人工智能在超聲醫(yī)學(xué)領(lǐng)域中的應(yīng)用

劉睿峰，夏 宇，姜玉新

中國(guó)醫(yī)學(xué)科學(xué)院 北京協(xié)和醫(yī)學(xué)院 北京協(xié)和醫(yī)院超聲醫(yī)學(xué)科，北京 100730

1950年Alan Turing發(fā)表的《計(jì)算機(jī)器與智能》一文中提出了“圖靈測(cè)試”，首次預(yù)見(jiàn)性地展示機(jī)器與人類(lèi)難以分辨的智能行為[1]；6年之后，達(dá)特茅斯大學(xué)研討會(huì)上科學(xué)家們對(duì)麥卡錫提出的新術(shù)語(yǔ)“人工智能(artificial intelligence，AI)”初步認(rèn)同并接受，標(biāo)志著這一概念的正式誕生。隨后幾十年間，AI經(jīng)歷了從跳棋程序到專家系統(tǒng)，從發(fā)展邏輯推理的第5代計(jì)算機(jī)研制計(jì)劃乃至今天基于網(wǎng)絡(luò)大數(shù)據(jù)和深度學(xué)習(xí)模型的分布式AI研究等階段，已漸趨成熟。Stuart Russell在其1995年出版的著作《人工智能：一種現(xiàn)代方法》中將AI定義為有關(guān)“智能主體研究與設(shè)計(jì)”的學(xué)問(wèn)，而智能主體是指可以觀察周遭環(huán)境并作出行動(dòng)以達(dá)到目標(biāo)的系統(tǒng)[2]。自2016年3月Alphago與圍棋世界冠軍李世石的人機(jī)大戰(zhàn)后，AI又一次進(jìn)入公眾視野，備受關(guān)注?；卺t(yī)學(xué)影像特點(diǎn)和提高影像診斷效能的訴求，AI有望在將來(lái)成為影像醫(yī)生診治過(guò)程中的有效輔助工具。本文將結(jié)合具體案例介紹AI在超聲醫(yī)學(xué)領(lǐng)域的可行性和局限性，并對(duì)未來(lái)應(yīng)用前景進(jìn)行分析與預(yù)測(cè)，希望為進(jìn)一步研究提供依據(jù)。

1 人工智能與醫(yī)學(xué)影像

鑒于醫(yī)學(xué)影像領(lǐng)域信息更加結(jié)構(gòu)化，大部分基于圖像的判斷相比臨床電子病歷總結(jié)式的描述更加客觀，深度學(xué)習(xí)取得突破前就有學(xué)者利用AI方法中的人工神經(jīng)網(wǎng)絡(luò)來(lái)分析醫(yī)學(xué)圖像，然而受限于梯度消失和過(guò)擬合問(wèn)題，模型很難構(gòu)建深層次的架構(gòu)來(lái)學(xué)習(xí)，同時(shí)還要面對(duì)數(shù)據(jù)量和終端計(jì)算能力不足的困難，相關(guān)研究取得的成果有限。而如今，基于放射信息系統(tǒng)(radiology information system，RIS)、醫(yī)學(xué)圖像存檔和傳輸系統(tǒng)(picture archiving and communication system，PACS)中的大量病例圖像，AI可更好地進(jìn)行深度學(xué)習(xí)，同時(shí)利用深度學(xué)習(xí)中一系列具有不同優(yōu)勢(shì)和適用性的模型，如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等，建立輸入圖片特征與輸出目標(biāo)結(jié)果之間的對(duì)應(yīng)關(guān)系，更加高效識(shí)別圖片中的對(duì)象，為相關(guān)研究與發(fā)展提供了更多可行性。

深度學(xué)習(xí)作為此次AI興起以及相關(guān)醫(yī)學(xué)影像研究興盛的核心技術(shù)，其主流模型延續(xù)了早期機(jī)器學(xué)習(xí)中的一個(gè)重要算法，即人工神經(jīng)網(wǎng)絡(luò)，原理是模擬人腦多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)并作出判斷，而應(yīng)用于醫(yī)學(xué)影像的深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為主，大致分為兩類(lèi)：(1)監(jiān)督學(xué)習(xí)，包括遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和普通深度神經(jīng)網(wǎng)絡(luò)等主流模型；(2)無(wú)監(jiān)督學(xué)習(xí)，包括深度生成模型(預(yù)訓(xùn)練)和自編碼器等模型。二者主要區(qū)別在于對(duì)具有相關(guān)特征的訓(xùn)練數(shù)據(jù)進(jìn)行分類(lèi)時(shí)，訓(xùn)練數(shù)據(jù)是否有人工標(biāo)注的標(biāo)簽，如數(shù)據(jù)有標(biāo)簽則稱為監(jiān)督學(xué)習(xí)，無(wú)標(biāo)簽即為無(wú)監(jiān)督學(xué)習(xí)，又稱聚類(lèi)。監(jiān)督學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)正是目前醫(yī)學(xué)影像領(lǐng)域AI的研究熱點(diǎn)，作為一種具有自主學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò)，其多層結(jié)構(gòu)可基于多級(jí)抽象提取一系列辨識(shí)性特征，從而識(shí)別圖像中的目標(biāo)，超聲醫(yī)學(xué)中的前沿研究方法也多以此為核心。該神經(jīng)網(wǎng)絡(luò)模型對(duì)于解決現(xiàn)階段科研中分類(lèi)、檢測(cè)、分割這3個(gè)主要問(wèn)題均具有重要意義，其中分類(lèi)問(wèn)題主要涉及完成探測(cè)組織結(jié)構(gòu)異常并將其劃歸至各個(gè)疾病類(lèi)別中的任務(wù)，類(lèi)似于診斷的思維過(guò)程，是最典型的科研問(wèn)題。

2 人工智能在超聲醫(yī)學(xué)領(lǐng)域的應(yīng)用

2.1 傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)研究

2.1.1 大腦中動(dòng)脈痙攣所致狹窄診斷方法效能評(píng)估

大腦中動(dòng)脈痙攣是蛛網(wǎng)膜下腔出血的嚴(yán)重并發(fā)癥，早期診斷和干預(yù)對(duì)預(yù)防卒中十分重要。數(shù)字減影血管造影(digital subtraction angiography，DSA)是作出該診斷的金標(biāo)準(zhǔn)，但鑒于其為有創(chuàng)性操作并可導(dǎo)致相關(guān)并發(fā)癥，不宜作為常規(guī)監(jiān)測(cè)手段。經(jīng)顱多普勒(transcranial Doppler，TCD)作為一項(xiàng)非侵入性監(jiān)測(cè)方法，可在床旁操作，且指導(dǎo)臨床實(shí)踐準(zhǔn)確性高，因此被廣泛應(yīng)用[3]；同時(shí)，有文獻(xiàn)顯示，經(jīng)顱雙功能彩色多普勒超聲(transcranial color-coded duplex sonography,TCCS)在大腦中動(dòng)脈痙攣所致狹窄的診斷上比TCD具有更高準(zhǔn)確性[4]，但這些文獻(xiàn)存在TCD和TCCS入組人群不同、研究組與對(duì)照組基線特征不同、受試者工作特征曲線(receiver operating characteristic curve，ROC)僅包括一項(xiàng)腦動(dòng)脈血流動(dòng)力學(xué)參數(shù)等不足，橫向比較存在較大爭(zhēng)議，研究結(jié)果缺乏說(shuō)服力。于是，Swiercz等[5]利用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)建模，并將經(jīng)TCD和TCCS獲得的數(shù)據(jù)處理后的輸出值與DSA的結(jié)果進(jìn)行匹配，以匹配程度最高的模型作為評(píng)判TCD和TCCS診斷準(zhǔn)確性的仲裁者，該模型能夠?qū)⒋竽X中動(dòng)脈平均流速(mean velocity，Vmean)、收縮期峰值流速(systolic peak velocity，Vps)及舒張末期流速(end of diastolic velocity,Ved)整合為一個(gè)集合參數(shù)，建立ROC并進(jìn)行相關(guān)比較，從而避免了超聲醫(yī)生解讀數(shù)據(jù)作出判斷時(shí)的主觀影響，減少了混雜因素，但該研究由于樣本量有限，陽(yáng)性病例數(shù)相對(duì)較少，模型的準(zhǔn)確性受到質(zhì)疑。

2.1.2 建立非侵入性肝臟纖維化評(píng)級(jí)體系

慢性肝炎或肝損傷所致肝纖維化是肝硬化的共同特征，肝纖維化是可逆的病理過(guò)程，及時(shí)有效的治療可避免其進(jìn)一步發(fā)展為肝硬化。為了在治療過(guò)程中定期進(jìn)行纖維化或硬化評(píng)級(jí)，常常選擇超聲作為監(jiān)測(cè)手段。Zhang等[6]將傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練規(guī)則調(diào)整為錯(cuò)誤反向傳播算法，即將輸入值包括肝臟實(shí)質(zhì)、脾厚度、肝動(dòng)脈搏動(dòng)指數(shù)、衰減指數(shù)及肝靜脈頻譜經(jīng)過(guò)一系列不可知的調(diào)整后與已有的肝纖維化分級(jí)進(jìn)行比較，如有偏差則返回上一步的層級(jí)訓(xùn)練，直至單位錯(cuò)誤總和被調(diào)整至最小，訓(xùn)練出的相應(yīng)模型經(jīng)過(guò)評(píng)估，其準(zhǔn)確性可達(dá)88.3%(曲線下面積0.9222)。相較肝活檢，結(jié)合了AI技術(shù)的超聲監(jiān)測(cè)不存在樣本取材問(wèn)題以及醫(yī)師經(jīng)驗(yàn)水平差異所導(dǎo)致的誤差，為慢性肝病患者的臨床決策提供了另一種參考。

2.1.3 早期甲狀腺結(jié)節(jié)良惡性分類(lèi)

類(lèi)似的基于傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的研究還涉及甲狀腺結(jié)節(jié)良惡性診斷，由于醫(yī)療資源普及和定期體檢的推廣，許多甲狀腺結(jié)節(jié)被發(fā)現(xiàn)，為進(jìn)一步定義其良惡性，不得不施行細(xì)針穿刺活檢或定期隨訪，給醫(yī)院診療和患者均增加了負(fù)擔(dān)，為了提高單次診斷的準(zhǔn)確性，Zhu等[7]利用具有顯著統(tǒng)計(jì)學(xué)意義(P<0.001)的6項(xiàng)指標(biāo)，包括形狀(縱徑長(zhǎng)于橫徑)、邊界(界線模糊)、回聲(低回聲)、質(zhì)地(實(shí)質(zhì))、鈣化(微鈣化)、暈環(huán)(缺如)作為輸入值訓(xùn)練傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)模型以預(yù)測(cè)是否有惡性結(jié)節(jié)的存在，其準(zhǔn)確性、敏感性、特異性分別可達(dá)82.3%、84.5%和79.1%。

2.2 以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)模型

2.2.1 處理分類(lèi)問(wèn)題

甲狀腺影像報(bào)告和數(shù)據(jù)系統(tǒng)(thyroid imaging-reporting and data system，TI-RADS)聯(lián)合深度學(xué)習(xí)分辨甲狀腺結(jié)節(jié)良惡性：TI-RADS現(xiàn)已廣泛用于分類(lèi)甲狀腺結(jié)節(jié)并對(duì)其惡性風(fēng)險(xiǎn)進(jìn)行評(píng)分，然而這種方法耗時(shí)、費(fèi)力且通常不夠穩(wěn)健，其診斷的準(zhǔn)確性不僅受檢查醫(yī)生個(gè)人經(jīng)驗(yàn)影響，且受結(jié)節(jié)回聲變異性等原因限制。Acharya等[8]基于離散小波變換特征，利用計(jì)算機(jī)對(duì)不同模態(tài)下的聲像圖進(jìn)行歸類(lèi)，取得了98.9%～100%的準(zhǔn)確性，這一類(lèi)新的“計(jì)算機(jī)決定的特征”完全不同于臨床微鈣化灶等分類(lèi)經(jīng)驗(yàn)，為深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用開(kāi)創(chuàng)了前路。與傳統(tǒng)特征提取方法相比，深度卷積神經(jīng)網(wǎng)絡(luò)具有兩個(gè)優(yōu)點(diǎn)：(1)針對(duì)操作時(shí)不同燈光條件、垂直和水平位移等所致的諸如形狀等失真改變，表現(xiàn)更加穩(wěn)定；(2)特征提取時(shí)耗費(fèi)更少的計(jì)算資源，故結(jié)合預(yù)處理和微調(diào)等方法后，訓(xùn)練出的AI在二維聲像圖上識(shí)別甲狀腺良惡性的準(zhǔn)確性、靈敏性和特異性分別可達(dá)96.34%、82.8% 和99.3%，明顯優(yōu)于傳統(tǒng)方法[9]。

2.2.2 處理檢測(cè)問(wèn)題

協(xié)助定位從而為急性闌尾炎診斷提供更多證據(jù)：急性闌尾炎是外科常見(jiàn)急癥，但典型癥狀發(fā)生率僅為66%，其臨床診治存在較多難點(diǎn)，在兒童、老年人、孕婦等特殊群體中常因診斷困難而致穿孔。超聲檢查在疑似病例，特別是其他檢查不支持但患者又有持續(xù)癥狀的診斷中提供了有價(jià)值的參考信息。一系列征象如闌尾外徑>6 mm、鈣化灶及其壁上血流信號(hào)增強(qiáng)、管腔內(nèi)積液均可為難以確診又高度懷疑闌尾炎的患者增加診斷依據(jù)，其中闌尾外徑在探頭加壓探查下>6 mm作為診斷時(shí)準(zhǔn)確性最高的超聲征象[10]。有研究利用一系列AI算法除噪，提高亮度對(duì)比，提取出更加完整的筋膜底線以確定闌尾所在區(qū)域，并避免了大量腹水影響，其中的核心算法Fuzzy ART是一種無(wú)監(jiān)督神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，亦屬深度學(xué)習(xí)模型的一種，具有實(shí)時(shí)學(xué)習(xí)、無(wú)固定目標(biāo)值、對(duì)經(jīng)驗(yàn)知識(shí)歸類(lèi)等特點(diǎn)，其應(yīng)用顯著提高了確定闌尾區(qū)域的準(zhǔn)確性，在已確診闌尾炎的40幅聲像圖中，最新算法可成功識(shí)別其中38幅，真陽(yáng)性率可達(dá)95%，與CT診斷能力相當(dāng)，且無(wú)輻射[11]。

2.2.3 處理分割問(wèn)題

勁動(dòng)脈相關(guān)參數(shù)及病變測(cè)量：頸動(dòng)脈內(nèi)-中膜厚度(carotid intima-media thickness，CIMT)對(duì)預(yù)測(cè)心血管病風(fēng)險(xiǎn)十分重要，超聲檢查時(shí)需醫(yī)師測(cè)量聲像圖中遠(yuǎn)端血管壁管腔與內(nèi)膜交界至中膜與外膜交界的距離，此人工標(biāo)記耗時(shí)乏味，于是有研究者提取92份CIMT檢查錄像作為數(shù)據(jù)庫(kù)，每一份均由專家劃出3個(gè)感興趣區(qū)(region of interest，ROI),之后再在276份ROI中分別標(biāo)識(shí)出管腔-內(nèi)膜交界平面和內(nèi)膜-中膜交界平面作為訓(xùn)練的圖像塊進(jìn)而建立卷積神經(jīng)網(wǎng)絡(luò)，經(jīng)過(guò)特定訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)即可自動(dòng)分割出需要的界面交由電腦測(cè)量，結(jié)果優(yōu)于人工測(cè)量[12]。也有學(xué)者設(shè)計(jì)調(diào)整了卷積神經(jīng)網(wǎng)絡(luò)模型用于頸動(dòng)脈斑塊的測(cè)量，并且相較以紋理特征作為輸入支持向量機(jī)(support vector machine，SVM)分類(lèi)器的傳統(tǒng)機(jī)器學(xué)習(xí)方法，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果在準(zhǔn)確度(0.9733比0.9638)，敏感性(0.9653比0.9746)，特異性(0.9720比0.9602)，馬修相關(guān)指數(shù)(0.9444比0.9254)，約登指數(shù)(0.9466比0.9256)方面均更優(yōu)[13]，提示了卷積神經(jīng)網(wǎng)絡(luò)在臨床圖像識(shí)別中應(yīng)用的可行性與巨大潛力。

2.2.4 卷積神經(jīng)網(wǎng)絡(luò)遷移學(xué)習(xí)

中孕期胎兒畸形篩查標(biāo)準(zhǔn)平面自動(dòng)定位：產(chǎn)前畸形篩查是胎兒超聲檢查的重要內(nèi)容，不同醫(yī)療機(jī)構(gòu)敏感性從27.5%至96%不等[14]，其中很重要的一個(gè)影響因素即為標(biāo)準(zhǔn)平面的獲取，通常需要醫(yī)師具備全面的解剖知識(shí)和大量的經(jīng)驗(yàn)。胎兒腹圍平面(fetal abdominal standard plane, FASP)的自動(dòng)定位因涉及復(fù)雜的解剖結(jié)構(gòu)，可獲取的樣本量較少，缺乏足夠的數(shù)據(jù)來(lái)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型，這一直是一個(gè)充滿挑戰(zhàn)性的難題,于是有學(xué)者利用已被大量不相干原始圖片訓(xùn)練過(guò)的卷積神經(jīng)網(wǎng)絡(luò)的較低層級(jí)網(wǎng)絡(luò)作為基礎(chǔ)，將其中的經(jīng)驗(yàn)知識(shí)轉(zhuǎn)移到用來(lái)識(shí)別定位FASP的卷積神經(jīng)網(wǎng)絡(luò)模型中，其表現(xiàn)明顯勝過(guò)之前的基于少量數(shù)據(jù)訓(xùn)練的低維度模型，準(zhǔn)確率、精確率、召回率和綜合評(píng)價(jià)指標(biāo)分別達(dá)到了0.904、0.908、0.995和0.950[15]?？蒲兄惺褂没颊叩臄?shù)據(jù)常常涉及隱私等倫理問(wèn)題，需征得患者同意，這就大大減少了可使用的圖像素材；且鑒于醫(yī)學(xué)影像圖像對(duì)比度較低，訓(xùn)練數(shù)據(jù)量級(jí)要求不高，利用由其他圖片(通常是自然圖片)訓(xùn)練生成的神經(jīng)網(wǎng)絡(luò)進(jìn)行遷移學(xué)習(xí)來(lái)處理這類(lèi)問(wèn)題也很常見(jiàn)。這種方法很好地處理了因數(shù)據(jù)過(guò)少導(dǎo)致的模型過(guò)擬合問(wèn)題，將卷積神經(jīng)網(wǎng)絡(luò)在臨床應(yīng)用的可行性進(jìn)一步拓展，展現(xiàn)了其處理醫(yī)學(xué)圖像的可預(yù)見(jiàn)前景。

2.2.5 超聲心動(dòng)圖相關(guān)綜合應(yīng)用

涉及二維及多普勒超聲心動(dòng)圖的研究常常伴隨大量的測(cè)量參數(shù)，這些參數(shù)對(duì)于評(píng)價(jià)心肌及瓣膜的結(jié)構(gòu)和功能十分重要。然而在實(shí)際工作中，理清并針對(duì)性地使用如此巨大的潛在數(shù)據(jù)組合對(duì)于一個(gè)忙碌的臨床醫(yī)生可行性不高，而且操作者的手法、技巧、經(jīng)驗(yàn)對(duì)于最終測(cè)量結(jié)果影響均較大，甚至由于不同時(shí)間操作者本身狀態(tài)不同，同一個(gè)人所測(cè)量的結(jié)果可重復(fù)性也很難得到保證。相關(guān)研究將供訓(xùn)練的數(shù)據(jù)集(心臟四腔心切面圖)由心臟專家按不被接收(0分)至極佳(5分)進(jìn)行總體質(zhì)量評(píng)分，利用卷積神經(jīng)網(wǎng)絡(luò)模型更不容易過(guò)擬合、更容易訓(xùn)練、加權(quán)調(diào)整更少的特性，根據(jù)上述數(shù)據(jù)集即時(shí)生成自動(dòng)化回聲評(píng)分(automated echo score，AES)作為質(zhì)量反饋[16]，促進(jìn)低年資醫(yī)生獲取更高質(zhì)量、更標(biāo)準(zhǔn)的相應(yīng)切面聲像圖，提高了醫(yī)療效率；同時(shí)也有研究顯示運(yùn)用算法對(duì)左心室射血分?jǐn)?shù)進(jìn)行自動(dòng)測(cè)量計(jì)算，相對(duì)于傳統(tǒng)的手工裸眼標(biāo)記測(cè)量，平均處理時(shí)間僅需8 s，且可重復(fù)性高，結(jié)果相對(duì)精確[17]；針對(duì)此類(lèi)研究尚存的爭(zhēng)議：算法和計(jì)算機(jī)技術(shù)領(lǐng)域的矛盾，醫(yī)學(xué)方面比如金標(biāo)準(zhǔn)、心室肌小梁等問(wèn)題[18]，有研究者使用融合了機(jī)器學(xué)習(xí)算法的軟件對(duì)二尖瓣相關(guān)的6項(xiàng)參數(shù):二尖瓣環(huán)三維前外后內(nèi)徑、二尖瓣環(huán)三維前后徑、瓣環(huán)面積、非平面角度、二尖瓣環(huán)總周長(zhǎng)、總瓣葉進(jìn)行測(cè)量比較，觀察檢測(cè)器本身是否會(huì)影響參數(shù)，設(shè)定P=0.0083，無(wú)影響為無(wú)效假設(shè)，得到6項(xiàng)參數(shù)的相應(yīng)P值分別為0.72、0.25、0.07、0.03、0.13、0.15，結(jié)果顯然瑕不掩瑜，即使測(cè)量數(shù)據(jù)存在微小的不一致性，研究者也相信軟件可以通過(guò)自主學(xué)習(xí)適應(yīng)調(diào)整以改善表現(xiàn)[19]。更多的研究也提示未來(lái)機(jī)械臂與影像自動(dòng)化分析的共同發(fā)展，有望實(shí)現(xiàn)無(wú)人干預(yù)的全自動(dòng)化超聲心動(dòng)圖的獲取、識(shí)別和定量分析，在可攜帶計(jì)算機(jī)上施行實(shí)時(shí)超聲心動(dòng)圖分析其實(shí)已有據(jù)可循[20]，同時(shí)深度學(xué)習(xí)相關(guān)算法模型的嵌入，相較于現(xiàn)階段研究中傳統(tǒng)的其他機(jī)器學(xué)習(xí)方法，有望為AI在心臟疾病診斷方面帶來(lái)更廣闊的發(fā)展前景。

2.3 超聲醫(yī)學(xué)科產(chǎn)品化應(yīng)用實(shí)例

我國(guó)自主研發(fā)的DE-超聲機(jī)器人已投入臨床進(jìn)行試驗(yàn),這是一款基于超聲影像，輔助醫(yī)生進(jìn)行甲狀腺結(jié)節(jié)良惡性識(shí)別的智能診斷系統(tǒng)。測(cè)試環(huán)節(jié)中選取省級(jí)三甲教學(xué)醫(yī)院不同級(jí)別大夫?qū)ν粠瑘D像進(jìn)行識(shí)別,診斷準(zhǔn)確率在60%～70%,該設(shè)備協(xié)助醫(yī)生工作同步進(jìn)行診斷，自動(dòng)采集圖像并給出結(jié)果及其概率值，準(zhǔn)確性可高達(dá)87%?？偟膩?lái)說(shuō)，該系統(tǒng)大幅減輕了醫(yī)生工作量，提升了影像診斷的精準(zhǔn)性，既可節(jié)約醫(yī)療資源及社會(huì)成本，又可支持國(guó)家分級(jí)診療醫(yī)改戰(zhàn)略，但由于智能程序潛在的不穩(wěn)定性及運(yùn)算錯(cuò)誤，同時(shí)考量到醫(yī)學(xué)的發(fā)展與進(jìn)步，如何安全有效在工作中使用甚至推廣該類(lèi)AI產(chǎn)品仍需進(jìn)一步探索。

3 前景與局限

隨著醫(yī)院管理信息化和智能化水平的不斷提高，AI與醫(yī)療行業(yè)的結(jié)合已是未來(lái)醫(yī)療發(fā)展的必然方向。2017年2月17日，國(guó)家衛(wèi)生和計(jì)劃生育委員委發(fā)布了2017版“人工智能輔助診斷技術(shù)管理規(guī)范”及“人工智能輔助診斷技術(shù)臨床應(yīng)用質(zhì)量控制指標(biāo)”，提示AI已經(jīng)真正開(kāi)始走入臨床工作并引起相關(guān)部門(mén)重視，但這是一個(gè)多學(xué)科交叉合作的過(guò)程，需要廣大高水平專科醫(yī)生積極參與，提供高質(zhì)量數(shù)據(jù)集訓(xùn)練AI，并為保障相關(guān)應(yīng)用的準(zhǔn)確性和穩(wěn)定性進(jìn)一步完善評(píng)估方案。

AI在醫(yī)療領(lǐng)域的應(yīng)用已有相對(duì)成熟的系統(tǒng)如“沃森(IBM公司)”作為參考，由于醫(yī)學(xué)影像領(lǐng)域的特殊性，例如數(shù)據(jù)特征、人文交互少等，AI的應(yīng)用阻力相對(duì)較小，國(guó)內(nèi)外涉及圖像區(qū)域分割、圖像目標(biāo)檢測(cè)、圖像配準(zhǔn)等多個(gè)領(lǐng)域的研究也逾漸火熱，相關(guān)模型以深度學(xué)習(xí)為主，結(jié)合機(jī)器學(xué)習(xí)多種方法，其發(fā)展對(duì)科研和臨床的助力不可小覷，但由于不同組織變異性大，邊界模糊，微細(xì)血管神經(jīng)分布復(fù)雜等原因，通常僅針對(duì)某一特定器官或疾病，多種類(lèi)型方法結(jié)合與改進(jìn)使用以便相互彌補(bǔ)算法缺陷，尚未有普適的方法可以對(duì)任意一張超聲聲像圖進(jìn)行解析[21]。

關(guān)于AI是否會(huì)取代醫(yī)生的問(wèn)題，應(yīng)基于AI應(yīng)用于超聲診斷需要完成兩項(xiàng)基本任務(wù)，即掃查和讀片進(jìn)行分析。目前更多研究集中于讀片場(chǎng)景的應(yīng)用，而針對(duì)患者的操作掃查研究，有學(xué)者提出可用一個(gè)計(jì)算機(jī)控制的機(jī)械臂控制探頭的位置和角度進(jìn)行不同標(biāo)準(zhǔn)切面的掃查，根據(jù)高矮胖瘦不一，機(jī)械臂借助一些輔助參數(shù)和標(biāo)記部位精確調(diào)整掃查圖像的位置和范圍從而得到標(biāo)準(zhǔn)切面圖像[22]。但是實(shí)際工作中，一個(gè)超聲診斷臨床決策的實(shí)現(xiàn)往往要結(jié)合多個(gè)切面、直接與間接征象以及臨床信息的分析，這樣的能力或許需要到強(qiáng)AI階段才能實(shí)現(xiàn)。

一種新藥從研發(fā)到推廣應(yīng)用至少需要經(jīng)過(guò)3個(gè)階段，表明醫(yī)療創(chuàng)新實(shí)例往往需要面臨更高的門(mén)檻，這主要是由于醫(yī)療行業(yè)的預(yù)防原則所致。AI亦是如此，其需要經(jīng)歷大量的測(cè)試，測(cè)試越多，暴露的信息與問(wèn)題越多，繼而越能夠預(yù)測(cè)后續(xù)可能產(chǎn)生的風(fēng)險(xiǎn)，同時(shí)考慮到法律法規(guī)、民眾接受度以及潛在的醫(yī)療事故背后相應(yīng)的權(quán)責(zé)等問(wèn)題，在大量測(cè)試后AI能否切實(shí)應(yīng)用于實(shí)際工作尚未可知，而如果AI能夠代替醫(yī)生完成大部分工作，醫(yī)生就可將工作重心放在臨床決策的審核及科學(xué)研究方面，這一應(yīng)用將解放醫(yī)生們的生產(chǎn)力，使醫(yī)生更加具有創(chuàng)新動(dòng)力，為?？瓢l(fā)展帶來(lái)裨益！