何人都有可能從中獲取信息，即使有加密措施也不能完全阻止信息的調取，如果管理不善，存在被非法竊取的可能性。因此，AI醫療應用中的信息安全和患者隱私保護將面臨巨大挑戰，急需建立相應的法律法規和倫理規范，對信息采集、傳遞、保管和應用加以有效監管。

3.5 責任劃分問題

人工智能參與醫學影像診斷和治療，事實上承擔了部分醫師的工作，使得原有的醫患關系格局發生了變化，醫與患之間多了醫療人工智能平臺或系統，以及人工智能設計制造商，由此帶來了一系列責任劃分的問題。當出現誤診、漏診或在診療中發生系統故障，給患者的疾病診治和身體健康帶來損害時，到底該由誰來負責？尤其是隨著人工智能技術的發展，今后的人工智能將擁有越來越強大的智能，在醫療活動中將占據更加重要的角色，因此，有必要加強醫療人工智能背景下的風險責任規制，確保患者和公眾的健康權益。一般認為，人工智能產品本身不具備承擔責任的能力，如果是因其質量問題導致醫療損失，應由其設計制造商負責[25]。而在診療過程中，醫師應始終擔負起主導責任，依靠科學的思維和臨床經驗，起好審核和把關作用。

4 結束語

雖然醫學影像AI目前仍處于弱人工智能階段，只能代替醫生從事一些簡單的、重復的工作，但隨著技術的不斷進步，從弱人工智能過渡到強人工智能時代是值得期待的。同時，我們也應看到，醫學影像AI在發展過程中，還將面臨技術、倫理、法律等方面的諸多問題和挑戰，需要各方高度重視，采取措施加以規避和制約。如：制定相應的法律法規和倫理規范，厘清責任權屬，明確行為邊界，使醫療AI的研發和應用有所遵循；建立質控管理系統和監管體系，規范影像數據的采集標準和格式，并對影像AI的算法設計、產品開發、數據保護和產品應用等進行全流程監管；加強理論攻關和技術研發力度，鼓勵“醫”“工”聯合，使醫學影像AI更契合臨床需求，并在臨床實踐中推動人工智能技術不斷走向成熟和完善。