淺談醫學影像大數據的發展及應用

摘? 要：醫學影像學正朝向大數據應用方面發展，醫學影像大數據具有大規模、高增速、多結構、高價值和真實準確五個特點。受技術方面的制約，目前絕大多數影像數據還需依賴影像診斷醫師進行人工分析，因此出現了誤診率高、醫師缺口大的問題。隨著我國發展人工智能腳步的加快，醫學影像被業內認為是人工智能在醫療中最有潛力的落地領域。在未來，AI醫學影像大數據主要會有以下幾個發展方向：開發智能醫學影像圖像分析工具、助力精準醫療、促進影像組學方法的發展。在發展的同時，我們還要關注制約醫學影像大數據應用的幾個因素，即影像數據的規模與質量還較低、數據標注效率有待提高、“人工智能+醫療”的復合背景人才稀缺。

關鍵詞：醫學影像大數據;人工智能;精準醫療

中圖分類號：R445 文獻標識碼：A ? ?文章編號：1671-2064（2019）24-0000-00

1 認識醫學影像大數據

1.1 什么是醫學影像大數據

在醫學領域，隨著信息化的不斷深入，數字醫學數據越來越豐富，其中醫學影像數據是一個十分重要的組成部分，有超過80%的醫療數據來自于醫學影像。如果按照大數據的特點，醫學影像大數據的定義可表示為：由DR、CT、MR等醫學影像設備所產生的，存儲在PACS系統內的，大規模、高增速、多結構、高價值和真實準確的影像數據集合。其具有以下五個特點：大規模、高增速、多結構、高價值和真實準確。

多結構和高價值這兩點很好理解。醫療影像設備種類日益增長，使得醫學影像大數據包含結構化表格、半結構化文本、非結構化影像等，數據結構多樣;且現代醫學越來越依賴醫學影像數據進行診斷，約80%的臨床問題需要影像檢查才能得到準確的診斷結果，這使得影像大數據具有很高的醫學分析和指導價值。

大規模和高增速需要從市場和人口兩個大環境來解釋。據統計，我國科室級PACS、多科室或全院級PACE系統建設水平已經分別達到了60-70%和50-60%，基本覆蓋國內一線城市的三甲醫院，從市場增速來看，我國PACS市場年均增速在25%以上;人口方面，影響醫療影像大數據規模的主要是人口基數和年齡的分布，據預測，到本世紀中葉，我國老年人口數量將達到峰值，超過4億，屆時每3個人中就會有一個老年人，老齡化必將帶來醫療服務的旺盛需求。所以，目前PACS系統的普及率和人口數量的龐大，是我國醫學影像大數據的大規模基礎，而PACS系統和老齡人口的快速增長率，是醫學影像大數據的高增速的基礎。

作為大數據5V特征中的最后一環，醫學影像大數據的真實性是如何實現的呢？這需要從數據處理技術方面來解釋。事實上，PACS系統從不同的影像設備上收集的數據在質量上往往參差不齊，而數據分析結果的準確度和可信度很大程度上取決于收集到的數據質量的高低，所謂“垃圾進，垃圾出”，沒有數據準確性作保證，大數據分析就變成了一紙空談。為了保證影像大數據的真實性，在影像設備將影像數據傳遞給PACS系統后，首先要做的第一步就是由PACS系統來對影像進行后處理。以多維影像融合這項技術為例，主要包括數據預處理、圖像分割、特征提取以及匹配判斷這幾個過程。簡單來說，數據預處理是指將大量模糊的、不完整的、帶有噪聲和冗余的信息進行清理和過濾， 濾掉殘渣，留下精華，將其變成適合挖掘的形式，包括圖像去噪、增強、平滑、銳化等工作;圖像分割和特征提取環節是將預處理過的圖像“切絲、切段”，為后期的智能匹配和判斷提供精準的素材，例如器官形態模型、圖像邊緣特征模型、神經網絡聚類模型等;最后的圖像匹配和聚類的過程，需要依賴深度學習等核心技術，即人工智能與醫學影像大數據的融合。

1.2 醫學影像大數據的應用現狀

據了解，目前絕大多數醫學影像數據都要依賴影像診斷醫師進行人工分析。人工分析主要存在以下兩個問題：第一是精確度低。影像診斷結果會因為受到醫師的精力、耐力、眼力、經驗水平等因素的局限，很容易被誤判。中國醫學會的一份誤診數據資料顯示，中國臨床醫療每年的誤診人數約為5700萬人，總誤診率為27.8%，其中惡性腫瘤平均誤診率為40%，如鼻咽癌、白血病、胰腺癌等，肝結核、胃結核等肺外結核的平均誤診率也在40%以上。因為醫療行業中80%-90%的數據都來源于醫學影像，醫學影像是醫生進行疾病判斷的重要依據，所以要降低誤診率，首先要提高影像診斷的精確度。

第二是放射科醫師缺口大。目前我國放射科醫師僅有8萬多名，每年承擔的診斷工作量卻達到了14.4億張影像，并且這個需求還在不停地增加，我國醫學影像數據以每年30%的速率增長，與之相對應的放射科醫師的年增長速率卻只有4%，其間的差距是26%，放射科醫師數量的增長遠不及影像數據的增長。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，甚至遠遠超過負荷。據統計，有超過50%的放射科醫師工作時間在8小時以上，20.6%的醫師每天平均工作時間超過10個小時。面對爆炸式增長的醫學影像數據集和相當較少的、水平不一的閱片醫師，醫師的疲勞、情緒等因素都將會導致誤診、漏診率的上升。

那么，面對目前醫學影像誤診率高、醫師缺口大的問題，應該通過何種途徑去解決呢？從現有技術水平來看，最好的途徑便是人工智能，隨著人工智能和醫學影像大數據的逐漸普及，兩者的融合，必將成為醫學影像發展的重要方向。

2 未來醫學影像大數據的應用發展

得益于高質量、高標準化的醫療影像數據庫的快速積累，醫學影像天然具有使用人工智能進行大數據處理的可能，再加上智能圖像診斷算法趨于成熟，人工智能技術被認為是解決當前醫學影像界面臨難題的“救命稻草”，醫學影像也因此成為人工智能在醫療中最有潛力的落地領域。醫學影像大數據與人工智能相結合主要會有以下幾個發展方向：

2.1 提供醫學影像圖像分析工具

AI醫學影像應用中最為亮眼的成果無疑是“醫學影像閱片機器人”了。大數據、計算力以及人工智能算法是AI近年來崛起的基石，醫學影像閱片機器人的誕生也正基于此。據檢測，通過輸入上萬多張高質量的人工標注的CT影像，配以適用于AI的高性能計算機（HPC）設備和用于影像識別的3D卷積神經網絡算法，閱片機器人就可以從若干張肺部CT光片中找到隱匿著的少量病人的CT片，快速識別圖片中病灶的位置，在準確率上勝過了絕大多數專業醫生，在用時上更是遠遠超過了人類選手。

這種以“閱片機器人”為代表的人工智能醫學影像輔助診斷系統進入臨床應用后，勢必會將放射科醫師從繁重的閱片工作量中解脫出來，幫助醫生快速獲得影像診斷結果，提高診療效率和準確性，并且這種經過大數據訓練后的影像輔助診斷系統可以變身為一個“類似應用程序的東西”，嵌入在任何的服務器甚至手機上，從而能夠在社區、鄉鎮等醫療條件不高的地方給基層醫生“頂級專家看病的本事”。

2.2 助力精準醫療

2013年，美國女星安吉麗娜·朱莉通過基因檢測，發現其攜帶了一個“乳腺癌易感基因”，根據醫生建議，朱莉接受了雙側乳腺切除手術，通過手術，朱莉患有乳腺癌的幾率從87%下降到了5%。這是一個典型的利用基因大數據實現“精準治療”的案例。隨著計算機存儲量和運行速度的提升，生物醫學大數據的整合利用，疾病的治療將從經驗醫學向精準醫學轉變，最終可實現疾病的“同病不同因，同因不同治”。而醫學影像大數據在精準醫療的發展中發揮著絕對的主力作用，有超過90%的臨床醫學數據來自于醫學影像，如果能夠運用人工智能技術分析醫學影像，深入挖掘影像特征與病狀之間的聯系，并將影像與醫學文本記錄進行交叉對比，與基因組數據相結合，即可更準確地分析出針對個體的診斷與治療方案，挽救患者的生命。

2.3 促進影像組學方法的發展

在臨床實踐中，影像醫生對圖像的解讀還停留于主觀的判斷，通常基于病灶形態、大小、部位、密度/信號、增強強化模式等作出診斷。這樣的方法存在主觀性強、依賴于臨床經驗等缺點，已不能滿足現代醫療模式轉向精準醫學實踐的要求，在臨床上亟需研發影像量化方法。近年來，隨著醫學影像大數據和醫學圖像分析技術的發展，從醫學圖像中挖掘信息，提供臨床醫生肉眼不能判讀的深層定量信息用于臨床分析與臨床指導，逐漸成為醫學圖像研究的熱點，影像組學因此而產生。

荷蘭學者Philippe Lambin教授于2012年提出影像組學（Radiomics）的概念，其定義是：利用計算機軟件，將醫學影像轉化為可挖掘的數據，從中抽取海量的定量影像特征，用于臨床信息的解析。其基本分析流程包括：圖像獲取及病灶分割，影像組學特征提取，影像組學特征篩選、模型構建和臨床信息解析等。簡單來說，它的工作流程與醫生日常讀片是非常類似的，針對影像數據，提取特征，利用人工智能建模，然后再進行臨床應用、輔助決策。但相比醫生，它的最大優勢在于計算機看到了高維信息，能夠看到蛋白基因在宏觀影像上的變化，這樣的寶貴數據可以輔助醫生提升臨床診斷的正確性和準確性。

3 AI醫學影像發展面臨的問題

3.1 影像數據的規模與質量需要進一步提高

數據是人工智能算法所需的核心資源，僅掌握算法而缺乏數據是無法獲得較好訓練效果的。現階段，我國的醫療影像仍處于從傳統膠片向電子數據過渡的階段，大量影像資料尚未數字化，且醫院之間的數據共享和互通程度較低，是否能夠獲取大規模的、優質的、標準化的、規范化的可靠大數據是對本行業的一個巨大考驗。

3.2 數據標注效率有待提高

在獲取數據的基礎上，人工智能在對模型進行訓練之前，訓練集需要進行事先標注。由于大多數圖像標注還需依賴人工識別，至少需要兩位以上的資深醫學專家來控制標注質量，如果標注結果不一樣，還會再聘請一位更高資歷的專家來確定標準，數據標注工作耗費了較大量的人力和時間，成本非常高。因此在AI醫療影像領域，如何高效的自動獲取具有高可靠性的標注數據也成為今后需重點解決的問題。

3.3 跨學科人才稀缺

在醫學這個專業程度很高的領域，AI醫學影像應用及平臺開發者不僅要研究人工智能算法，更要對醫療影像識別建立深入的了解，急需一大批高素質，既懂醫學，又懂理學、工科的復合型、跨學科人才。歸根到底，一個AI產品是否符合醫療行業需求，主要看是不是解決臨床問題，是不是按照醫生的需求去設計，按照醫生的規劃達到一定效果，因此開發者只懂AI技術是遠遠不夠的，只有“人工智能+醫療”的復合背景人才才能開發出醫生真正覺得好用的產品，人才是決定本行業未來發展高度的決定性因素。

4 結語

醫學影像大數據與人工智能的結合已是大勢所趨，深入挖掘醫學影像大數據背后的價值，用人工智能賦能醫學影像大數據，用科技的力量改變醫學影像診斷，釋放人工智能在醫療領域應用的巨大潛力，解放醫生，讓患者看病不再困難，這將是時代賦予影像人肩上的重擔！

參考文獻

[1] 張振，周毅，杜守洪，等.醫療大數據及其面臨的機遇與挑戰[J].醫學信息學雜志，2014，35（6）：2—8.

收稿日期：2019-10-22

作者簡介：滕樹凝（1981—），女，山東濟南人，碩士，講師，研究方向：醫學影像成像原理、醫學信息學。