人工智能輔助醫學影像識別技術的應用研究進展*

伍佳莉，李東倫，唐 泳，鄭英俊，楊小李，李 波，方 程 綜述，蘇 松△ 審校

(1.西南醫科大學附屬醫院麻醉科，四川 瀘州 646000；2.西南醫科大學附屬醫院肝膽外科，四川 瀘州 646000;3.電子科技大學計算機科學與工程學院，四川 成都 610054)

1956年，美國達多馬斯大學將人工智能(AI)定為一門學科，自此，AI就以極快的速度發展。目前，人類對AI的研究和開發已經涵蓋了醫學[1]、自然語言處理[2]、機器人[3]等領域。AI是指，任何能夠感知和理解其周圍環境，并采取相應適當行動，最大限度地實現其目標的代理或設備[4],其具有機器及智能設備的特點，主要特點是機器根據數據自動預測計算，從而達到自主學習[5]。

1 AI與醫學

早在20世紀80年代，就有人設想將AI與生物醫學進行結合[6]。在過去，人們收集大量數據，再利用機器系統來尋找數據規律，最后憑借人為經驗不斷調整、改進機器性能以實現智能化。該類機器系統可以幫助人們進行簡單的數據整理和logistic回歸運算，得到更為準確的結果[7]。然而，這種基于人選特征的AI，過于依賴人為操作，沒有緊急情況的應變功能，對于復雜且緊急情況也無法進行自動化分析，在實際應用上本質上仍未脫離“人”的范疇。

隨后，有科學家利用機器系統模擬人類學習，構建出神經網絡，實現了可對實際問題進行預測的深度學習系統[8]。目前，隨著機器學習[9]與人工神經網絡[10]的高速發展，AI已經在醫療機器人[11]、AI醫學影像、AI輔助診療、AI健康管理[12]等方面取得了不錯的成績。將AI技術應用醫學影像診斷已成為熱門，其可通過精確標識和分析病灶，大大提高醫生的工作效率和診斷結果的準確性。已有研究報道，醫學AI在超聲、X線片、計算機斷層掃描(CT)、核磁共振成像(MRI)、消化內鏡、神經阻滯定位等方面的診治有較多研究，隨著AI與醫學的進一步革新與結合，AI影像診斷有望在不久的將來廣泛應用于臨床實踐中。

2 AI在超聲中的應用

超聲影像具有安全、方便、成本低的特點，但受主觀因素和人為經驗影響較大[13]。以甲狀腺疾病診斷為例，實際臨床超聲診斷中，仍然會出現惡性結節的遺漏。因此，為了提高超聲對甲狀腺疾病診斷的精準性，有研究者開發了應用于甲狀腺結節良惡性診斷的AI系統。早期研究者通過計算機輔助診斷(CAD)系統分類提取、分析影像學圖像特征，CHOI等[14]在進行一系列臨床研究后，發現CAD系統對甲狀腺惡性結節的敏感度(88.4%)與高年資超聲醫生(90.7%)近乎一致(P>0.99)。

KELLY等[15]通過AI技術，開發出一套全自動乳腺超聲掃查系統(ABUS)，可以自動掃查受試者整個乳房，并建立三維立體乳房結構，從而對乳腺癌病灶進行自動識別與分類，提高乳腺癌檢出率，縮短患者受檢時間。

美國研究者基于AI技術開發了HeartModel (Philips Healthcare，USA)軟件[16]，能三維量化經胸超聲心動圖的左心室、左心房容積和左心室射血分數(LVEF)。TSANG等[16]使用Heartmodel軟件自動分析159例患者左心室、左心房容積和LVEF，該方法與“金標準”心臟MRI數據相關性高(r=0.84、0.93、0.85)，且其分析耗時[(26±2)s]比人工分析耗時[(144±32)s]更短(P<0.001)。

AI結合超聲在神經阻滯的應用已處于起步階段。超聲引導下進行神經阻滯不僅可應用于局部麻醉手術，也可以結合復合喉罩進行全身麻醉，還可以用于局部神經疼痛治療等。將AI技術與此類技術結合，能提高臨床治療效率，是目前研究者關注的重點。HEMMERLING等[17]開發了一種新的AI系統，用于執行超聲引導下的神經阻滯，并對神經阻滯部位進行視頻成像增強，精確化神經阻滯部位。在招募的13例患者試驗中，所有操作均成功完成，平均執行時間為3 min，沒有出現明顯的血管穿刺。在阻斷后的24 h內，沒有患者出現任何神經系統并發癥。

3 AI在X線片中的應用

數字X線片成像系統作為最常用的檢查方法，能夠簡便、快速地診斷胸腹部、骨、脊柱等有關疾病。X線片的診斷標準是國內外專家經過長期臨床經驗得出的共識，較為全面、合理，但由于影像學醫生工作量較大，容易出現誤差。通過AI算法將這些標準編入機器，通過智能質量控制，能大大提高診斷輔助效率。

2020年，四川大學華西醫院以深度學習圖像處理方法為基礎[18]，對6 770例受檢者的正位胸部X線片進行分析，收集包括體外異物、體內異物、體位不正等情況，然后對胸部X線片進行標注，開發出了一套能實現輔助拍片功能的智能質量控制系統。

乳腺鉬靶X線影像是臨床上篩查乳腺癌常用的檢查，MOHANTY等[19]提出了基于AI的鉬靶影像腫塊分類方法。該方法通過提取影像數據并利用關聯規則，挖掘感興趣區域，并對其進行良惡性鑒別。在深度學習方面，有研究基于卷積神經網絡(CNN)進行圖像分類法[20]，提出了一種對乳腺鉬靶影像進行分類的多尺度CNN策略，能塑造一個掃描模型，對影像結果進行決策。

4 AI在CT中的應用

CT技術作為目前普遍開展的診斷方式，不僅對高密度組織顯像清晰，而且在骨性結構疾病診斷方面也有較大優勢。將AI深度學習技術與CT結合，可以快速自動標注出病灶的部位、大小、性質與周圍組織關系等，極大地縮短診斷時間，提高診斷效率，幫助青年醫生深入學習。有研究結果已經表明，基于CNN算法開發的甲狀腺結節CT診斷AI系統能減輕臨床工作量，提高準確率，對減少惡性疾病漏診誤診有重要意義[21]。

ERICKSON等[22]利用AI系統進行肺結節良惡性疾病篩查，其檢測的效能受數據數量及質量、深入學習程度、CT分辨率等多因素影響。楊尚文等[23]選取2019年9-10月胸部CT平掃檢查患者35例，對每例患者的肺部圖像使用2種不同分辨率進行AI智能重建。結果發現，使用超高分辨率CT圖像進行肺結節AI診斷，比常規高分辨率CT的敏感度更高。尹泚等[24]通過分析2016年5月至2020年7月蘭州大學第二醫院胸外科199例肺結節患者的臨床資料，導入AI系統后，評價系統對肺結節良、惡性鑒別的敏感度及特異度，結果顯示，AI系統對肺結節的檢出率達到100%，表明AI肺結節輔助診斷系統已經可作為一種臨床輔助診斷手段。ROTH等[25]提出了自動胰腺定位和分割的兩階段方法。該方法通過計算機進行胰腺定位并劃分邊界框，智能化修剪圖像邊緣從而生成分割圖像。邊界框可以覆蓋整個胰腺，不需要人工預處理，并能實現對胰腺疾病精確診斷。

2020年，鄭州大學第一附屬醫院郭和合等[26]初步探索AI肺炎輔助診斷系統在新型冠狀病毒肺炎(COVID-19)疑似病例CT篩查中的應用價值，發現AI肺炎輔助診斷系統對 COVID-19疑似病例的胸部CT有一定的篩查價值，可以定量評估肺炎感染區域的體積和密度，為患者病情評估或隨訪提供客觀的量化指標，但該系統對肺部磨玻璃影、實變影、條索影及小葉間隔增厚等征象的識別并不理想。同期，武漢人民醫院LI等[27]開發了深度學習模型COVID-19檢測神經網絡(COVNet)，從胸部CT容積檢查中提取視覺特征來檢測COVID-19、社區獲得性肺炎(CAP)和其他非肺炎CT。結果表明，該模型對COVID-19具有高敏感度(90%)和高特異度(96%)，對冠狀肺炎的篩查有一定的幫助作用，但是礙于技術限制，仍然不能更好地區分不同類型的病毒性肺炎。

5 AI在MRI中的應用

在MRI領域，Facebook AI實驗室與紐約大學醫學院聯手開發智能MRI，實現了5 min快速MRI檢測；西門子與英特爾公司合作開發基于AI的心臟MRI分析模型[28]，有望進行實時、有效、快速的心血管疾病診斷。

DU等[29]利用AI開發MRI輔助診斷技術，通過建立3D模型來對術前腫瘤邊界進行評估。其對1例年輕骨盆骨肉瘤女性患者進行評估，結果顯示，與傳統3D模型比較，基于AI建立的模型能顯示更加全面的診斷信息，同時還發現了容易漏診的靜脈癌栓。

DONG等[30]收集了72例子宮內膜癌Ⅰ期患者的4 896張增強T1加權圖像(T1WI)和T2加權圖像(T2WI)，然后使用其中24例患者的圖像來訓練AI，用其余48例患者的圖像來評估模型的準確性。結果顯示，增強T1WI中的AI診斷準確率(79.2%)高于放射線醫生(77.8%)，而T2WI中的AI診斷準確率(70.8%)也較高。因此，驗證了AI深度學習技術在MRI肌層浸潤深度檢測中的高準確度，但是，其研究缺乏一項前瞻性隨機研究，無法確定AI輔助方法在子宮內膜癌檢查中的效果，因此其在臨床應用上仍未得到推廣。

6 AI在內鏡影像中的應用

消化內鏡是經消化道直接獲取圖像，通過直接觀察消化道管壁結構改變，以診斷甚至治療消化系統疾病的一組設備。HWANG等[31]基于Gabor濾波器和K均值算法，將其與AI結合，篩選結腸息肉的特異性標記，通過分析其曲率特征來診斷結腸息肉，檢測準確率達100%。FU等[32]通過對超像素消化內鏡圖像進行分割，分析超像素單通道顏色直方圖，最終得到多尺度的圖像顏色特征，并用于消化道出血的檢測。但由于消化道出血患者需要醫生迅速診治，時間非常緊迫，而該研究還未達到臨床實用要求。AOKI等[33]開發出基于SSD的CNN系統，其對小腸潰瘍診斷準確率為90.8%。LEE等[34]使用AI深度學習鑒別良惡性胃潰瘍，但無法實現真正的臨床疾病分期，仍需對AI質量控制系統做進一步優化。隨著AI的快速發展，深度學習技術在消化內鏡上得到快速發展，目前尚未能通過圖像處理方法獲得精確定位的效果。此外，雖然試驗研究表明AI診斷可以達到專業醫生程度，但是仍然缺乏大量臨床應用數據，臨床效率及準確性也有待提升。ZHU等[35]則利用最先進的預訓練CNN架構系統，開發了基于AI的CNN計算機輔助檢測(CNN-CAD)，采用圖像增強和遷移學習方法區分早期胃癌及胃癌浸潤深度。其對胃癌檢測敏感度為76.47%，準確度為89.16%，能更加精準地計算腫瘤在胃黏膜的浸潤深度，有效降低了人工診斷對浸潤程度的誤估值，從而減少了不必要的胃切除術。

7 小 結

AI技術在醫學影像學的診斷應用技術已取得了重大進展，可用于開發快速有效的診斷方法。AI智能平臺通過收集大量臨床數據，提取患者的特征信息，通過泛化可更好地進行疾病分類及圖像處理，不僅能降低人工識別的誤差，還能實現更高的檢測準確率。深度學習技術尤其是CNN實現了對醫學圖像精準分割，在醫學技術中得到了廣泛應用，解決了醫學領域中的很多實際問題。

然而，在AI識別影像圖像方面仍有較多問題等待解決。雖然部分實驗研究已經證實AI檢測的準確率已經達到或超過專業醫生，但是受研究數據庫的限制及臨床實際情況的復雜性、時效性影響，還無法將AI應用于影像學臨床。應加強軟件開發者與臨床醫生的聯系，將臨床需求設定在AI開發程序中，才能更好地滿足患者需求，設計出更加符合臨床使用的診斷程序。此外，仍需進一步完善AI檢測系統的檢測效率，增強系統對病灶精準定位及相關疾病鑒別診斷的能力。