智能影像辅助诊断的应用与研究

李卓君

【摘要】目前在医学行业，人工智能与医疗技术的结合已经成为了热门领域，它可以解决医疗行业上的诸多难题，因此在医学领域，智能识别技术正逐步得到验证与优化，“智慧医疗”正在不断地发展和完善，并逐渐出现在人们身边。而图像识别是基于统计理论、神经网络以及聚类等多种分类方法，通过变换和特征提取将处在维数较高的测量空间的表示模式转换成维数较低的特征空间的表示模式，再通过训练样本集来训练分类的过程。本文将主要就医疗领域影像诊断缺口、图像识别在医学领域医疗方面的应用、图像识别技术的介绍以及如何提高图像识别的识别能力来介绍通过图像识别技术为基础的智能医疗影像辅助诊断技术。

【关键词】智能医疗;图像识别;智能医疗影像

【中图分类号】R4;G644.5   【文献标识码】A   【文章编号】2026-5328（2021）12--02

1 智能影像辅助诊断技术的产生

1.1产生的原因

首先，国内医生资源相对匮乏，加速了智能影像技术的产生。相比于美国、英国、日本等发达国家，我国医学人员人数在全国总数的占比较少，医生平均需要诊断的病人数量与医生人数严重失衡，并且我国的医疗资源的总体水平相比于其他发达国家也呈现较低状态。据数据统计，我国医学影像数据的年增长率约为30%，而进行阅片的医生总数同年增长率约为4.1%，相差25.9%[1]。由此可见，在我国进行阅片的医生人数的增长远小于医学影像数据的增长，这就使得医生无法及时查看和分析影像数据，造成数据堆积，产生了极大的医疗诊断缺口。

其次，机器在特定环境下的识别速度已经远超人类水平。由于人眼的信息捕捉范围和人类对信息处理的速度存在生物学上的限制，而机器不受这些限制，所以在信息捕捉的准确性、完整性和及时性上，机器的能力已经可以达到甚至超过人类水平。智能机器已经具备目标的精准分类和识别能力，因此可以由机器帮助医生进行辅助判断，一方面降低了医生人工阅片的人力损耗，另一方面提高了病灶识别的准确度和速度，实现了降低人力成本和提升工作效率的双重收益。

1.2产生的意义

病理分析对发现、治疗与监测传染性疾病有着至关重要的作用，对于癌症等疾病而言，正确的病理归类和判断肿瘤分期对疾病的治疗有着高效的指导作用，并且可以用来预测病情演化。现如今人们对健康生活的追求不断提高，各项健康体检、疾病筛查数量不断增加，影像科医生的工作量也日渐繁重，由于长期从事高负荷的工作，不可避免地导致视觉疲劳的产生，将一些非病变的病灶误诊为病变， 或者将一些良性病变误诊为恶性。而缺乏正确的判断又会导致病人的病理结果出现严重偏差，可能会影响病人的护理，使病人出现漏诊、误诊或延期治疗的不良情况。据统计， 医学影像的疾病误诊率可达到10%～30%[2]。由此可见，对于当今社会而言仅仅依靠传统的人工解读医学影像的方式已经很难满足日益增长的影像科诊疗需求，因此，借助图像智能识别技术辅助影像医生进行诊断势在必行。

2 智能影像辅助诊断技术的实现

2.1 病理图像识别

在影像诊断过程中，正确判断病情是最核心的部分之一，病症识别结果的准确率与病灶特征提取的好坏有着直接关系[3]。在2015年前后，深度学习不断得到认同，并在短时间内飞速发展。由于深度学习几年来的不断发展，卷积神经网络得到了广泛的认可并飞速发展。近几年卷积神经网络的研究不断深入、不断成熟，我国的卷积神经网络拥有积累大量深度数据和快速计算的能力。在医学影像领域，在结合卷积神经网络之后，不仅降低了计算机结构的复杂度，也在一定程度上大幅提高了其识别的精确度。在本文的智能影像辅助诊断系统中，采用的是轻量化卷积神经网络（ShuffleNet）来对病灶进行提取。

2.2卷积神经网络介绍

卷积神经网络现如今已经发展的非常完善了，目前已经提出了各种卷积方法帮助机器进行更加快速、更为高效、精确度更高的学习。浅层学习是依靠人的经验提取出特征信息，也就是说模型的输入是人工通过经验提取出来的特征信息，只能用来分类和预测，通过网络模型学习后获得的是单层特征，是不具有层次结构的，没有学习的过程。而深度学习则是通过训练让机器自主的将特征信息从训练模型中提取出来，对原始数据进行逐层的特征变换，将原始空间的数据特征变换到新空间，自动地学习得到层次化的特征表示，将原始的输入逐层转化得到浅层、中层、高层特征，直到达到最终的任务目标。人们通过传统的不断叠加网络层数来提高 CNN 的性能，由于层数的不断增加，导致需要训练的参数增多，如果直接采用的经典算法进行训练，例如BP算法，误差逆传播需要经过很多层，从而导致发散一直无法收敛，不仅导致神经网络参数量和计算量十分巨大，训练出来的网络效果也变得很差，还不利于模型的存储，使网络计算效率大幅下降。因此本文采用的是轻量化神经网络。

2.3轻量化卷积神经网络

轻量级卷积神经网络和移动终端神经网络加速框架发展迅速。通过创建新的神经网络计算方法来减少网络参数，卷积神经网络可以更好地部署在移动终端设备上。轻量化卷积神经网络就是在不损失精确度的前提下，降低卷积计算量，即通过提升权值共享和稀疏连接两点性能，使卷积神经网络对比于全连接网络大大减少了参数量，神经网络处理能力与泛化性也得到了提高。本文采用的輕量化卷积模型是ShuffleNet。

2.4 ShuffleNet

ShuffleNet[4]是将MobileNet卷积再进行分组卷积。MobileNet的卷积思想通过逐深度卷积（depthwise conv） 和逐点卷积（pointwise conv， 也就是1x1卷积）将计算量再次压缩.虽然能将传统的3x3的卷积核的计算量直接压缩到1x1的运算量，但仍有提升空间。即对 1x1卷积进行分组卷积， 这就是ShuffleNet。该方法的核心是采用可分解的深度可分卷积，不仅可以降低模型的计算复杂度，还可以减小模型的规模。

3 存在的问题

3.1 未实现网络化结构

就理论而言，一个完整的智能影像辅助诊断系统应实现患者症状的全方面检测。而现如今，虽然智能影像诊断技术较为成熟，但都仅局限于某个单一病种，不同的病种需要针对不同的病理特征单独进行算法训练和设计开发。而且，智能影像辅助诊断技术的核心是诊断的准确性，如何在短时间内快速识别同一张影像图下的不同病种;如何实现不同模态数据、实现多模态融合的网络化系统结构;虽然智能影像辅助诊断系统只是用来辅助医生诊断的手段之一，我们还是要有效减少医生的工作负荷，如何避免一旦不同的病种出现相似的病理特征，智能影像辅助诊断系统的紊乱现象。由此可见，智能影像辅助诊断系统的鲁棒性需要提高。

3.2缺乏数据互通机制

智能医学图像诊断的准确性与输入图像数据的质量有很大关系。而影像高质量数据的获取是目前最难攻克的难题[5]。

1、大量高质量的图像数据主要集中在发展较好的地区，并主要集中于各地的三甲医院，而且由于医疗数据涉及病人隐私，不同医疗机构的数据很少实现共享，因此缺乏有效的数据互通机制。

2、中国的区域性发展导致地区与地区、省份与省份之间医疗机构所使用的设备、技术、剂量不尽相同，我国也没有较为统一的完善的医疗数据库系统，虽然各地在学术上能进行沟通，但在机构与机构之间很少有数据上的交流，这导致了智能影像辅助诊断系统没有统一的训练样本。

3、大多数国内医疗数据存在于独立的医疗卫生机构中，多数人认为数据的共享不利于医疗机构专业技术的保密，缺乏共享数据的动机。

所以应该拥有一个较为统一的医疗数据平台用来提供高质量的影像数据，加强算法研究。样本数据质量越高，深度学习算法的结果越准确。只要做好医疗大数据共享的顶层设计，规范数据标准，打破数据共享的壁垒，就能突破一些医疗领域上的空白。

3.3训练样本不统一

在算法训练实现的过程中，需要大量的监督。因为在智能影像辅助诊断技术的识别精确度上，监督学习起着至关重要的作用。首先在获取的数据样本方面，各个机构获得的数据仅来自于单个区域，在数据上就已经出现了数量和质量的不同。其次，深度学习需要为过去的经验手动标记训练集。在医学领域，有许多从经验中获得的病理特征，需要更多的监督。如果训练集中数据的质量和规模不均衡，没有有效的监督学习，很容易导致智能图像辅助诊断结果的准确率较低。目前国家仍然缺乏完整、权威的质控和评价体系，因此，应对智能图像辅助诊断系统加强规范;加强训练数据集标注及量化方法;加强智能影像辅助诊断产品算法训练过程中的监管，避免产品在实际应用中出现较大偏差。从而增加患者对医疗人工智能的信任，促进医疗人工智能的顺利实施和可靠应用，提高人工智能的可信度。

3.4缺乏保护和监管

就传统意义上而言，由于病人信息安全等因素，各个不同的医疗机构的数据不应公开化，所以各个医疗机构的数据不愿开放和分享是正常行为，这也导致了智能影像辅助诊断系统无法得到进一步突破。但我国大量的数据样本对于智能影像辅助诊断技术的算法训练十分可观。如何解决数据的共享的同时保护病人信息的安全性则需要有效的保护和监管机制，有以下几种途径：

1、加强医疗智能影像辅助诊断行业法律法规制定：制定医疗数据隐私保护条例，明确医疗机构、相关企业等主体在采集、使用、共享、传输医疗数据时应遵守的规则，以及泄露隐私的处罚，强调条例的可操作性。

2、产品开发组织数据库的图像质量要规范、可追溯;要保护患者隐私，避免数据泄露，共享医疗数据。

3、通过合理的数据共享机制，建立标准化、大样本的数据中心，为人工智能培训提供高质量的数据，使其在医疗领域的应用更加可能。规定各医疗机构和产品开发机构签署数据安全保障协议，旨在将数据样本只在医疗机构和产品开发机构内部进行共享，而对外严格保密。制定数据隐私保护法规和标准，研究人工智能责任归属研究医生、人工智能企业在人工智能产品辅助医生诊疗过程中各自承担的责任界定。

4 结论

目前智能影像辅助诊断技术已有了初步的进展，在某些病灶的提取和判断上也已经拥有了成熟的经验，但是体系仍然不够完善，需要建立健全的体系来实现医学领域的更大突破。

参考文献：

[1]唐志强，卓玛，魏巍.智能医学影像发展现状和挑战[J].现代医药卫生，2020，36（17）：2754-2757

[2]Michael L Wilson，Shahin Sayed; Susan Horton，Kenneth A Fleming.Artificial intelligence can augment global pathology initiatives – Authors' reply[J].《The Lancet Global Health》，2018

[3]姜轩.基于深度学习的场景图像分类算法研究[D].北京：北京邮电大学，2019.

[4]Andrew G. Howard，Menglong Zhu，Bo Chen，Dmitry Kalenichenko，Weijun Wang，Tobias Weyand，Marco Andreetto，Hartwig AdamMobileNets： Efficient Convolutional Neural Networks for Mobile Vision Applications[J/OL].2017.

[5]Sumant Ugalmugle，Rupali Swain，By 2027， the market value of acne drugs will exceed US $13.1 billion[J].Global Market Insights，2020.10，1557-1558

基金項目：大学生创新创业训练计划项目资助（202110709037）

1477501705212