人工智能在医疗应用中的新进展

李 艳 杨国庆 双娇月

1.川北医学院影像医学与核医学系，四川南充 637000；2.遂宁市中心医院放射科，四川遂宁 629000

1956 年，美国科学家约翰·麦卡锡在达特茅斯(Dartmouth)大学第一次提出人工智能(AI)的概念[1]，标志着AI 时代的到来。AI 即在计算机科学、语言学、哲学、控制论等多学科研究基础上发展起来的一门新兴学科，在各个领域都被广泛应用[2]。其中，医学事业与人类息息相关，但面对急速增长的人口，各国医疗卫生环境相当严峻，医生数量不足且水平参差不齐、医疗资源分布欠均等问题愈发严重，AI 有望解决这一系列的问题，同时也能为未来精准医疗打下坚实的基础。由于AI 在影像、外科、病理中的应用较为广泛，本文主要就AI 在这三个方面的最新进展进行综述。

1 AI 相关概念

机器学习是AI 的子集，能够凭借经验学习识别和预测新数据[3]，深度学习是当前最具应用前景的机器学习算法，是AI 最重要的分支，可以依靠现有的海量数据自动提取深层特征，实现自主学习，然后独立地分析图像并得出诊断。卷积神经网络(CNN)是一种特殊的深度神经网络，由卷积层、池化层、全连接层构成，每一层的特征都由上一层的局部区域通过共享权值的卷积核激励生成[4]。Goodfellow 提出的生成对抗网络模型(GAN)同CNN 一样都是深度学习的一种学习模型，它要同时训练一个生成网络G 和一个判别网络D[5-6]，两者通过不断地学习来分别提升自己的判别能力和伪装能力，构成一个动态的对抗过程，并在此过程中不断优化。

2 AI+医疗

2.1 AI+影像

影像科是典型的大数据中心，图像类型多种多样，包括X 线、CT、MRI、US 等，随着检查方式的精细化水平不断提高，产生的影像数据也不断增多，由于人类视觉系统的注意广度有限，各种医学图像中的小病灶可能被忽略，导致影像医生的诊断不可避免地存在漏诊、误诊等问题，这也促成了AI 辅助影像的迅速发展。目前，AI 基于影像的应用主要体现在疾病诊断、评估治疗方案及规避检查副作用等方面。

2.1.1 疾病诊断 疾病诊断主要包括病灶的定量及定性诊断。常见的急诊病例如颅内出血与高死亡率和功能性残疾相关[7]，出血量是判断患者是否需行手术治疗的指征[8]，也是患者30 d 生存率的最重要预测指标[9]，精确并稳定地计算脑血肿体积，有助于临床医师更好地把握病情。手动逐层分割是由影像专家对每张切片进行手动勾画病灶区域，被认为是最接近真实值的表现[10-11]，但操作耗时且专业知识要求较高。Ironside 等[12-13]使用深度学习方法分别开发了基于CT 图像的颅内出血和血肿周围水肿体积分析的全自动分割算法，当对照手动分割方法测试时，全自动分割算法的血肿和血肿周围水肿平均体积Dice 相似性系数分别为0.894和0.838，能够客观、准确地量化病灶。Kim 等[14]建立了基于病灶大小的logistic 模型和深度学习模型，结果显示，深度学习模型的总体性能优于logistic 模型，在90%同样高的灵敏度下AI 模型的特异度(88.2%)高于logistic 模型(52.9%)，评价深度学习模型在区分CT 图像上浸润性肺腺癌和良性结节中的作用，有助于指导肺部结节术前的切除策略。

2.1.2 评估治疗方案 AI 对图像的高灵敏度有助于评估患者的治疗方案。腹主动脉瘤是一种危及生命的疾病[15-16]，目前唯一的治疗方法是开放性或腔内修复[17-18]。治疗的决定依赖于腹主动脉瘤生长和破裂风险的评估，这在实践中很难评估。Lareyre 等[19]在一组40 例CTA图像上进行测试，提出了一种全自动的检测主动脉腔和腹主动脉瘤特征的软件，包括血栓和钙化的存在。结果显示，与人类专家手工分割的结果有很好的相关性，每个患者的计算时间＜1 min。局部进展期直肠癌患者手术后，20%～25%的患者出现病理完全缓解，基于局部进展期直肠癌患者MR 图像纹理特征的AI 模型可以帮助识别在治疗结束时不会对治疗产生反应的患者[20]，避免了无效治疗。

2.1.3 规避副作用 基于钆的磁共振造影剂与肾源性系统性纤维化有关，肾源性系统性纤维化是一种严重、衰弱、有时危及生命的疾病。Gong 等[21]实现了一种基于CNN 的深度学习模型，能够以比通常使用的钆剂量低10 倍的剂量获取诊断质量图像。此外，Lee 等[22]还证明可以在不进行实际扫描的情况下生成所需模式的图像，例如从CT 数据创建MRI 图像，这对于辐射预防是有益的。实验采用280 对腰椎CT 和MRT2图像，用GANs 从脊柱CT 合成MR 图像。每张图像的平均绝对误差约21.19 像素，峰值信噪比约64.92 db，这是首次应用GANs 从CT 图像合成脊柱MR 图像。基于GANs 的医学图像合成是AI 在医学成像中应用的一种新范式，有助于提高各类图像的诊断价值并有效防止辐射。

2.2 AI+外科

2.2.1 手术注释 AI 技术可以在医学图像和外科手术之间架起一座桥梁。手术是治疗各类恶性疾病的主要方法，在手术过程中，在外科医生的监视器上自动定位和突出重要的解剖结构，如输尿管或主要血管，有助于提高手术的安全性，目前主要问题是缺乏训练所需的注释数据。Madad 等[23]提供了一个腹腔镜妇科图像的数据集SurgAI，共有461 个腹腔镜图像，以手工标注为参考，训练的人工神经网络对子宫、卵巢和手术器械的检测准确率分别为97%、24%和86%，有助于外科医生对手术结构的定位。AI 还可以从视频中自动识别手术步骤，两名专业外科医生对腹腔镜袖状胃切除术视频进行步骤注释，采用深度神经网络对88 例视频进行分析并与外科医生的注释进行比较，准确率为85.6%[24]，提示手术视频可以作为临床中的病例分析或技术改进的数据源。

2.2.2 手术机器人 由于外科手术操作过程复杂且耗时长，对医生的体力和耐心都是巨大的挑战，当前有多种新型手术机器人正在研发中，以实现全景视野、远程操作等。并且随着5G 时代的到来，远程手术必将成为未来的发展趋势。其中，美国公司研发的达芬奇手术系统具有最广泛的应用，外科医生可以在互联网和屏幕的协助下，通过三维视觉系统实时了解患者状况，使用机械臂远程操作手术[25]，消除因距离而导致的医疗水平隔阂，为实现远程医疗进一步奠定基础。Bolcal 等[26]报道了一例使用达芬奇手术系统成功经左室完全切除血栓的案例，通过手术区域的三维和10 倍放大视图更好地显示脏器，有效避免了相关的并发症。

2.3 AI+病理

2.3.1 判断病灶浸润深度 由于个性化医学的出现，病理学家的工作量和复杂性明显增加，对于癌症患者，肿瘤浸润深度是影响患者治疗选择的关键因素。然而，人工判断入侵深度具有主观性，容易引起误差。Nakagawa 等[27]开发了一种深度学习系统来评估浅表食管鳞癌，以804 例经病理证实的食管浅表鳞癌图像作为训练数据集，选取155 例患者的图像作为验证集。本系统对病理性黏膜下微浸润(SM1)癌和黏膜下深部浸润(SM2/3)癌的鉴别诊断灵敏度为90.1%，特异度为95.8%，阳性预测值为99.2%，阴性预测值为63.9%，准确率为91.0%。除阴性预测值外，其余指标均高于16 位经验丰富的内镜医师。Tokai 等[28]以超过两倍的数据量也证明了AI 在诊断食管浅表鳞癌的浸润深度方面的良好性能，模型准确率高于内镜，可用于食管鳞癌的诊断。

2.3.2 风险评估 近年来，在AI 协助下开发的风险评估模型有助于改善疾病的筛查，使已知高危人群的健康资源得到优化。Kurita 等[29]回顾性分析了85 例接受胰腺囊液分析的手术或穿刺标本，利用深度学习构造一种诊断算法。输入CEA、CA19-9、性别、囊肿位置等因素，计算其恶性预测值。对于恶性囊性病变，AI 的灵敏度、特异度和准确率分别为95.7%、91.9%和92.9%，有利于良恶性病变的鉴别。癌症亚型的诊断标准化可以更好地干预癌症进展，延长患者生存期。Saillard 等[30]建立预测肝癌手术切除患者生存的AI 模型，并划分为“低风险”和“高风险”的区域，高死亡风险的预测包括细胞异型性、血管间隙和大小梁结构模式。

3 小结与展望

3.1 小结

AI 技术以其高度的灵敏度及准确率可以在人类不可能达到的水平上，对现代医疗环境中产生的大量临床数据进行快速而详细的分析，不仅可以区分患者疾病的轻、重、缓、急，还能全方位地定性病灶并给出准确完整的治疗方案，允许更精确的干预。AI 的发展推动了医学事业的进步，但现阶段的AI 尚处于萌芽时期，各大医院间信息共享程度低，影像质量和标准不统一，高质量的数据较难获取，而现有的在线公共数据集还远不能满足训练所需，以致多样性差，测试集相对单一。再者，医疗工作不仅涉及专业的医疗技术，也需要结合一系列复杂的细节观察，更包含着人与人之间的情感交流，而单靠阅读文献得出的医疗方案不足以让人信服。因此，AI 在医疗领域将始终以提高医疗效率和准确性辅助工具的形式存在，是人类医生的得力助手，能够增强医生诊断的信心。

3.2 展望

推动未来AI 发展的关键是医学与AI 复合型人才，改善临床医生、科学家和工程师之间的团队合作是未来努力的方向，经济和体制支持将是发展此类项目的一个重要保障。如何提高数据的使用效率，鼓励医工结合共同投入AI 的研究，开发成本低、可靠性高的AI 系统迫在眉睫，另外期待国家出台更多的激励措施，理清医疗大数据资源的所有权和具体使用方法，让宝贵的数据资源不再闲置浪费。