人工智能與醫學影像融合發展：機遇與挑戰

朱文珍， 胡瓊潔

人工智能(Artificial intelligence，AI)是基于計算機來模擬人類的思維過程和智能行為的一門學科，隨著AI技術的發展，目前已成為涉及計算機科學、心理學、哲學和語言學等多學科交叉的一門新興前沿學科[1,2]。近幾年來隨著深度學習算法的出現、計算能力的指數級增長、豐富的大數據資源和基于訓練的自主學習方法，以及計算機具有條件反射等類腦能力而發展出復雜人工智能，使得新一代AI技術迎來了爆發式的發展和應用。人工智能賦能醫療行業，在虛擬醫師助理、病歷與文獻分析、藥物研發、基因測序和影像輔助診斷、精準醫學等方面都取得了令人驚喜的成果。其中，醫學影像與人工智能的結合是最具發展前景的領域。2012年以后，隨著深度卷積神經網絡技術的興起和應用，AI在計算機視覺領域的發展取得了突破。計算機視覺基于圖像識別，可以對醫學影像數據進行深入分析，獲取更多有價值的信息。通過大量數據的訓練和學習，使其分析能力不斷提升，從而在精準診斷方面顯示出廣闊的應用前景。目前在腫瘤檢出、自動結構式報告、定性和定量診斷、腫瘤提取和放療靶器官勾畫等方面已有較多的臨床應用和研究[1,2]。當人工智能方法作為輔助醫師的工具無縫集成到臨床工作流程中時，通過提供預先篩選的圖像和確定的特征可更準確地進行影像學評估，且可重復性高，能顯著提高工作效率，減少誤診和漏診，并可對療效進行監測[1-3]。

人工智能在腫瘤影像學領域的應用及研究

人工智能尤其是深度學習算法在醫學影像領域應用最為成熟的為腫瘤影像，在腫瘤的預防、早期發現、診斷和干預、預后評估等方面提供了可能[1,2,4]。在腫瘤影像學中，人工智能在三個主要的臨床任務中發揮了巨大的作用，即腫瘤的檢測、表征和監測[2]。

1.腫瘤的檢測

在傳統的臨床工作流程中，放射科醫師依靠視覺感知來識別圖像上可能的異常，依靠知識、經驗和對正常影像表現的理解，在一定程度上屬于主觀決策。近年來，多項研究表明使用人工智能軟件后影像科醫師對病灶的檢出能力明顯提高[1,5]，其中在肺結節檢出的臨床應用已經較為成熟。Jeon等[6]的研究中7位影像醫師先獨自對134份胸部CT影像進行閱片，后參考CAD自動檢測結果進行修改，結果表明在CAD輔助下結節的平均發現率從最初的77%提升到了84%。Lee等[5]發現CAD對孤立性結節的診斷敏感度高于醫生肉眼觀察。2018年，Silva等[7]對基于意大利多中心肺癌篩查數據庫中的2303例使用人工智能軟件，其GGN檢出率達90.2%(175/194)。Kooi等[8]利用卷積神經網絡(CNNs) 深度學習檢測乳腺鉬靶X線攝影中的病變，其具有較高的敏感性，與人類閱讀水平相近。此外，AI對MRI腦轉移瘤和前列腺病變的檢出同樣具有較高的靈敏度[9,10]。在模式識別的背景下，具有可疑圖像特征的區域AI可突出顯示并呈現給閱片者，從而有效避免對病灶的遺漏，因此AI可應用于人群的初始腫瘤篩查。但需要指出是，目前的AI軟件都是針對特定的應用迭代定制的，因此需要仔細權衡其特異性，放射科醫師必須對其輸出結果進行仔細評估。如何在保證較高敏感性的同時有效降低檢測的假陽性率，是AI未來研究的重點之一。

2.表征

表征，又稱為特征描述，是泛指病灶分割、腫瘤診斷和分期及基因組學的特定術語[2]。這些任務是通過量化病灶的影像學特征(如大小、范圍和內部結構等)來完成的。對人類無法解釋的腫瘤的大量特征，通過人工智能的方法，可進行復雜的非線性關系分析，來發現各變量間的相關性[1,2]。人工智能技術可以自動識別病灶的各種特征，同時將它們作為圖像的生物標志。這些生物標志可應用于臨床決策和對腫瘤的干預，包括風險評估、鑒別診斷、預后評估和治療反應的監測等[2,4]。對器官和病變組織進行特異和準確的分割至關重要。在腫瘤放療過程中，必須精確地分割腫瘤和非腫瘤組織的范圍，才能制訂精確的放療計劃。有研究表明，在基于超聲和MRI的病灶分割任務中，深度學習技術與放射科醫師的表現不相上下[11-15]。

對于腫瘤良惡性的鑒別，人工智能同樣表現出其優勢。以目前研究較為成熟的肺結節為例，由于良性和惡性結節的CT表現具有相似性，使得人類很難準確預測肺部病灶的良惡性。Awai等[16]研究提取了結節的大小、密度、形狀、鈣化體積和空腔體積，開發了新的AI結節分析系統，對結節的惡性概率打分，對31個直徑小于3cm的肺結節進行驗證，結果顯示它可以顯著提高低年資影像醫生的診斷準確度。Wu等[17]利用CT圖像定量紋理特征能夠很好地區分良惡性肺結節。此外，近年來，不少學者利用人工智能方法探討腫瘤的病理亞型與影像學的相關性。Coroller等[18]通過建立深度學習模型進行1級腦膜瘤與2、3級腦膜瘤的鑒別。我們的研究團隊Zhang等[19]利用基于機器學習多參數MRI直方圖和紋理特征優化了膠質瘤病理分級以及判定腫瘤增殖程度。人工智能在腫瘤分期，如腫瘤淋巴結轉移(TNM)的研究也取得了一些突破。對于PET-CT中淋巴結轉移的分類任務，深度學習比放射科醫師具有更高的敏感性，但特異性較低[20]。Kirienko等[21]利用卷積神經網絡實現了肺癌基線PET/CT TNM中T參數的自動評估，可作為輔助肺癌患者分期的工具。

人工智能在腫瘤基因組學方面的研究近年來也取得了突飛猛進的發展。我們的研究團隊Su等[22]研究表明多模態MRI影像組學能夠有效預測膠質瘤亞型和KI-67水平，預測膠質瘤的生物學行為。此外基于MRI紋理分析可區分星形細胞瘤與1p/19q共缺失少突膠質細胞瘤兩種類型低級別膠質瘤[23]。Korfiatis等[24]發現MRI紋理特征可作為預測膠質母細胞瘤MGMT甲基化狀態的生物標志物。Chang等[25]利用卷積神經網絡實現了在MRI圖像判斷低級別與高度膠質瘤IDH狀態的可能。Yang等[26]和Wang等[27]均證實了深度學習模型可無創預測肺腺癌EGFR突變狀態，為臨床決策提供幫助。

3.腫瘤治療監測

疾病監測對腫瘤的診斷和治療反應的評估至關重要。人工智能在監測腫瘤隨時間的變化方面也發揮著作用，無論是在自然史上還是在治療反應中。基于人工智能的監測方法能夠捕捉到隨著時間的推移病灶的大量不同圖像的鑒別特征，包括紋理的細微變化和對象內部的異質性，這些特征超出了人類讀者所能測量到的[2]。我們的研究團隊Zhang等[28]發現常規MRI圖像紋理分析能準確預測低度膠質瘤的早期惡性轉化。CT影像紋理特征異質性參數能夠預測非小細胞肺癌的第一輪化療效果[29]。但該領域仍處于起步階段，將成為未來研究的方向。除了成像，微創生物標記物，如循環腫瘤DNA也正在開發，可用于腫瘤的診斷和疾病的縱向跟蹤[30]。微創生物標記物結合醫學影像圖像，再基于人工智能的綜合診斷，為更準確地評估預后和實時監測疾病提供精準的醫學依據。

人工智能在醫學影像學其它領域的應用

人工智能在非腫瘤性疾病的篩查、診斷與鑒別診斷及預后評估等方面也顯示出一定的臨床價值。Lee等[31]設計了具有區域異常表征的可解釋阿爾茨海默病診斷模型。此外，研究發現人工智能技術可對更薄的皮層厚度及更小的海馬亞區進行鑒別診斷[32]。Chilamkurthy等[33]研究發現深度學習算法可以準確地識別需要緊急干預治療的頭部CT異常表現，包括各種類型的顱內出血、顱骨骨折和中線移位等，這為自動分診提供了可能。相關學者應用深度學習網絡實現腦外傷急診患者全自動檢測系統，有助于放射科和急診科醫師減少診斷時間和人為錯誤[32]。Cheng等[34]應用深度學習算法可實現骨盆X線髖部骨折的檢測和可視化，可能有助于緊急篩查和評估。此外，Tao等[35]基于深度學習方法實現了準確和全自動量化多中心電影MR圖像左心室的功能。

人工智能有望影響臨床放射工作流程中的其它基于圖像的任務，包括圖像采集之后的預處理步驟，以及隨后的報告和綜合診斷。深度學習模式可以顯著改善圖像質量。Xu等開發了一個完全卷積編碼器-解碼器網絡，采用跳過連接和殘差學習策略來恢復PET-MRI高分辨率[32]。Ardila等[36]通過隨訪驗證訓練和病理佐證，建立一個端到端方法，回顧性使用輸入的CT數據來執行定位和肺癌風險分類任務，該模型具有重要的潛在臨床意義，可提高工作流程的效率和診斷一致性。人工智能自動化報告可以形成更標準化的術語，提高工作效率。Wang等[37]研究提示基于深度學習的智能排版和結構化報告系統可優化臨床影像工作全流程，顯著提升影像科的工作效率和診斷準確性。然而，目前自動化報告缺乏嚴格和統一的的標準，尚需在今后進一步完善。

人工智能在醫學影像領域面臨的挑戰

1.標準化數據和數據庫的建立

數據仍然是人工智能系統最核心和最關鍵的組成部分，包括圖像存檔和通信系統(picture archiving and communication systems,PACS)和醫學數字成像和通信(digital imaging and communications in medicine，DICOM)在內的圖像數據標準化存儲便于訪問和檢索。然而，這些數據很少在標簽、注釋、分隔和質量保證等方面進行整理，醫療數據的管理需要訓練有素的專業人員，時間和成本上都很昂貴，成為了開發自動化臨床解決方案人工智能模型的一個主要瓶頸[2]。標準化數據，特別是多種成像模式和解剖位置的數據，在醫學領域尤其重要[38]。公開的醫療數據量越來越多，這是一個令人鼓舞的進步，但是我們不僅需要增加公開訪問的數據庫，而且需在性能、普遍性和可重復性方面進行優化。同時鼓勵大學或者大學機構、專業團體和政府機構克服某些基本的技術、法律和倫理問題，共享經過驗證的數據，促進智能合作[1,39]。

2.人工智能深度學習模式——“黑匣子”

另一個限制是人工智能深度學習模式對特定結果的可解釋性及對失敗的預知能力[1,2]。深度學習直接從數據中學習識別圖像中有助于預測結果的特定特征，其是高度假設的，導致缺乏對深度學習如何得出某些結論的理解。由于缺乏透明性，因此很難預測故障或將特定結論廣泛地推廣到不同的成像硬件、掃描協議和患者群體。毫不奇怪，許多應用于影像學的無法解釋的人工智能深度學習系統被稱為“黑匣子”。

3.數據安全和倫理問題

使用患者數據來訓練這些人工智能系統可能會引發數據安全和隱私方面的倫理問題。符合《健康保險可攜性與責任法》的存儲系統促進了更嚴格的隱私保護。相關研究探索了一種系統，它可以讓多個實體不共享輸入數據集，只共享訓練過的模型的情況下聯合訓練AI模型[40]。

此外，當前人工智能工具的一個共同特點是能較好地執行單一任務，無法處理多個任務。放射科醫生是人工智能培訓過程中的關鍵要素，貢獻知識并監督效率，然而真正懂人工智能的醫生相對較少。我們影像科醫師需要充分利用這些資源，促使AI成為更好的工具，發揮他們最大的作用。只有這樣，我們才能做到不僅能監督結果，還能采用驗證手段來解釋其背后的原因，以及發現潛在的、可能被忽視的隱藏信息，更高效地服務于臨床。