人工智能在超聲醫學診斷方面的研究進展

馬延軍 董云翔 楊 瀾 周煜萃 羅兆瑞 楊 茹

1.中國醫科大學臨床醫學三系，遼寧沈陽 110001；2.中國醫科大學智能醫學學院，遼寧沈陽 110001；3.中國醫科大學口腔醫學院，遼寧沈陽 110001；4.中國醫科大學附屬第一醫院心血管超聲科，遼寧沈陽 110001

人工智能（artificial intelligence，AI），是一種新興的、通過模仿人類思維和認知能力而實現實際操作的技術，本質上屬于計算機科學，近些年正不斷在我們生活的各個領域發揮作用。超聲檢查是一種基于超聲波的診斷技術，目前已在醫院廣泛使用，在醫學影像學檢查中有著舉足輕重的地位。在科技不斷發展的過程中，人工智能已經逐漸滲透超聲檢查并發揮了重要作用，其在檢查結果精確性、檢測效率等方面對原有的超聲檢測技術進行改進，使超聲檢測技術更加成熟。本文對現階段不同檢查部位的超聲檢測中人工智能發揮的作用及現狀進行綜述。

1 影像醫學方面的人工智能系統

1.1 人工智能

AI 是計算機科學領域的分支，通過計算機模擬人類的思維方式及思維過程，來實現計算機的更高層次應用，AI 也被認為是20 世紀的三大尖端技術之一。近30 年來，人工智能迅速發展，廣泛應用于諸多科學領域，為人們的生活方式帶來巨大改變。伴隨著AI 熱潮，達芬奇手術機器人、數字化手術導航、慢性病患者虛擬助理等產品的問世，使得人工智能在醫學領域上的發展與應用吸引著越來越多人的關注。

1.2 計算機輔助診斷系統

計算機輔助診斷（computer aided diagnosis，CAD）系統是通過醫學影像處理技術及生理、生化手段，結合計算機分析計算，輔助發現病灶的醫學影像信息庫，可以有效改善影像質量，降低誤診率及漏診率。在醫學影像重建、醫學影像分割、醫學影像融合等方面，已經取得了較好的預期成果。

1.3 深度學習

深度學習（deep learning,DL）是目前機器學習領域中一個新的研究方向，具有廣闊的應用前景。通過深度學習可以使機器模仿人類的思考方式，分析并解決復雜的圖像識別問題。伴隨著深度卷積神經網絡技術的不斷發展，人工智能在計算機視覺領域上取得了顯著性的突破，同時也推動了人工智能對于超聲醫學影像數據的識別及深度學習。將人工智能合理運用到超聲醫學影像上可顯著提高臨床診斷效率及準確率，助力構建數字智能醫療模式。因此，人工智能技術與影像醫學的結合有望改善傳統醫療的諸多困境，有效提高醫學影像對于疾病的篩查和診斷，對于現代化醫療具有重要的現實意義。

2 AI 在超聲醫學診斷方面的研究進展

2.1 AI 在甲狀腺超聲診斷中的應用

甲狀腺超聲是診斷甲狀腺疾病的主要影像學手段，目前AI 在輔助甲狀腺超聲診斷方面取得了一定成果。其中，AI 在甲狀腺結節超聲診斷中應用的最為廣泛，在甲狀腺結節分類及甲狀腺良性和惡性結節的鑒別診斷中已展現出良好的應用前景。

Wang 等收集了2992 個甲狀腺超聲圖像，由2位高年資超聲醫師按照美國放射學會（American College of Radiology，ACR）的甲狀腺超聲分級方法（thyroid imaging reporting and data system，TI-RADS）分出TR4 及TR5 的超聲圖像。他們通過集成兩種基于DL 和傳統機器學習方法的AI 算法，開發了一種新的甲狀腺CAD 系統。該系統基于4 種已知的風險因素，建立了甲狀腺癌預測模型，從而提高對可疑結節的診斷準確性。Kwon 等的研究中描述了一種使用卷積神經網絡進行超聲檢查的甲狀腺結節分類系統，可在超聲檢查中對甲狀腺結節進行分類及識別甲狀腺惡性腫瘤。在此項研究中使用了動態卷積神經網絡（dynamic convolution neural network，DCNN），它是一種專門用于識別圖像模式的機器學習模型。相較于傳統的計算機輔助診斷系統，DCNN 可以自動學習有效的特征用于圖像分類，即使因相機鏡頭、光源、角度等因素導致圖像失真，系統依然可對圖像進行檢測和識別。而Chi 等進一步改良現有的深度卷積神經網絡，使用GoogLeNet進行分類，并通過研究證實，GoogLeNet 可以提高甲狀腺結節分類準確性。Zhou 等提出了一個高度自動化的模型-深度學習甲狀腺影像組學（deep learning radiomics of thyroid，DLRT），用于超聲圖像中對良性和惡性甲狀腺結節進行鑒別診斷，該團隊收集了1750 個甲狀腺結節的圖像，分別使用基本的卷積神經網絡（convolutional neural networks，CNN）模型、遷移學習（transfer learning，TL）模型及新設計的DLRT 模型，并將他們的診斷準確性進一步與人類觀察者（1 名高級和1 名初級美國影像科醫生）進行比較，在內部訓練隊列和外部驗證隊列中，與其他深度學習模型和人類觀察者相比，DLRT 顯示出最準確診斷能力，對于鑒別甲狀腺良、惡性結節具有良好的潛力。伴隨著AI 輔助醫學診斷的快速發展及應用，AI 在甲狀腺超聲診斷領域的應用將向更準確、更迅速、適應性更強的方向發展。

2.2 AI 在乳腺超聲診斷中的應用

乳腺超聲檢查是一種無創、準確的乳腺檢查手段，可用于乳腺良性和惡性腫瘤、乳腺增生及炎性疾病的診斷。超聲醫生通過應用彩色多普勒、三維超聲成像、彈性成像、超聲聲學造影等技術，獲得乳腺超聲圖像并進行分析及診斷，輔助臨床醫生確定診療決策。AI 可以自動識別圖像信息，對圖像特征進行定量評估分析，提高超聲在乳腺病變診斷中的準確性。

目前，AI 在乳腺超聲中的應用和研究多集中在基于二維超聲特征來區分良性和惡性乳腺腫塊。從乳腺成像報告和數據系統（breast imaging reporting and data system，BI-RADS）中識別有效的可計算特征，并通過不同的機器學習方法，可以用于區分良性和潛在的惡性病變。近年來，CAD 在圖像的處理和分割以及感興趣區域（region of interest，ROI）的選擇方面取得了很大進展。Feng 等提出了一種適應性地利用相鄰信息的方法，可以有效提高超聲圖像上的乳腺腫瘤分割性能。Cai 等提出了一種基于相位一致性的二元模式紋理描述符，無論圖像灰度如何變化，該描述符均可以有效地評估和分類B 型超聲圖像。

傳統超聲圖像通常需要從超聲機器傳輸到工作站后進行圖像再處理，而s-detect（DL 技術的一種）可以直接在超聲系統上識別和標記乳腺腫物。s-detect 是三星RS80A 超聲系統中配備的工具，其在DL 算法的基礎上根據BI-RADS 2003 或BI-RADS 2013 分類進行病灶分割、特征分析和描述，在自動或手動選擇ROI 后，立即對感興趣區域（腫物）給出良性或惡性的判斷。關于DL 軟件（deep learning software，DLS）在基于超聲圖像對乳腺癌進行分類診斷的回顧性研究發現，DLS 診斷乳腺癌的準確性與影像醫生相當，且DLS 可以比沒有經驗的人類使用者更好、更快地學習。Zhang 等建立了一種DL 結構，該結構可以從剪切波彈性成像中自動提取圖像特征，他們也評估了DL 結構在良性和惡性乳腺腫瘤的鑒別作用。Han 等使用卷積神經網絡深度學習框架來區分通過超聲獲得的乳腺圖像的不同類型的病變和結節，該方法能夠在短時間內對惡性病變進行分類，進而能夠幫助影像醫師鑒別、診斷惡性病變。

2.3 AI 在肝臟、膽囊超聲診斷中的應用

最新研究表明，肝細胞癌（hepatocellular carcinoma，HCC）患者盡早進行聲像圖診斷（ultrasonographic，USG），將降低37%左右的死亡率，具有較好的成本效益。Tiyarattanachai 等使用大量臨床預先采集好的USG 圖像來開發和驗證AI 輔助的USG 圖像分析系統，用于檢測和診斷各種肝臟局灶性病變（focal liver lesion，FLL）。該系統是基于RetinaNet的CNN 架構的AI 靜態圖像分析。CNN 使用大量臨床FLLs（包括肝細胞癌、囊腫、血管瘤、局灶性脂肪保留和局灶性脂肪浸潤）患者的回顧性圖像，通過改變置信閾值調整對疾病的檢出率，其總體檢出率、診斷敏感度和特異性分別為87.0%、83.9%和97.1%，FLL 的診斷準確率為88%～96%。因此，該系統在檢測和診斷各種FLL 方面表現出良好的性能，有助于臨床檢測和診斷HCC。Liu 等利用基于肝臟超聲圖像建立CNN 模型，與定向梯度直方圖和局部二元模式的低水平特征提取方法相比，DL 技術具有更好的分類準確率。但上述研究的訓練數據集僅進行了內部測試，是否可以應用于其他臨床患者還有待進一步研究。

膽囊疾病是臨床常見的上腹部不適的原因之一。超聲檢查可以觀察膽囊的形態大小情況、膽囊壁的厚度變化、膽囊內是否有異物等。Zhou 等的研究采用CNN 和集成學習的AI 技術，使用臨床膽道閉鎖病例的超聲圖像數據，訓練隊列被隨機分成5個互補子集，其中4 個用于訓練CNN，另外一個子集用于驗證CNN。該系統在外部驗證數據集上的敏感度為93.1%，特異性為93.9%，可以準確地診斷膽道閉鎖。Chen 等通過對膽囊息肉（膽固醇和腫瘤病變）的經腹高分辨率超聲檢查和病理結果的研究,開發了一種帶有AdaBoost 分類器的新型CAD 系統。研究中結合主成分分析和AdaBoost 算法提出超聲圖像分割算法，構建鑒別腫瘤性和非腫瘤性膽囊息肉的計算機輔助診斷系統，其所提出的分割方法可精確勾勒膽囊區域輪廓，與超聲醫師人工識別圖像相比，該系統診斷結果準確率更高，診斷速度更快，有助于膽囊息肉的準確診斷。

2.4 AI 在內鏡超聲診斷的應用

超聲內鏡（endoscopic ultrasonography，EUS）將內鏡與超聲相結合，主要適用于消化道檢查，尤其在消化道腫瘤的診斷中發揮著不可忽視的作用。胃腸道間質瘤（gastrointestinal stromal tumors，GISTs）和胃腸道平滑肌瘤（gastrointestinal leiomyomas，GILs）是最常見的胃腸道上皮下病變（subepithelial lesions，SELs）。GIST 為潛在惡性腫瘤，而GIL 是良性腫瘤，因此區分這兩種疾病對于治療尤為重要，但僅用EUS 圖像很難區分GIST 和GIL。若在EUS中引入AI 技術，或許可為SELs 的診斷提供新方向。Minoda 等將EUS-AI 和EUS 專家的診斷與SEL的病理結果一致性進行比較，發現EUS-AI 對于＜20mm 的SEL 診斷的準確性、敏感度和特異性均高于EUS 專家的診斷。2022 年，Hirai 等通過AI 對包括GIST 在內的5 類疾病進行診斷，表明其具有比專家更高的診斷性能，可能有助于改善臨床中SELs的診斷。楊新天通過采集在組織學上被診斷為GIST 或GILs 的患者的EUS 圖像，使用DL 技術開發1 個基于EUS 的AI 系統用于鑒別這兩類腫瘤，通過EUS 和AI 的聯合診斷，內鏡醫師對于兩種腫瘤的診斷準確率均有所提高。此外，在膽囊息肉狀病變與胰腺癌中，AI 與EUS 的結合亦表現出更高的敏感性和準確性。

2.5 AI 在心血管超聲診斷的應用

心血管疾病（cardiovascular diseases，CVDs）已成為全球人群的主要死亡原因之一，而傳統預測CVDs 風險模型對于患者CVD 風險評估尚有一定局限性。AI 與傳統風險預測方法相結合，可進一步為心血管疾病風險預測提供更有力的幫助，即“綜合預測心血管疾病風險模型”。動脈粥樣硬化是CVDs 的主要原因，其可以導致心肌梗死或腦卒中等。臨床上評價動脈粥樣硬化程度的兩個主要指標是頸動脈內膜中層厚度（carotid intima-media thickness，cIMT）和斑塊面積（plaque area，PA），將AI與頸動脈的超聲結合評估cIMT/PA分割方法已可用于心血管疾病/卒中風險監測中。Skandha 等設計由3 種DL 分類范式組成的計算機輔助診斷系統，用于動脈粥樣硬化中斑塊組織分類和表征，研究結果表明結合AI 可有助于識別斑塊組織分類和表征。Biswas 等提出了一種基于AI 的方法，以cIMT和總PA 為指標聯合自動檢測測量壁厚和頸動脈斑塊，其對動脈粥樣硬化的診斷性能有所提高。此外，AI 技術亦應用于超聲心動圖中輔助心臟功能評價。Salte 等使用基于DL 和AI 的新型運動估計技術通過追蹤心肌運動，對左心室整體縱向應變進行全自動測量，進而測量評估心肌收縮功能。

2.6 AI 在胎兒超聲診斷的應用

胎兒超聲心動圖檢查是先天性心臟病的主要篩查方法之一。胎兒心臟的生理結構與成年人不同，胎兒身體的不自主活動、檢查醫師經驗不足等因素都會影響胎兒超聲心動圖檢查的準確性。通過DL 構建AI 系統與胎兒超聲心動圖檢查相結合，有助于提高檢查結果的準確性，在AI 的輔助下，經驗不足的醫師也可以得到相對準確的檢查結果。

在胎兒面部檢測中，AI 也帶來了新的解決方案。通過胎兒面部檢測，可以預知新生兒是否存在顏面部結構畸形等問題，早期診斷可以盡早采取治療措施。傳統的胎兒顏面檢測是以醫師為檢測的主體，在切面采集過程中，不同醫師的操作經驗差異及主觀因素均會影響采集切面的標準性，進而對于胎兒面部畸形的判斷準確性產生影響。在AI 的輔助下，可提高胎兒顏面部超聲標準切面采集的準確性，同時提高圖像采集效率。

在早產兒死亡和新生兒患病的原因中，肺部發育不全一直是主要因素之一，因此對于胎兒肺部發育情況的評估，將有助于早產兒出生后診療決策的制定。目前針對胎兒肺部成熟情況的評估方法主要有羊水生化檢測、二維超聲檢測、灰階超聲直方圖檢測等，但以上方法或為有創手術、成本高且風險大，或受主觀因素影響、準確性難以得到保障。而基于AI 的定量超聲檢查的應用，克服了以上的缺點，發揮了超聲檢查的無創性優點，通過AI 的輔助，提高了診斷結果的敏感性、準確性。

3 總結與展望

目前的醫療行業中，超聲影像作為無侵入性、無輻射、便捷的檢查方法，在疾病診斷中發揮著重要的作用。而大多初始醫學影像數據，都需要醫生進行人工分析，大量的后期分析導致了醫生資源的浪費，同時這個過程也難免產生醫生主觀性判斷的錯誤，增加了疾病的誤診、漏診率。將AI 技術與超聲結合能夠提高超聲醫生的工作效率，提高疾病診斷的準確性。因此，如何將人工智能技術與傳統的超聲檢查技術相結合，將是未來研究的熱點問題。