人工智能在醫學影像組學中的應用

韋凌宇

（山東第一醫科大學，山東 泰安）

1 影像組學工作流程

目前公認的影像組學標準化工作流程主要分以下四步[6]。

1.1 標準圖像的獲取

醫療影像圖像的采集與重建是影像組學工作的基礎，由于圖像預處理方法、像素、層厚等條件的不同，圖像特征會有很大的差別，不同醫院的掃描設備及掃描參數不同，導致影像數據特征的提取也有很大的差別，這就對影像組學的發展提出了挑戰[7-9]。統一影像標準是影像組學分析的首要任務，也是影像組學研究的關鍵環節之一，因此，無論使用何種影像設備，都必須采用統一的成像方法和處理方法，以保證獲取標準化影像，而 CT影像是最直接、最容易進行比對的影像資料，因而也是目前影像組學研究中最常用的影像方法。

1.2 ROI的分割

ROI即為影像組學分析的目標區域，一般是指感興趣區。ROI分割是對圖像進行特征獲取的前提，其分割精度將直接影響影像組學研究的準確性，穩定且精確的分割方法是獲取穩定影像特征的重要前提[10]。圖像分割技術包括人工手動分割、半自動分割和自動分割。目前人工分割一般被用來作為分割的金標準，精度高。但可重復性較低，耗時耗力，效率過低。而且不同人之間的主觀差異對分割結果影響較大。自動或半自動分割算法分割速度快且具有較好的重復性。目前比較常用的自動分割算法有閾值法、區域生長法、圖像切割法、動態輪廓法等，不同的算法各有其利弊[11]。

1.3 影像特征提取

影像組學定量分析醫學影像特征時，不僅可以提取可視化的特征，例如基于CT圖像提取的傳統特征[12]；還可以進一步提取不可視的特征，主要包括形態特征、強度特征和紋理特征等。形態特征包括ROI的形狀、體積、表面積與體積比等指標，強度特征則例如平均強度、強度方差等；這些不可視特征可定量描述病變的異質性。隨著圖像處理技術的發展，可得到大數據量的特征，需要對所得的特征進行篩選，選取合適的特征進行下一步處理，才能挖掘這些特征所具有的真正臨床價值。

1.4 影像組學預測模型的建立與應用

研究影像組學的最終目的是建立臨床反應的預測模型指導臨床診療。在一般情況下，影像組學的特征數據分為實驗數據和驗證數據兩部分。實驗數據和臨床信息如患者的患病史、病理診斷、治療效果、臨床不良反應的發生等臨床信息進行綜合考慮，使用機器學習、高等統計學方法等對數據進行深度挖掘，建立臨床反應的診斷或預測模型。驗證數據則被用來驗證上述模型在臨床中的準確性，最終選取高精度模型從而達到對疾病的治療、預后和療效評估的目的[13]。目前可應用的模型既包括經典的 Logistic 回歸模型，也包括人工智能新模型，如人工神經網絡、隨機森林、支持向量機、聚類分析、卷積神經網絡、循環神經網絡、深度神經網絡等模型，不同的建模方法各有其優缺點，因此Lambin等[2]提出了對影像組學質量進行評分的標準，提高了模型的實用性。在基于影像組學進行預測模型建立時，多醫療機構的數據共享形成的大數據可以幫助獲取更加理想的結果[14]。

2 人工智能的提出

1956年，“人工智能”概念第一次出現在著名的達特茅斯會議中，標志著這個新興學科的正式誕生[15]。人工智能（artificial intelligence，AI）是一門研究計算機模擬人的特定思維過程和智能行為的學科，它代表著當今科技發展的一個典型，它通過與眾多學科和行業的交叉研究，對當今科技發展和社會生產生活方式的變化產生了重大影響。伴隨著算法、算力和大數據的發展，人工智能，特別是機器學習，得到了飛速的發展，其精度也在不斷提高。作為機器學習的一個領域，深度學習得到了迅速發展。深度學習網絡將機器的認知能力提升到了一個前所未有的高度，具有多種人工智能技能。以深度卷積神經網絡(convolutional neural network, CNN)為基礎的計算機視覺系統在2015年 ImageNet 1000挑戰中首次超過了人類專家對圖像識別進行分類的能力[16]。隨著人工智能的高速發展，醫學影像與人工智能相結合已成為最具發展前景的產業。所以基于 AI的智能醫學是當前醫學發展的重要方向，而醫學影像人工智能則是目前 AI醫學中最重要的組成部分，是 AI與醫學結合的最佳切入點[17]。

卷積神經網絡(convolutional neural network，CNN)或循環神經網絡(recurrent neural netword，RNN)，結合現在強大的計算能力和大數據訓練出來的模型，在某些領域達到甚至超越了人類專家的水平[18]。人工智能按照實現的能力可以分為3個層次：①弱人工智能(artificial narrow intelligence，ANI)，擅長于單個方面或任務的人工智能；②強人工智能(artificial general intelligence，AGI)，是指在各方面都能模仿人類行為甚至和人類不相上下的人工智能；③超人工智能(artificial superintelligence，ASI)是指牛津哲學家及知名人工智能思想家Nick Bostrom定義的“在幾乎所有領域都比最聰明的人類大腦都聰明很多的人工智能，包括科學創新、通識和社交技能”[19]。

由此看來，目前AI技術在某個方面超越人類非常多，但其AI本身并不能像人一樣在多方面進行思考，對各種情況進行分析，也沒有自己成熟的意識。以DL為代表的新一代 AI技術結合下的醫學影像具有真正成熟應用于臨床實踐的能力。當今人工智能發展迅速，除 AI 新一代算法進步和建構模型的不斷優化外,還與當今醫學影像全面數字化而產生的大數據有著密不可分的影響。

3 基于AI對醫學影像組學發展的影響

從醫學影像組學的需求和發展來看,AI 醫學影像出現對臨床放射診斷實踐具有重要大的突破。醫學影像組學作為數字化醫療時代發展的代表學科,隨著高分辨薄層掃描、多模態成像為特點的影像設備和影像組學技術的高速發展,影像數據以每年30%的速度增長,占醫院數字化數據的90%[20],但同時導致臨床放射工作量的增加;而每年醫療資源和人力投入增長遠遠不能滿足需求[21]。基于AI的醫學影像的出現時。AI技術可以利用高性能的圖像識別和計算能力、自我進化學習能力以及持續穩定工作的機器性能優勢,使用DL技術可實現高精度圖像重建，在過程中引入了先驗信息或知識，使圖像質量得到進一步提升。在臨床工作的應用中，醫學影像AI主要集中于計算機輔助檢測（computer-aided detection，CADe）、計算機輔助診斷（computer-aided diagnosis，CADx）和病情監測3個方向[21-22]。

3.1 計算機輔助檢測

主要包括醫學影像后處理和病變檢測。醫學影像后處理技術主要包括器官、血管、病變分割和圖像可視化（曲面重建、三維容積重建等），而后服務于圖像的定量分析。該部分工作傳統上由臨床影像醫師在通用后處理工作站完成，因數據量較大，則在處理數據時較為費時、費力，而基于AI的醫學影像后處理技術，能大大提高影像后處理的效率。

3.2 計算機輔助診斷

是新一代 AI 與醫學影像結合的重要成果。腫瘤、心腦血管系統疾病、骨骼肌肉系統疾病是開展 CADx 研究與臨床應用的熱點方向。腫瘤性病變CADx應用，特別在肺癌、乳腺癌、前列腺癌等疾病獲得了大量的關注，研究主要集中在良惡性鑒別、風險因素測量、預后判斷和治療指導等方面[30]。

3.3 計算機輔助病情監測

AI對病情監測的應用越來越多，包括病情自然改變的檢測和對治療的反應等。分析腫瘤倍增時間、實體瘤的療效評價標準等；而基于AI的監測技術可以對病變的改變進行多維度的精準測量，為優化臨床決策和治療等提供參考，良好體現AI 和醫學影像結合的優勢。

國內近兩年關于人工智能在醫學圖像的領域上對各個器官疾病診斷的模型都有研究和嘗試[23-24]，基于DL的人工智能應用目前已經覆蓋病灶檢測、病理診斷、放療規劃和術后預測等各臨床階段，以減輕臨床醫師的工作量。其中基于X線對肺部進行篩查、針對乳腺癌進行的乳腺鉬靶篩查；基于CT影像的肺結節檢測模型相對成熟，有較好的臨床表現。冠心病的智能化診斷模型也已初步成熟[31-34]可以自動重建心臟、頸部及顱內動脈血管腦動脈瘤檢出、腦出血定量測量等應用研發，并對病變進行定量測量，甚至部分已經成為臨床工作中醫生不可分割的臨床診斷方式。

4 醫學影像AI臨床轉化的挑戰和展望

人工智能技術代表著人類科技發展的前沿方向，同時人工智能技術和各個行業各個領域的融合度也在逐步提升。醫學和人工智能技術的融合已經成為了必然趨勢，也成了推動醫學進步的一個重要突破口。影像科醫師應該更客觀和積極地面對眼前的“機”與“遇”[25,30]。

4.1 更客觀、更現實地看待人工智能技術

當前醫學影像 AI 的研究主要集中于單個疾病，甚至是單個疾病的特定類型，這類研究快速地產生了階段性成果，并為臨床醫療提供了一定的幫助。但人工智能技術尚處于初級階段，更多是圍繞某單一影像任務提出解決方案。而且深度神經網絡這樣的技術手段想要進行有效應用，必須要完成海量數據訓練，但是并非是任何一個病種均能夠滿足該條件與臨床工作場景還有很遠的距離。

4.2 更嚴謹地評估人工智能技術

目前各類醫學影像挑戰賽成為新聞熱點，這些挑戰賽尚缺乏標準化、專業化設計，應從臨床角度嚴格審視挑戰賽在研究與應用兩方面的意義。所有的技術都是為任務服務的，首先是要解決任務，其次才應尋找方法，DL技術只是其中一個方法，醫師與技術團隊應密切協作，深入探討臨床問題，了解這項技術的優勢與局限，更好服務于醫療。

4.3 以更廣闊的思路應用人工智能技術

醫學影像不只應用于診斷，許多臨床環節都涉及影像的分析與利用。人工智能技術也不只應用于影像分析，深度神經網絡能就不同模態的信息（如文本、語音）產出有價值的應用成果。目前醫學影像和人工智能技術已經走入了融合發展的新階段，人工智能在醫學影像中的應用能夠明顯提升影像處理有效性和數據處理的精確度，不過在實際應用當中還需要進一步優化改進，以擴大應用范圍。

4.4 醫學影像 AI 的政策支持及倫理考慮

國家對醫療AI高度支持，2017年7月發布了《新一代人工智能發展規劃》，提出了發展智能疾病預測、智能診斷、智能治療模式、智能醫療體系。從倫理角度看，當前醫學影像AI相關研究，對患者被試的知情權、隱私保護等醫學倫理問題、數據安全問題以及患者診療安全性等問題目前的關注還存在不足。未來高度自動化的醫學影像 AI 系統可能導致醫生疏忽常識，導致醫療事故，可能影響當前醫患關系的動態變化和平衡，帶來新的問題和挑戰。