人工智能在医学影像诊断中的应用

曲雅楠

烟台市北海医院CT 科，山东龙口 265718

人工智能的最大特点就是能够通过大数据来处理非常复杂的信息。通过人工智能深入的挖掘其中的信息可以为人类的社会发展提供更多的资源。医学影像数据中含有大量的人体健康信息，目前90%的医疗数据来自于医学影像，并且还在增长。医学影像信息和持续增长的医学影像诊断要求人工智能能够更加准确地判断和分析除人体健康状况，医学人工影像解读能够通过医生的主观认知和影像提高人体疾病的判断率。目前这个阶段，大部分医学影像资料其实都无法做到自动化，均需要很多的人力参与分析，在这个分析的过程中有许多因素都有可能直接降低诊断的准确率。所以，对于大幅度增多的图像数据，采用人工的方式进行处理显然已经是无法满足临床诊断的需求。人工智能是一门新兴的学科，包括信息科学、数学和其他领域，在这些领域，像计算学习和算法模型等基本条件都会逐渐演变成人工智能发展不可或缺的力量。在最近几年里，开始有越来越多的人工智能方法使用在医学图像领域。采用这些新技术不仅能够大幅度提升医生的工作效率，并且能够显著地提升诊断的准确率。从临床的角度来看，医生会根据医学影像和常规疾病检查方法来判断病情，目前这种方式已经成为医学诊断的主要依据，并且在临床诊断上对影像数据的解读也成为当前医生面临的挑战。

1 医学影像大数据与AI

为了保证人工智能可以实现快速发展，必须要夯实数据基础，而且通过人工智能能够对大量的数据进行记录、分析。从医学角度来说，数据检测是尤为重要的，这是保证病情诊断顺利完成的关键所在。众所周知，医学检测产生的数据是非常多的，尤其是在老年人口持续增加，大家日益重视身体健康的今天，医学影像方面的需求明显增多[1-2]。在大型医院每年的医疗数据甚至超过1PB，对医学影像资料的巨大需求给医学摄影基金会带来了巨大的需求。尤其是在当前世界人口老龄化的基础上，人们对于自己健康的关注度也在不断的提升，对目前的医疗资源和技术提出更大的挑战，这就要求医疗领域能够更快的提高自己的技术水平来满足人们的需求。当前，国内外的人工智能技术也是根据这些需求来不断地发展，为了解决医疗领域的挑战，也出现了许多新的产品。例如，计算机辅助诊断、智能专家系统等。

作为医生的“第3 只眼睛”，医学数字成像设备和电子诊断技术在临床实践中被普及和重用，其中成像和图像是医学影像的两个重要组成部分。成像技术是医学信息源头，使用不同的物理成像原理来获取人体组织的结构图像数据，该数据准确、直观、具体、敏感和可靠，其成像质量也能够成为后续疾病检查和诊断的主要依据。现阶段，医学成像技术的应用是较为常见的，而要保证医学影像方面的实际需要真正得到满足，必须要确保其功能更加的全面，并要保证数据处理更为迅速[3]。大范围数据处理是收集大型、高性能、多种类型和高价值数据信息，并查找特定规则。人工智能必须从丰富的资源中提取规则信息，然后通过模型将其转换为“智能”。对医学数据的深度学习和图像识别的要求是显而易见的。利用技术可以实现医学影像质量的提升，AI 优化的扫描工作可以更好地提高扫描效率，并且保证成像质量的标准化，在整个医疗健康链中有着重要的临床和科研价值，其影响也是非常大的[4-5]。

2 人工智能医学影像诊断技术的基本原理

图像诊断和治疗智能主要涉及到几个方面:图像识别主要是用于感知链接，目的是能够得到相关患者重要的病理信息，并且能够快速地实现组织和器官的定位、分类，同时能够精准地定位可疑位置，这是一种可以帮医生迅速的从海量的信息中提取准确的信息的方式，避免了人工阅读带来的主观的差异性，对于去除对医生的干扰项，帮助医生提高对医学图像的解释效率，AI 辅助图像处理算法还可以帮助医生完成对分割配准都复杂功能通过用医疗设备。用以治疗的医疗设备实现对病人的病灶结构信息提供精准的图像；第二种是使用在预测和分类等方面的深度学习。利用对于医学图像大数据和诊断结果、定量分析和预测的特定多层神经网络培训，降低临床漏诊误诊率[6]。第三种是通过提取其中的诊断和治疗信息精准的确定。患者的关键信息并且能够在诊疗的过程中确定准确的治疗方案。AI 辅助诊断可以帮助医生筛查病症，这是一种通过海量的数据来提取准确的信息的过程，在这一过程中，还能够帮助医生准确的判断相关的病症和有价值的信息，医学图像的标志者需要具备一定的医学背景，同时在进行AI 医学影像的过程中通过扫描来完成对患者隐私问题的捕获，进而获得高质量的医学图像，对不同的病变类型进行比较，能够准确地判断出不同的病变类型在正确的医学图像数据上的差距。一些基于AI 非结构医学信息数据分析的同时结合相关影像，协助医生撰写诊断报告，并且能够在此基础上生成自动或半自动的标注数据，从而保证数据集的准确性和标准性。

2.1 图像识别的基本工作原理

模式识别根据理论基础划分成多个处理阶段，针对完整的图像数据采取通用的机器学习方法，涵盖典型的图像技术、视频技术以及机器人视觉。而视觉图像识别技术则是利用多种类型的机器视觉系统提取二维或三维图像信息，随后将提取的信息传输到图像处理系统。根据点的分布、亮度和颜色分布进行二进制分析和细分识别，并将其转换为数字信号，然后执行算法以自动检测模式[7-8]。目前在临床上常用的医学影像模态包括电子计算机断层扫描、磁共振成像、射线等等。不同模态的医学影像可以辨别图不同类型的生理病理信息。根据医学影像设计的人体中的正常的生理标准数据与病理生理信息物理信号相比较，最终形成信号传播的数学物理模型，然后形成信息精确的二维或三维空间分布医学图像。例如，CT 图像就是通过特定普段射线的衰减系数，对对人体内不同组织的数据进行扫描，由于衰减系数和物质密度有密切的联系就会形成人体组织的三维密度分布。三维医学图像成像的过程中也是通过体外采集到的物理信号，重建产生该观测信号的人体生理病理信息分布数据的采集。在这一过程中，数据是不稳定的，受到扫描时间剂量的限制导致采集信号量不足，或者原始采集信号存在一定的干扰信号，这在一定程度上就会导致成像设备硬件的不完美，最终导致成像过程的随机运动，这些因素都会导致理想数学物理模型解析重建方法通常无法达到临床要求的图像。也就是说在图像重建的过程中需要针对图像进行约束，这样才能够形成稳定的图像，而这种简单的约束条件通用性很强却无法准确地反映数据本质，对于特定的影像模态和成像模式，无法真正的形成最优的成像结果。目前技术和医学影像成像方法的结合已经成为当前医学技术研究的重点和热点问题，研究结果也在不断地推出。

2.2 深度学习的基本工作原理

图像数据自身展现出来的高维度直接决定了对于学习适应性训练模型的高需求。多层深神经网络利用层层关系逐层获取医疗图片上没有使用过的数据层，随后得到不同分类预测层独有的抽象属性。其特殊优势是学习功能的有效算法，无需控制，自动获得信息，而不是传统的手动信息获取。同原有的基于深度学习的医学成像智能诊断系统对比，它取其精华融入了对于经验的定量增长和逐步发展考虑。利用系统战略网络以及价值网络针对大量的医学成像信息层开展层层分析以及数据提取，根本不需要为其提供人工逻辑等知识，也就表示能够在实时诊断的过程中深入学习[9]。所以，智能成像能够依据深度神经模型来进一步研究成像信息，持续提升其临床诊断能力。

3 人工智能在医学影像诊断中的应用

3.1 肿瘤性疾病

3.1.1 皮肤癌根据美国癌症协会统计的报告可知，全世界每年患有皮肤癌的患者中大概是会出现232 000 个新病例以及55 500 个死亡病例。对于黑色素瘤而言，其发病早期诊治同晚期诊治的5年存活率数据分别达到了99%以及14%，表示如果能够早期诊断，基本上黑色素瘤能被完全治愈。传统使用的皮肤癌诊断主要是利用视觉诊断的方式实现初步的临床检查，随后对患者使用结肠镜检查、活检和组织病理学检查[10]。从这个意义上说，深层的卷积神经网络显示它复盖了更多的恶性/良性皮肤癌和葡萄胎的皮肤镜图像。利用具有较高敏感性和较强特异性的深度学习卷积神经网络检测皮肤黑色素瘤，进而诊断皮肤癌。随机从国际黑色素瘤计算机视觉挑战数据集（n=379）中选择100 张皮肤镜图像（50 个黑色素瘤、44 个面片和6 个镜头），用于横截面研究和集成的独立自动检测与算法。使用皮肤科医生的图像识别黑色素瘤时，智能诊断系统的准确率的提升必定会直接提高医生的效率[11]。

3.1.2 乳腺癌乳腺癌属于女性遇到的常见癌症问题之一。美国癌症协会曾经对外宣布，美国妇女中约有2.3亿新的浸润性乳腺癌病例，其中约39，620 例死于乳腺癌，8 名妇女中有一人患有乳腺癌。乳腺癌的检查必须得到支持，必须为妇女提供高质量的筛查、诊断和治疗[12]。本文通过神经网络研究提出了一种基于自组织映射和复杂神经网络（CVNN）的混合计算模型来检测乳腺癌。通过筛选了822 例患者，利用SOM 技术针对相似性最高的患者采取分类分组策略，随后把提取到的特征信息融入到深度神经网络的处理分类。同临床诊断结果对比可知，该病诊断率分别达到了94%以及95%，由此可见此模型自身的优越性以及具有很强的可行性。这种基于人工智能的乳腺癌早期检测技术，主要是利用乳腺X 线钼靶分析来实现重要的乳腺癌自动分类环节，通过大量的临床数据训练并进行回归测试了，结果表明恶性和性肿瘤区分的准确率超过了95%，达到了95.83%[13]。由此可见，广义回归人工神经网络对于乳腺癌检测而言属于一个相对稳定的系统，具有较高的准确率。

3.1.3 肺癌在各类癌症中，肺癌的发病率、病死率处于高位，尤其是病死率超过了70%，在所有癌症死亡例数中的占比高达1/4。若想保证患者生存率大幅提高，最为关键的就是要完成好首次诊断。众所周知，早期肺癌并没有特别明显的症状，中晚期时才会发现并接受治疗，此时除了需要支付较高的治疗费用外，而且效果也不够理想，所以要将早期预防、诊断做到位。胸部的X线平片、CT 扫描能够提供肺部影像，这是进行早期诊断的主要依据。在获得CT 图像后，通过智能神经网络模型就可针对肺部结节予以观察，进而了解肺癌隐患是否存在，展开量化分析之后也可对恶性程度进行准确判断。对机器学习SVM 分类器加以应用，建成了计算机辅助分析系统，这样就可对分叶肺区近胸膜结节予以检测，进而保证肺癌诊断更加准确[14]。对此系统予以分析可知，其选用的是10 倍交叉验证，可以确保准确率高达96.22%。通过辅助决策系统可对每个肺结节进行更为细致的划分，进而针对收集到的相关数据展开性能评估。相较于CNN，其在准确率方面有着更大的优势，能够达到84.58%。对于放射科医师来说，对此系统加以充分应用可以使得肺癌结节的检测顺利展开，准确度有明显提升，而且检测效率也可得到切实保证[15]。

3.2 智能阅片

人工智能能够首先判断在影片中是不是存在人工智能，随后当值医生会进一步审查判决结果，进而有助于医生采取合理的措施进行科学有效地分配时间。现阶段，部分智能电影阅读系统不仅仅能够进一步识别出标尺，还能够直接评估标尺的属性[16]。一般来说，使用大数据图像和临床说明，智能电影阅读系统可以连续不断地教学，然后为疾病类型制定标准，并可以长期稳定地运作。智者是神瑞药学的人工智能产品，在帮助诊断图像方面做得很好。本产品能够用在肺癌、乳腺癌、急性骨折等疾病的辅助筛查以及诊断等方面。它拥有早期诊断功能、决策助理以及治疗助理等功能[17]。诊断肺癌仅仅耗时30 s。其中，不论是点头检测的灵敏度还是特异性全部满足国际先进水平，整体准确率达到了98.8%。现阶段被应用在100 多家医院，其中甲级医院占比为70%。

3.3 智能放疗

在如今的肿瘤治疗领域，普遍采用的治疗手段是放射治疗。整个肿瘤放射治疗过程涉及到多个环节，非常复杂，其中涵盖了定位模拟、设计方案、检查方案以及引入治疗等环节[18]。在这当中，需要重点关注的是目标区域的确定。对于放射治疗师来说，完成此项工作是其职责所在。然而从我们国家的现状来看，放射治疗师的数量明显不足，而且大多是在甲级医院中，综合医院、地方医院拥有的放射治疗师非常少，这对放射治疗产生的影响是极大的，因此患者会到大医院接受治疗。放射治疗用各种射线治疗肿瘤细胞，这是有害的。必须彻底清理加工区，以免损坏正常细胞。放射科医生必须在每次治疗前手动识别患者的CT 图像，这需要几个小时，而且是无效的[19]。因此，人工智能企业开始开发智能放射治疗系统，如此可以使得放射治疗整体效率明显提升，专业治疗师不足的问题可以得到大幅缓解。在现阶段，临床肿瘤治疗系统已经开发出来，其是将医学图像数据作为基础，并对人工智能算法加以运用，确保放射科医生能够迅速确定目标区域，而肿瘤、器官的识别则能够自动完成。从此系统应用的效果来看，准确率在80%以上。这个系统在当下已经展开测试工作，相信能够在更大的范围内得到应用。

3.4 病理图像智能分析

中国目前病理学家严重短缺，注册病理学家只有10 200 人，这与100 张病床上1～2 名病理学家的标准相差甚远。病理学家总数超过90 000 人，现阶段的病理学家仅仅支持10%的医疗需求。而随着病理学家的空缺促使现有的病理学家工作负担不断加大。病理学家通常花很多时间检查细胞的病态部分。他们需要在数以亿计像素的病态影像中识别出小的癌细胞，即使是有经验的医生也会犯错。随着图像全彩数字化技术的发展和应用，它偏向于获取不使用的节，随后产生大量的定量分析算法。所以，很多技术公司采取人工智能技术来针对性地研究疾病数据，进而高效地提升疾病诊断的有效性和准确性[20]。换句话说，人工智能技术在病理学中具有非常广泛的应用未来。一个典型的例子是武汉着陆公司研制的全自动数字（远程）病理细胞分析仪。该产品可以学习如何将癌症细胞与数百万个标记的样本中的正常细胞区分开来，并且还可以继续开发[21]。同仅仅借助显微镜和肉眼的原始诊断方法对比，本系统得到的结果具有更高的准确率，并且效率也提高很大幅度。最关键的是，整个诊断过程的透明度以及可追踪度都是极高的，若是出现诊断错误，那么能够在较短的时间里寻找原因。当然需要重视的是，人工智能病态分析的结果并非最终结果，作为病理学家一定要仔细检查结果，避免出现任何误诊。

4 结语

现阶段不管是肿瘤性疾病还是非肿瘤性疾病，人工智能技术能够有效地替代人类医生实现海量图像的分类工作，并且能够代替人工完成资料的快速审查工作，一定会转变成新型的疾病诊断和管理模式。以医学图像的智能诊断为基础必定会造福于社会。如今，监管机构要求人工智能程序的性能需要同有经验的医生保持一致。在这个领域快速发展之际，人工智能必然能够发挥出更大的作用，并满足大家的期许。对于放射科领域来说，智能机器在不久的将来必然能够成为医生的帮手，甚至可以直接取代。无论如何，基于医学图像的智能诊断仍需要与医生密切合作并相互补充。