人工智能与医学影像学的应用发展*

张愉，徐来，房梦雅，龚蕾蕾，顾晓松**

（1南京中医药大学，江苏210023；2南通大学江苏省组织工程与神经损伤修复医学中心）

人工智能（artificial intelligence，AI）在科技高速发展的背景下迅速成为当代社会热点，作为计算机科学的一个分支，该系统基于人工神经网络，在海量的大数据中利用数学模型提取其中各种复杂非线性关系[1]。早在1959年，基于问题导向的逻辑分级及统计思维就已经面世[2]，但真正得到技术突破和常规应用得益于近几年爆发式增长的大数据信息以及快速发展的计算机技术。大数据信息可从手机数据、可穿戴设备、社交媒体、环境以及生活相关信息、社会人口学信息、各种组学信息（基因组学、代谢组学、蛋白及影像组学等）以及医疗信息记录系统获取[3]。作为一门新兴的多领域交叉学科，人工智能在社会、人口、环境等各方面应用广泛，在医学方面推动了医疗模式的进步与革新。人工智能的发展依赖于海量的大数据基础[4]，医疗数据中尤其是医学影像数据，如X线、计算机断层成像（CT）、磁共振（MRI）产生海量信息，为人工智能的发展提供有价值的科研及临床数据，可广泛应用于疾病辅助诊断与诊断、提高图像质量、减低电离辐射、提供精准医疗建议以及减少医疗成本等方面。人工智能不仅改变了影像诊断模式，更参与影像工作流程中各个方面，在医疗领域人工智能与医学影像学科的结合最具有发展前景。医学影像作为疾病诊断以及指导治疗决策的关键技术，在医院系统中具有极高的优先级以及绝对性的数据量，为人工智能的发展提供了丰厚的基础。医学影像人工智能获得医疗及商业的极大关注[5-7]。以2012年以来，深度卷积神经网络技术快速兴起，使AI在计算机视觉领域取得突破性的进展[8-9]。基于图像识别的深度卷积神经网络和基于图像数据的医学影像学高度契合，通过对影像所获取的大数据进行训练和深度学习，网络系统高度进化，能力得到极大提升，在精准医疗方面具有广阔的应用前景。

1 人工智能及其发展

人工智能主要是指基于计算机科学模拟人类认知功能的理论方法及应用系统，以扩展人的智能的一门信息科学。该定义最早出现于上世纪50年代，用以描述计算机可理解、模仿以及提升部分人类特征，如推理能力、学习能力、问题解决能力、语言理解力及视觉处理等功能[10-12]。人工智能涉及面极宽，包括大量的亚分支领域及技术。其中机器学习是人工智能的一个亚分支，主要关注于开发计算进行数据学习并进行辅助决策的运算法则[13]。机器学习分为人工值守及无人值守学习两种模式。人工值守模式中需人工对计算机系统所获取数据进行辅助判断，从而帮助计算机进行被动学习；无人值守模式中计算机系统获取的均为无赋值的数据信息，并进行自我学习[14]。近几年机器学习发展到深度学习阶段，尤其是深度神经卷积网络的出现，对现代社会产生了深远影响。这种人脑模拟网络作为新一代的机器学习技术，采用计算机模仿人类大脑神经网络结构构造出数学模型，可自动从数据中提取有意义的表征并进行独立判断[15]。该网络模型具有多层级结构，每层具有不同的表征提取功能，通过在低层信息中获取高层的特征，最终实现对原始数据中的不同特征达到分类和聚类的作用，进而对结果进行判断。具有代表性的学习过程包括对人工系统进行原始数据“喂养”，使系统能够自动发现信息嗅探和分类所需的特征，通过筛选提取后，进入更高且更概括性的层级，经过多次分析归纳，系统可习得非常复杂的功能。这种学习过程的关键点在于这些特征的提取和聚类并非由人工定义，学习细节也不是由人工编写的程序予以详细定义，而是由学习程序在原始数据中自动归纳产生。深度学习对多维度数据的复杂结构探查具有极大的优势，可广泛应用于科学技术的各方面。相对于其他机器学习方法，深度学习在影像辅助诊断、药物分子分析、基因测序、脑功能网络重建以及预测疾病中具有显著优势[16-18]。

2 人工智能在医学影像学科的主要应用

医学影像学科是一门基于图像特征的学科。传统的影像医生对医疗图像经验性评估获取结论性报告，从而发现疾病、诊断并监测疾病。这些经验来自对既往疾病影像特征的总结归纳，往往具有较大的主观性。而AI则在复杂的图像特征提取上具有极大的优势，能够对各类信息自动进行定量分析，所以可带来更加准确、客观的结论，且具有极高的可重复性，为医疗决策提供更有信心的辅助信息[19]。

计算机辅助诊断技术（computer-aided diagnosis，CAD）已出现几十年，该技术应用计算机的快速计算能力辅助医生发现病灶，并提供一定的诊断参考信息，为临床工作提供了快速、客观的部分解决方案。尤其是在肺结节筛查中，CAD具有巨大的优势。有研究利用CAD技术提取肺结节影像学特征，并与肺结节癌变风险进行相关分析，发现血管穿透征及肿瘤凹陷等影像特征对恶性肺结节的鉴别诊断敏感性达92.4%，特异性达76.6%，表明CAD辅助技术可用于评估肺结节的恶性风险程度[20]。还有研究采用CAD辅助MRI对乳腺良恶性病变鉴别诊断，利用133例确诊的乳腺良恶性病变对CAD系统进行训练，对另外74例确诊病变进行测试，采用不同的诊断模型，对乳腺良恶性的最高诊断率可达91%[21]，该预测模型极大提升了乳腺辅助诊断的价值。有研究利用CT影像大数据资料探查肝脏脂肪变的分级模型[22]，结果表明CAD系统与人工观测量具有近乎一致的匹配度（r2=0.92），可作为日常医疗中脂肪肝监测模型。结肠镜作为肠癌的指南性诊疗方法，可早期发现癌前病变的肠道息肉并予以切除，在CAD技术的帮助下肠镜对腺瘤样息肉的诊断特异性高达97%[23]，CAD技术可实时预测息肉性病变的病理学分型，一致性达93.2%[24]，这些技术极大提高了结肠镜诊断水平，为临床决策提供有效的帮助。

近几年兴起的影像组学是经典的机器学习模式。起初影像组学专注于挖掘影像资料里隐藏的形态、密度、纹理等特征[25-27]，并进一步选择更有价值的相关性更高的参数作为有意义的生物学标记。脑肿瘤具有良恶性、原发或转移性等区别，影像组学可用于脑肿瘤诊断及预测。如TAKAHASHI等[28]采用影像组学技术分析磁共振弥散序列，建立胶质瘤分级预测模型，受试者曲线下面积（AUC）高达0.91。近期的一项影像基因组学研究进一步基于MRI图像预测低级别胶质瘤中1p/19q密码子丢失情况，结果表明该模型预测准确率高达83.8%，拓展了从形态学到基因学的跨越，为临床无创性评估密码子水平提供了有力的解决方案[29]。结肠息肉具有发展为结直肠癌的潜在风险，在临床中由于医生经验及技术的差异，出现漏诊、误诊情况，因此产生在AI辅助下对息肉危险性进行分级的需求。HE等[30]应用MRI图像的影像组学特征评估直肠癌的肿瘤分级，结果显示可以准确区分直肠癌患者和健康人，对肿瘤分级的AUC达0.827。GOLIA等[31]利用直肠癌患者影像组学特征预测肿瘤微卫星稳定性，该研究共纳入198例Ⅱ～Ⅲ期直肠癌患者，结果显示CT术前平扫图像的影像组学特征对微卫星稳定性预测的特异性高达95%，可为个性化精准治疗提供帮助。影像组学在乳腺影像[21，32-34]及肺结节中[20，35]的应用更加成熟，部分已作为医学影像人工诊断的有效补充广泛应用于日常诊疗工作中。

深度学习技术是在机器学习的基础上发展的更加智能化的人工智能技术，不需要人工提前定义，即可在数据中自动学习，归纳得到代表性特征，这种数据驱动型模式对抽象特征具有兼容性，从而具有更全面的概括性，帮助临床做出决策。有研究表明，深度学习在发现病灶及病灶形态学归纳方面可达到与影像医生类似的准确率[36]。在病灶分级方面，如评估淋巴结转移是否阳性等方面，深度学习的敏感性明显高于医生，特异性低于医生判断[37]。近期柳叶刀杂志发表了系统评价和荟萃分析，对深度学习和医疗专家在医疗影像的诊断差异进行比较，对14份相关研究综合分析，包括眼科、乳腺癌、皮肤病、肺癌及肝癌、骨折、呼吸系统疾病等多学科影像，发现深度学习敏感性87%（95% CI 83～90），特异性92.5%（95%CI 85.1～96.4），而医疗专家的敏感性为86.4%（79.9～91.0），特异性是90.5%（80.6～95.7），表明深度学习可达到与医疗专家相仿的诊断能力[38]。

总之，AI在医学影像学领域的应用日益广泛且深入，在检查方法选择、发现病灶、病灶特征提取、辅助诊断、疾病的动态监测等方面起到重要的作用。

3 人工智能在医学影像领域的挑战

AI在医疗及影像领域应用广泛，但同时也面临许多挑战，如新策略的开发，数据安全的规范化，网络安全问题，患者与AI系统之间的医疗伦理关系等亟待解决[39]。现阶段AI的数据安全系数很高，但随着应用的播散和广泛传播，其安全性是否仍能得到保障？独立机构是否可以参与对AI的训练过程并开发特定的进化领域[40]？FDA对药物的规则制定已经拥有丰富的经验，但对AI规则制定仍处在探索过程中。现阶段对AI评估的主要的框架原则包括：（1）产品质量、患者安全性；（2）临床应用责任；（3）网络安全责任；（4）系统的主动性[41]。随着科技的革新，AI规则将在探索中逐渐成熟。

AI系统运行的不透明性也是重要的问题[42]。AI运算过程被形象地称为“暗箱”[43]。绝大多数患者输入足够的信息，AI即可给出结论，但结论获得的过程以及其逻辑并不为人知。作为关系到生命安全的应用系统，这种不透明过程的安全性值得推敲。假设AI系统对患者造成伤害，其原因及责任需要进一步明确。有学者建议对AI输出结果进行独立的辅助监测评估，防止意外发生，以提高患者与AI间的信任[44]。当AI用于临床决策时，也存在更多的伦理问题。AI对每个患者的决策和建议是否适合该患者？每个患者的经济状况并不一致，AI对患者的个性化推荐是否需要考虑经济情况还是基于最好的医疗结局仍需进一步讨论。同时，影像医生与AI间的信任也需要明确，这种信任需要建立在完备的规则和长时间的训练基础上。AI系统的发展和进化非常迅速，要求我们在现有伦理和规则基础上，进行同步的发展革新，以适应更高层级的AI系统。但总的原则仍然是，不管开发者、推广者还是应用者，都有责任和义务把患者利益作为第一导向。

4 小 结

随着AI技术的进步，我们成为这场科技革命的见证者。AI正逐步推动医疗设备智能化、数据库标准化、数据分析自动化等方向的进步。AI是对传统影像学的一种冲击，仍有许多技术难题、局限性以及挑战需要学习和解决。随着规范化数据积累和AI技术的快速进化，AI与影像学的结合将极大地提高该领域的诊疗水平，提高工作效率，创造更大的经济和社会价值。