人工智能在医学影像组学中的应用

韦凌宇

（山东第一医科大学，山东 泰安）

1 影像组学工作流程

目前公认的影像组学标准化工作流程主要分以下四步[6]。

1.1 标准图像的获取

医疗影像图像的采集与重建是影像组学工作的基础，由于图像预处理方法、像素、层厚等条件的不同，图像特征会有很大的差别，不同医院的扫描设备及扫描参数不同，导致影像数据特征的提取也有很大的差别，这就对影像组学的发展提出了挑战[7-9]。统一影像标准是影像组学分析的首要任务，也是影像组学研究的关键环节之一，因此，无论使用何种影像设备，都必须采用统一的成像方法和处理方法，以保证获取标准化影像，而 CT影像是最直接、最容易进行比对的影像资料，因而也是目前影像组学研究中最常用的影像方法。

1.2 ROI的分割

ROI即为影像组学分析的目标区域，一般是指感兴趣区。ROI分割是对图像进行特征获取的前提，其分割精度将直接影响影像组学研究的准确性，稳定且精确的分割方法是获取稳定影像特征的重要前提[10]。图像分割技术包括人工手动分割、半自动分割和自动分割。目前人工分割一般被用来作为分割的金标准，精度高。但可重复性较低，耗时耗力，效率过低。而且不同人之间的主观差异对分割结果影响较大。自动或半自动分割算法分割速度快且具有较好的重复性。目前比较常用的自动分割算法有阈值法、区域生长法、图像切割法、动态轮廓法等，不同的算法各有其利弊[11]。

1.3 影像特征提取

影像组学定量分析医学影像特征时，不仅可以提取可视化的特征，例如基于CT图像提取的传统特征[12]；还可以进一步提取不可视的特征，主要包括形态特征、强度特征和纹理特征等。形态特征包括ROI的形状、体积、表面积与体积比等指标，强度特征则例如平均强度、强度方差等；这些不可视特征可定量描述病变的异质性。随着图像处理技术的发展，可得到大数据量的特征，需要对所得的特征进行筛选，选取合适的特征进行下一步处理，才能挖掘这些特征所具有的真正临床价值。

1.4 影像组学预测模型的建立与应用

研究影像组学的最终目的是建立临床反应的预测模型指导临床诊疗。在一般情况下，影像组学的特征数据分为实验数据和验证数据两部分。实验数据和临床信息如患者的患病史、病理诊断、治疗效果、临床不良反应的发生等临床信息进行综合考虑，使用机器学习、高等统计学方法等对数据进行深度挖掘，建立临床反应的诊断或预测模型。验证数据则被用来验证上述模型在临床中的准确性，最终选取高精度模型从而达到对疾病的治疗、预后和疗效评估的目的[13]。目前可应用的模型既包括经典的 Logistic 回归模型，也包括人工智能新模型，如人工神经网络、随机森林、支持向量机、聚类分析、卷积神经网络、循环神经网络、深度神经网络等模型，不同的建模方法各有其优缺点，因此Lambin等[2]提出了对影像组学质量进行评分的标准，提高了模型的实用性。在基于影像组学进行预测模型建立时，多医疗机构的数据共享形成的大数据可以帮助获取更加理想的结果[14]。

2 人工智能的提出

1956年，“人工智能”概念第一次出现在著名的达特茅斯会议中，标志着这个新兴学科的正式诞生[15]。人工智能（artificial intelligence，AI）是一门研究计算机模拟人的特定思维过程和智能行为的学科，它代表着当今科技发展的一个典型，它通过与众多学科和行业的交叉研究，对当今科技发展和社会生产生活方式的变化产生了重大影响。伴随着算法、算力和大数据的发展，人工智能，特别是机器学习，得到了飞速的发展，其精度也在不断提高。作为机器学习的一个领域，深度学习得到了迅速发展。深度学习网络将机器的认知能力提升到了一个前所未有的高度，具有多种人工智能技能。以深度卷积神经网络(convolutional neural network, CNN)为基础的计算机视觉系统在2015年 ImageNet 1000挑战中首次超过了人类专家对图像识别进行分类的能力[16]。随着人工智能的高速发展，医学影像与人工智能相结合已成为最具发展前景的产业。所以基于 AI的智能医学是当前医学发展的重要方向，而医学影像人工智能则是目前 AI医学中最重要的组成部分，是 AI与医学结合的最佳切入点[17]。

卷积神经网络(convolutional neural network，CNN)或循环神经网络(recurrent neural netword，RNN)，结合现在强大的计算能力和大数据训练出来的模型，在某些领域达到甚至超越了人类专家的水平[18]。人工智能按照实现的能力可以分为3个层次：①弱人工智能(artificial narrow intelligence，ANI)，擅长于单个方面或任务的人工智能；②强人工智能(artificial general intelligence，AGI)，是指在各方面都能模仿人类行为甚至和人类不相上下的人工智能；③超人工智能(artificial superintelligence，ASI)是指牛津哲学家及知名人工智能思想家Nick Bostrom定义的“在几乎所有领域都比最聪明的人类大脑都聪明很多的人工智能，包括科学创新、通识和社交技能”[19]。

由此看来，目前AI技术在某个方面超越人类非常多，但其AI本身并不能像人一样在多方面进行思考，对各种情况进行分析，也没有自己成熟的意识。以DL为代表的新一代 AI技术结合下的医学影像具有真正成熟应用于临床实践的能力。当今人工智能发展迅速，除 AI 新一代算法进步和建构模型的不断优化外,还与当今医学影像全面数字化而产生的大数据有着密不可分的影响。

3 基于AI对医学影像组学发展的影响

从医学影像组学的需求和发展来看,AI 医学影像出现对临床放射诊断实践具有重要大的突破。医学影像组学作为数字化医疗时代发展的代表学科,随着高分辨薄层扫描、多模态成像为特点的影像设备和影像组学技术的高速发展,影像数据以每年30%的速度增长,占医院数字化数据的90%[20],但同时导致临床放射工作量的增加;而每年医疗资源和人力投入增长远远不能满足需求[21]。基于AI的医学影像的出现时。AI技术可以利用高性能的图像识别和计算能力、自我进化学习能力以及持续稳定工作的机器性能优势,使用DL技术可实现高精度图像重建，在过程中引入了先验信息或知识，使图像质量得到进一步提升。在临床工作的应用中，医学影像AI主要集中于计算机辅助检测（computer-aided detection，CADe）、计算机辅助诊断（computer-aided diagnosis，CADx）和病情监测3个方向[21-22]。

3.1 计算机辅助检测

主要包括医学影像后处理和病变检测。医学影像后处理技术主要包括器官、血管、病变分割和图像可视化（曲面重建、三维容积重建等），而后服务于图像的定量分析。该部分工作传统上由临床影像医师在通用后处理工作站完成，因数据量较大，则在处理数据时较为费时、费力，而基于AI的医学影像后处理技术，能大大提高影像后处理的效率。

3.2 计算机辅助诊断

是新一代 AI 与医学影像结合的重要成果。肿瘤、心脑血管系统疾病、骨骼肌肉系统疾病是开展 CADx 研究与临床应用的热点方向。肿瘤性病变CADx应用，特别在肺癌、乳腺癌、前列腺癌等疾病获得了大量的关注，研究主要集中在良恶性鉴别、风险因素测量、预后判断和治疗指导等方面[30]。

3.3 计算机辅助病情监测

AI对病情监测的应用越来越多，包括病情自然改变的检测和对治疗的反应等。分析肿瘤倍增时间、实体瘤的疗效评价标准等；而基于AI的监测技术可以对病变的改变进行多维度的精准测量，为优化临床决策和治疗等提供参考，良好体现AI 和医学影像结合的优势。

国内近两年关于人工智能在医学图像的领域上对各个器官疾病诊断的模型都有研究和尝试[23-24]，基于DL的人工智能应用目前已经覆盖病灶检测、病理诊断、放疗规划和术后预测等各临床阶段，以减轻临床医师的工作量。其中基于X线对肺部进行筛查、针对乳腺癌进行的乳腺钼靶筛查；基于CT影像的肺结节检测模型相对成熟，有较好的临床表现。冠心病的智能化诊断模型也已初步成熟[31-34]可以自动重建心脏、颈部及颅内动脉血管脑动脉瘤检出、脑出血定量测量等应用研发，并对病变进行定量测量，甚至部分已经成为临床工作中医生不可分割的临床诊断方式。

4 医学影像AI临床转化的挑战和展望

人工智能技术代表着人类科技发展的前沿方向，同时人工智能技术和各个行业各个领域的融合度也在逐步提升。医学和人工智能技术的融合已经成为了必然趋势，也成了推动医学进步的一个重要突破口。影像科医师应该更客观和积极地面对眼前的“机”与“遇”[25,30]。

4.1 更客观、更现实地看待人工智能技术

当前医学影像 AI 的研究主要集中于单个疾病，甚至是单个疾病的特定类型，这类研究快速地产生了阶段性成果，并为临床医疗提供了一定的帮助。但人工智能技术尚处于初级阶段，更多是围绕某单一影像任务提出解决方案。而且深度神经网络这样的技术手段想要进行有效应用，必须要完成海量数据训练，但是并非是任何一个病种均能够满足该条件与临床工作场景还有很远的距离。

4.2 更严谨地评估人工智能技术

目前各类医学影像挑战赛成为新闻热点，这些挑战赛尚缺乏标准化、专业化设计，应从临床角度严格审视挑战赛在研究与应用两方面的意义。所有的技术都是为任务服务的，首先是要解决任务，其次才应寻找方法，DL技术只是其中一个方法，医师与技术团队应密切协作，深入探讨临床问题，了解这项技术的优势与局限，更好服务于医疗。

4.3 以更广阔的思路应用人工智能技术

医学影像不只应用于诊断，许多临床环节都涉及影像的分析与利用。人工智能技术也不只应用于影像分析，深度神经网络能就不同模态的信息（如文本、语音）产出有价值的应用成果。目前医学影像和人工智能技术已经走入了融合发展的新阶段，人工智能在医学影像中的应用能够明显提升影像处理有效性和数据处理的精确度，不过在实际应用当中还需要进一步优化改进，以扩大应用范围。

4.4 医学影像 AI 的政策支持及伦理考虑

国家对医疗AI高度支持，2017年7月发布了《新一代人工智能发展规划》，提出了发展智能疾病预测、智能诊断、智能治疗模式、智能医疗体系。从伦理角度看，当前医学影像AI相关研究，对患者被试的知情权、隐私保护等医学伦理问题、数据安全问题以及患者诊疗安全性等问题目前的关注还存在不足。未来高度自动化的医学影像 AI 系统可能导致医生疏忽常识，导致医疗事故，可能影响当前医患关系的动态变化和平衡，带来新的问题和挑战。