人工智能在影像医学中的实际应用

程 齐，欧阳雪晖

1内蒙古医科大学内蒙古临床医学院，内蒙古 呼和浩特 010110；2内蒙古自治区人民医院影像医学科，内蒙古呼和浩特010017

1956 年，麦卡锡和明斯基等科学家首次提出了“人工智能（AI）”这一概念，标志着AI科学的诞生。《人工智能标准化白皮书（2018版）》［1］给出如下定义：AI是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。

随着AI产业的蓬勃发展，得益于数据库、算法的巨大进步，影像医学成为AI的重要应用方向。2019年8月，国家发改委等二十一部委联合印发《促进健康产业高质量发展行动纲要（2019～2022年）》［2］，提出要加快AI技术在医学影像辅助判读、临床辅助诊断、多维医疗数据分析等方面的应用，推动符合条件的AI产品进入临床试验。目前，基于超声、X线、CT和MRI数据以深度学习技术为核心，已研发了多种AI辅助影像的定量分析算法，AI与影像科医师相结合，实现了多种疾病的早期诊断、精准治疗、疗效评估和预测，显著提高影像科医师处理影像信息的效率和准确性，可为临床诊疗提供依据。现对近5年AI在影像医学中的实际应用做一综述。

1 AI在医学影像中的应用现状

AI是一门探索、模拟人类智能，进而延伸和扩展人类智能的理论、方法、技术及应用系统的技术科学［3］。机器学习和深度学习涵盖了医学领域的大多数AI应用，例如新药研究、健康管理、医学影像、辅助诊疗和疾病预测等方面［4］。

目前，基于深度学习的AI与医学影像的结合被认为是目前最具有发展前景的领域［5］，在影像成像、图像后处理、诊断、病情评估及治疗预后方面应用广泛。AI应用大数据技术从海量的影像医疗数据中获得有价值的信息，构建数据模型［6］，通过机器学习将输入链接到输出、使用学习模型从大量数据中学习来发现数据中的模式［7］，再通过深度学习中最经典的卷积神经网络模拟人类大脑中多层神经网络，读取、处理海量的影像原始数据，学习和模仿医师的诊断，在影像医学的图像预处理、图像分类识别、感兴趣区标注和计算机辅助诊断等得到了广泛应用［8］。在扫描方面，有研究基于AI赋能的视觉传感器，利用二维和三维点检测算法从视频图像中提取人体的解剖结构结合点，并进一步应用3D网格技术构建人体结构和关键点的三维模型，基于关键点等信息计算扫描范围、扫描中线等扫描参数，辅助医生完成影像扫描和采集［9］。在成像方面，伦斯勒理工学院开发了基于AI的低剂量CT成像技术，混合深度学习的图像重建技术将低辐射剂量CT图像与深度神经网络集成在一起，在不降低图像质量的同时，实现了与迭代重建方法相比更高的速度［10］。在处理技术方面，有研究表明深度学习技术在压缩感知技术、并行图像采集和多对比度成像等方面的应用可以显著提高MRI图像采集与重建速度［11］。AI在影像医学中应用最为广泛的就是辅助疾病的诊断，以下将进行详细的阐述。

2 AI在超声诊断中的应用

超声检查是一种依赖检查医师操作的实时的动态检查方法，检查结果易受到主观性和医师临床经验的影响，低年级医师和基层医疗机构可能存在漏诊或者假阳性的情况［12］。对于数据量大并且采用医学数字成像和通信标准存储的超声检查来说，基于深度学习技术的超声在图像识别、大数据处理方面具有独特的优势。

2.1 甲状腺结节

基于深度学习的计算机辅助诊断系统可以量化超声灰阶参数，用于结节的自动检测和判别结节的性质，能给出客观诊断意见［13］。例如，甲状腺癌的侵袭性和淋巴结转移是介入治疗复发和生存率最相关的危险因素［14］，甲状腺乳头状癌极易发生颈部淋巴结转移［15］，AI技术能够预测淋巴结的转移，这对合理选择治疗方式、评估疗效和改善患者预后具有重要意义［16］。

2.2 超声心动图

深度学习技术在超声心动图中的主要应用包括超声图像采集、识别、心功能的自动量化、疾病的自动评估等［17］。全自动评估心脏功能的预处理阶段可以使用自动分类算法，有学者发现利用多阶段分类算法，采用时空特征提取和字典学习的方法，可以提高超声心动图的自动识别和分类精度［18］。在评估心功能的左心室射血分数时，有学者利用深度学习技术设计了一种全自动机器学习算法，它可以绕过边界检测，避免图像分割和容积测量，不估计心室收缩的程度，而模仿人类专家的眼睛，测量的结果与经验丰富的超声医师一致［19］。

2.3 肝脏脂肪及其纤维化

有学者对深度学习网络在肝脏超声影像特征分层中进行优化，提出了22 层神经网络的深度学习网络Symtosis，通过设置相关参数抑制一定比例神经元活性酶去除肝脏原始图像中的背景，预测脂肪肝的平均准确率可高达100%［20］。

3 AI在X线诊断中的应用

骨关节系统疾病图像模态呈多样化，数字X线片成像作为最常用的检查方法，能够方便、快速地诊断骨性病变及骨折等方面的疾病，医师独自阅片诊断任务量大且烦琐，AI辅助影像可帮助医师提高诊断能力和工作效率。

3.1 骨龄

儿童医院对骨龄检测的需求量巨大，医师的工作负荷重，骨龄检测的图谱法、计分法或其他综合性方法，不仅繁琐、机械，而且经验依赖性强。因此骨龄检测特别适合基于AI诊断工具的自动化检测，施莉丽等［21］设计了一种AI骨龄检测系统，对接在上海交通大学附属儿童医院PACS、RIS接口，能自动识别和定位指定的掌指、指间及腕部关键区域，通过深度卷积网络分析其高阶视觉特征和模式，能快速预测骨龄，在医院千兆网络条件下，整个骨龄检测所花费的时间不超过3 s。

3.2 骨折

骨折的识别及分类对手术治疗的选择相当重要，目前诸多复杂骨结构的骨折，年轻的医师在快速识别分类上仍在一定困难。有研究开发了一个关于髋部骨折的新计算机辅助诊断系统，其使用了来自多中心的10 484张正位骨盆X光片，准确度高达96.1%，曲线下面积为0.99，实现了对髋部骨折患者高效的诊断性能［22］。

3.3 骨肿瘤

骨肿瘤种类繁多是临床影像诊断的一大难点，学界希望能通过AI进一步获取更多准确的诊断信息。有学者开发了一种深度学习模型，证实深度学习算法可以对多机构数据集中的X线原发性骨肿瘤影像进行分类，它与专科医生具有相似的准确度，并且比初级放射科医生表现得更好［23］。

3.4 骨关节疾病

有研究进一步开发了一种基于深度学习的自动化算法联合使用膝关节X 光片的后-前和侧位图，根据Kellgren-Lawrence分级系统评估膝关节骨关节炎的严重程度，模型测试集获得了71.90%的准确率，证明了深度学习算法对膝关节骨关节炎严重程度的评估有一定的应用价值［24］。

3.5 骨关节软组织

Kang等［25］开发了一种基于腋外侧肩部X光片深度学习算法，可根据腋侧位片上小结节的变化及临床数据评估肌腱撕裂。这证实了深度学习算法可作为初步评估肌腱完整性的客观依据。

4 AI在CT诊断中的应用

随着高分辨CT设备的发展、低剂量计算机断层扫描技术的应用及国人对健康体检意识的逐渐加强，现阶段AI技术对肺部疾病的筛查已经广泛应用于临床。

4.1 肺结节

肺微、小结节的检出对肺癌的早期诊断至关重要。放射科医生通常通过肺结节的大小和生长作为良恶性结节的主要区别；此外还有形状、空间复杂度、强度模式和纹理特征等［26］。但是这些特征之间可能会存在复杂的相互作用，一些良性结节，例如肺部肉芽肿，在CT上可能有恶性表现，比如边缘呈针状或分叶状，有磨玻璃影等。而AI辅助诊断可以利用结节内和结节外的特征使小结节预测准确率显著提高［27］。

4.2 肺癌

肺癌是临床上发病率和病死率最高的恶性肿瘤之一［28］，发病隐匿，早期症状、体征不典型，大部分患者发现时，已经是肺癌晚期或已经出现远处转移，错过了最佳治疗时间，5年生存率仅为19%［29］。AI影像辅助诊断系统联合人工可以减少漏、误诊率，提高阅片速度，不仅可以提高肺癌诊断准确率和工作效率，而且也实现了肺癌的精准治疗，有学者关注诊断精确、治疗方案、靶向治疗和个性化药物，使用肺癌成像的AI解决方案，开发新的靶向治疗，避免多余的治疗导致相关副作用［30］。

4.3 新型冠状病毒肺炎（COVID-19）

CT检查是诊断COVID-19手段之一。COVID-19的早期症状与其他病毒性肺炎的症状十分相像，针对COVID-19早期诊治容易出现漏诊情况，有研究创建了一种区分COVID-19和其他肺炎的AI系统，发现该系统辅助可以提高放射科医生区分COVID-19和其他肺炎胸部CT表现［31］。AI技术的引入不仅可以降低漏诊率，还可以帮助诊断鉴别不同严重程度的COVID-19，如有研究通过联合执行严重度评估和肺叶分割来自动评估原始三维CT图像中的COVID-19严重度［32］。

5 AI在MRI诊断方面的应用

多参数MR有着高空间分辨率、良好的信噪比和优越的软组织对比度分辨率。AI与多参数MRI的结合近年来在神经系统及腹部疾病的影像诊断中，获得了很多有价值的研究成果。

5.1 神经系统

AI的客观性、准确性为自动分割技术发展和兴起奠定了基础，多项研究结果表明卷积神经网络模型能够很好地用于阿尔茨海默病、帕金森病早期诊断分类［33］。大多数阿尔兹海默症的患者都有不同程度的海马区的萎缩，因此可以通过海马区的体积来诊断患者的病情严重程度，但由于海马区与其相邻结构在MRI 图像上的灰度值很接近而且分割结果依赖于分割算法和预处理步骤［34］，因此具有一定的难度性和耗时性。有学者提出了一种卷积神经网络模型，根据FreeSurfer算法进行训练，从固定大小的输入区域框中识别和分割海马，能在30 s内分割单个T1大脑图像的双侧海马[35]。

5.2 腹部肿瘤

腹部多数疾病起病隐匿且侵袭性高，多数患者确诊时已处于晚期，失去最佳治疗机会，早期诊断和鉴别诊断在腹部疾病中至关重要。AI在腹部疾病早期诊断、分期分级、是否存在血管和淋巴结侵犯以及转移方面有不少应用。

5.3 肝癌

微血管侵犯是肝细胞肝癌治疗后复发和转移的独立危险因素，准确预测微血管侵犯对患者预后评估及后续治疗方案的选择至关重要。有学者通过对肝细胞肝癌患者的增强MRI图像进行特征提取，并结合临床影像特征构建临床-影像组学模型，实现了术前无创地评估和预测微血管侵犯（曲线下面积为0.88）［36］。

5.4 前列腺癌

有研究证明，多模块化综合神经网络的AI可以在多个MRI 参数中准确诊断前列腺癌［37］，而结合肿瘤概率图的计算机辅助诊断系统可以帮助放射科医生准确定位外周带前列腺癌区域［38］，这有利于靶向穿刺活检，局部治疗和检测随访。

5.5 直肠癌

有学者发现基于区域卷积神经网络的AI影像辅助诊断平台能够准确识别和标记高分辨MRI 中直肠癌壁外血管侵犯阳性或阴性的位置及其概率，而且AI平台识别1张图像的时间为0.2 s，大大提高了识别效率［39］。

6 总结与展望

AI目前广泛应用于疾病的影像诊断，虽然可以辅助医生诊断疾病，但仍然存在一些不完善之处，不能完全取代医生的工作。如AI对计算能力要求很高，只有不断更新算法，才能确保更高的精确度和更低的计算复杂度。再者，深度学习模型使用大量数据进行分析，缺乏大量且有效的数据资源、数据的合理开发、数据的隐私保护等都是深度学习应用的限制。最后，在享受科技的便利的同时，也必须重视AI医学发展过程所遇到的伦理问题。

综上所述，AI与医学影像的前景非常广阔，AI与影像设备的有机结合，大大提高了仪器的利用率；AI结合图像后处理，使患者在减少辐射剂量的同时，获得了高质量的满足临床诊断的图像；AI可以智能排序和辅助阅读分析，大大提高了诊断的效率；AI和影像医师的结合有效提高了疾病的诊断时效性与准确性。相信在不久的将来，AI肯定会显著提高现有诊断模式的效率，与影像医生一起进入更精确的影像诊断时代。