人工智能在介入醫學中的應用：現狀與展望*

陳一平 林清鋒 陳仲武 陳 健 林瑞祥

(福建醫科大學附屬第一醫院，福建 福州 350001)

1 概述

人工智能是信息學的分支，它是通過算法構建動態計算環境來模擬人類智能過程的基礎。簡單來說，人工智能努力的目標是讓計算機像人類一樣思考、分析數據并提取結果。它最早起源于1950年[1]，發展經歷了三個階段。第一階段是1956—1974年，人工智能誕生并獲得快速發展，但受限于硬件水平，人工智能技術瓶頸一直難以突破。第二階段是20世紀80年代后，此時部分企業已經將人工智能初步應用于工業生產中，但因成本問題，大面積推廣還無法實現。21世紀以來，隨著計算機處理能力的躍進和大數據的發展，人工智能迎來了第三次發展浪潮。人工智能一直是伴隨著神經網絡理論的發展，熱門研究方向主要有機器學習和深度學習[2]。

人工智能、機器學習、神經網絡、深度學習之間是集合關系(圖1)。人工智能是人類使用軟硬件實現人類的思維和動作，機器學習是人工智能的分支，神經網絡是基于數學和算法，模擬人類的神經元處理信息，它是深度學習的基礎，兩者之間的差異，簡單點說就是深度學習至少要有三層以上的神經網絡。

圖1 人工智能、機器學習、神經網絡、深度學習的關系

人工智能與醫學結合應用最深、范圍最廣的當屬醫學影像，并由此誕生了新學科——影像組學。影像組學[3]是指從影像資料(如超聲、CT、MR、PET/CT等)的感興趣區域(Region of Interest，ROI)中高通量地提取影像特征進行自動化分析，通過建模從其中提取關鍵的信息，對病灶進行精準量化評估，并最終用于疾病的輔助診斷、分類或分級。與活檢相比，影像組學繼承了放射影像無侵入、可重復的技術優勢，為患者病情隨訪和預后提供了更安全、更可靠的技術途徑。有了人工智能，放射科醫生可以提高日常閱片的速度以及疾病診斷的準確性。對于介入科醫師而言，人工智能可以幫助他們制定個體化的治療方案、術中引導、病灶定位、模擬教學等，最大程度優化醫療資源使用和臨床實踐活動。

雖然人工智能在各個醫學領域如火如荼地發展，但是國內介入醫學方面的相關研究不多。本文從分析介入診療活動的應用場景入手，旨在闡述近年人工智能在介入醫學領域的發展以及未來的展望。

2 人工智能在介入醫學不同場景中的應用

2.1 應用場景一：患者篩查與治療方案制定

介入醫師在接診患者時，需要對患者下診斷并制定診療方案，如果患者病情復雜則接診時間顯著延長。人工智能可以自動收集患者病史、實驗室檢查及影像檢查資料，依據算法提取關鍵信息匯總成報告，形成初步診斷，對患者進行分類，制定進一步檢查及后期治療方案，并預計療效[4]。特別是如果患者存在過敏或者某些治療的禁忌癥，人工智能還能及時警示。得益于現在計算機的高速處理能力，這些操作都可以在短時間完成，因此可以顯著縮短醫師接診時間，減少醫師精力，使他們能夠更從容地應對其他臨床事項。

2.2 應用場景二：風險預測和療效評估

介入醫師常需要根據患者相關檢查、檢驗資料，對其進行疾病登記評估，并制定對應的治療方案。滕皋軍團隊使用人工神經網絡(artificial neural network，ANN)對比ALBI(albumin-bilirubin)和(Child-Turcotte-Pugh，CTP)的Nomogram評估肝癌患者接受TACE的預后[5]。Hamid Mohamadlou團隊使用機器學習中的梯度提升樹(Gradient Boosted Trees)模型預測住院患者發生急性腎損傷的概率及時間[6]。在人工智能的幫助下，相關介入醫師團隊可以盡早干預高危患者并及時調整治療方案。

除了利用人工智能分析數字資料輔助臨床診療外，影像資料中的特征性表現也可以利用人工智能進行學習。 Daye團隊使用支持適量機(support vector machine,SVM)分析腎上腺轉移癌患者的CT影像特征，并預測轉移癌消融后局部復發率及遠期生存率[7]。Aaron Abajian團隊使用邏輯回歸(logistic regression)和隨機森林(random forest)模型分析肝癌患者MR圖像特點來預測患者接受TACE之后的療效[8]。

在急診介入方面，人工智能也有它的應用空間。患者出現急性腦卒中的時候，利用人工智能算法可以估計患者病發時間[9]、病灶范圍、可挽救的組織的體積[9]，并且還可以通過大數據分析篩選治療后新發腦出血的高危患者以及判斷患者術后預后等[10]。

2.3 應用場景三：虛擬手術室

利用增強現實(augmented reality,AR)和虛擬現實(virtual reality,VR)技術，人工智能可以模擬一個手術場景，根據相關影像學特征，自動識別病灶，將患者的解剖結構與影像資料結合，構建術區并投射到空間中，讓術者可以直觀觀察患者術區解剖并模擬手術操作——設定路徑、操作器械、排除誤操作等，既提高了術者熟練度，縮短了手術時間，也提高了患者的安全保障[11]。

介入手術就是指在各種影像設備引導下的診療性操作，這種特殊的引導方式為人工智能發展提供了廣闊空間，它可以自動識別病灶位置，將術前的三維影像與術中二維圖像融合動態指導穿刺針、消融針、導管或導絲等的方向，并分析大數據，指導術者采用合適尺寸的材料和參數。

3 人工智能在介入醫學發展應用的趨勢

相比于人工智能在神經病學、組織病理學及影像學方面的發展，人工智能在介入醫學方面還處于起步階段，其發展潛力是巨大的。本文認為未來發展主要集中在自然語言處理、影像組學、手術室管理等方面。

自然語言處理(Natural language processing,NLP)是計算機科學和語言學的融合。NLP涉及計算機程序與人類語言數據的交互，包括書寫、打字或說話。現實世界常見的NLP應用包括翻譯軟件、文本到語音識別軟件、聽寫軟件、搜索引擎、對話式聊天機器人、問答系統和數字助理等。目前，我國各級醫院大力發展電子醫療病歷，每天都有海量的電子病歷數據產生，形成了醫療大數據的重要組成部分。這些數據包含著結構化數據和非結構化數據，結構化數據如表格數據，非結構化數據如文本數據和醫學圖像等。這些數據是非常龐大的，人力挖掘費時費力，且不同醫院間的病歷數據結構千差萬別，很難有效利用。NLP可以“閱讀”不同醫學電子病歷中的單詞和表達，可以準確采集和連接數十年積累的多樣化電子病歷數據——既往就診病史、實驗室檢測結果、影像學檢查結果、用藥史等，以友好的方式呈現給臨床，方便其隨時調閱。IBM公司的Watson系統是比較早商用的一套系統。它能從不同的電子病歷中準確、快速地生成患者常見問題的答案、患者的背景資料、預測未來的疾病軌跡和醫療結果，并且其能自動獲取最新的文獻數據，針對個別患者提供醫師診療意見。

腫瘤治療占據了介入醫學日常臨床醫療較大部分工作，包括了腫瘤的化療栓塞、化療灌注、腫瘤消融、放射學粒子植入等。患者病灶良惡性判定、腫瘤分期、療效評估等與影像組學密不可分。在影像組學中，“感興趣的體積(Region of interest，ROV)”通常是指腫瘤和疑似腫瘤，病變區與正常組織邊界有時是很難勾勒的，提取影像組學特征變得很困難，這就需要深度學習來幫忙。術前預測肝細胞癌的微血管浸潤極其重要，它是復發的關鍵預測因子，有助于確定肝切除或肝移植前的治療策略。Zhou等設計了一種基于肝臟增強MRI 和 3D 神經卷積網絡的深度學習方法，它可以明顯提高預測 HCC 患者的準確性[12]。Ran等提出了一種基于影像組學特征、深度學習特征和 CT 影像中淋巴結狀態的預測模型，它可以預測肺腺癌患者的術前淋巴結是否轉移[13]。本文將影像組學特征、深度學習截取的特征融合到Nomogram中作為預測方法。因此，未來影像組學特征和深度學習結合將為癌癥患者成像帶來福音。

手術室是醫院不可或缺的部門，它占據了整個醫院約40%的成本，但是也創造了60%～70%的收入。隨著認識提高、器械進步，手術越來越微創，特別是介入手術，術后基本看不到創口位置。現代手術室變得越來越復雜，從人員配置、器械搭配、手術安排、術中監控等各個方面都對傳統的手術室管理提出挑戰。通過更動態、并發的工作安排，可以顯著提高手術室工作效率，從而提高成本效益[14]。Tanzi等使用深度學習方法收集既往類似手術的持續時間或外科醫生的估計時間，可以準確預測某類手術的持續時間來實現更靈活的工作調度和更好的團隊組織[15]。例如，在臨床實踐中，正確預測手術持續時間可以簡化手術和麻醉決策的協調；又如最后一次使用肌肉松弛劑的時間和減少麻醉藥物的使用，從而進一步縮短周轉時間。在介入手術室中，新的技術也在不斷發揮作用。手勢捕捉相機系統，無論是否使用慣性傳感器，都嘗試定義特定動作并將其與各種手勢相關聯以便在術中控制醫學圖像查看器[16]。個別醫院開始試驗語音識別來處理打開和關閉手術室組件、指導器械參數等，以便節省術中溝通時間。

4 人工智能發展展望

經過多年發展，人工智能在醫療領域取得了長足的進步，但是距離替代人類還有很長的路要走。與人類不同，為了掌握某一種病變，我們需要大量的同種病變的數據去訓練人工智能，并結合臨床實際考慮這種病變的各種變化，然后再用對應的數據訓練它。接著我們還要驗證人工智能的訓練成果并進行動態矯正。人工智能發展有賴于大數據，然而有時候數據并不容易獲得，而且需要花費大量的人力物力。在實際的臨床工作中，我們偶爾會碰到一些疑難雜癥，人工智能就無法像人類一樣結合背景資料做推測。較之機器學習，深度學習雖然減少了人力損耗，但是其包含在內的算法結構是未知的，人們無法預測特定的數據經過深度學習后得到的是不是原先想要的結果，而且有時候即使通過不斷地驗證反饋，我們仍然難以達到目的。

人工智能從一開始的學術牽引式發展轉變為現在的應用場景驅動式發展[11]，只要應用得當，在各個應用場景中都能幫助介入醫師提高工作效率、手術安全性，以及滿足患者個性化治療需要。