人工智能在醫(yī)學(xué)影像CAD中的應(yīng)用

潘亞玲 王晗琦 陸 勇*

“人工智能”（artificial intelligence,AI）術(shù)語在1956年達(dá)特茅斯學(xué)院研討會上首次被提出并采用[1]，其通過模擬人腦的邏輯思維、學(xué)習(xí)記憶及推理過程，旨在制造一種輔以最簡化人工操控就能以人腦類似的方式進(jìn)行思考和反應(yīng)的智能系統(tǒng)[2]。深度學(xué)習(xí)（deep learning,DL）是當(dāng)前最具應(yīng)用前景的機(jī)器學(xué)習(xí)（machine learning,ML）算法，是革新AI+醫(yī)學(xué)影像即計(jì)算機(jī)輔助診斷 （computer aided diagnosis,CAD）的關(guān)鍵技術(shù)。本文擬介紹一些基本的ML方法和算法，并對基于DL的CAD研究進(jìn)展予以綜述。

1 ML

ML是AI的子集，能夠憑借經(jīng)驗(yàn)學(xué)習(xí)識別和預(yù)測新數(shù)據(jù)，分為有監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)及強(qiáng)化學(xué)習(xí)三類[3]。有監(jiān)督學(xué)習(xí)用帶標(biāo)記的數(shù)據(jù)訓(xùn)練模型，適于分類、回歸問題，但所需訓(xùn)練數(shù)據(jù)多，人工添加標(biāo)記耗時(shí)長且費(fèi)用高。無監(jiān)督學(xué)習(xí)不必人工標(biāo)記訓(xùn)練數(shù)據(jù)，訓(xùn)練期間無指導(dǎo)分類正誤的反饋信號且不知數(shù)據(jù)將被歸為哪幾類，是一種更貼近人腦學(xué)習(xí)的ML。強(qiáng)化學(xué)習(xí)介于兩者之間，不直接反饋正誤信號而是給予獎(jiǎng)懲措施，反復(fù)訓(xùn)練模型，動(dòng)態(tài)調(diào)整參數(shù)，直到分類準(zhǔn)確度最大化為止。傳統(tǒng)的ML算法如支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)、貝葉斯網(wǎng)絡(luò)、決策樹、K-最近鄰、自適應(yīng)增強(qiáng)、隨機(jī)森林、模糊邏輯及聚類等[4]，均依靠人工經(jīng)驗(yàn)淺層提取簡單特征如線條、顏色等。DL規(guī)避了傳統(tǒng)學(xué)習(xí)算法對人工定義、提取特征的依賴，自動(dòng)提取立體、抽象的深層特征，實(shí)現(xiàn)端到端的特征學(xué)習(xí)[5]。DL神經(jīng)網(wǎng)絡(luò)是一種含多個(gè)隱含層的人工神經(jīng)網(wǎng)絡(luò)[6]，隱含層節(jié)點(diǎn)數(shù)過多，訓(xùn)練時(shí)間延長，泛化能力降低。當(dāng)各類別訓(xùn)練數(shù)據(jù)不平衡時(shí)，預(yù)測結(jié)果會偏向樣本量多的類別，出現(xiàn)過擬合問題[3]。擴(kuò)充數(shù)據(jù)量、選擇適當(dāng)隱含層節(jié)點(diǎn)數(shù)、減小模型復(fù)雜度、降維、權(quán)值衰減及數(shù)據(jù)增強(qiáng)有利于避免過擬合[7]。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network,CNN）是一種特殊的深度神經(jīng)網(wǎng)絡(luò)，由卷積層、池化層、全連接層構(gòu)成，卷積層稀疏化局部連接和權(quán)值共享大幅度減少參數(shù)數(shù)量，而池化層下調(diào)對輸入值擾動(dòng)的敏感性，提升模型的魯棒性[8]。根據(jù)CNN各層的層數(shù)和性質(zhì)，將其分為不同的網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)。近年來，遷移學(xué)習(xí)（transfer learning,TL）沖破訓(xùn)練數(shù)據(jù)量對ML的長期禁錮，實(shí)現(xiàn)自然圖像與醫(yī)學(xué)圖像模型間及同成像技術(shù)不同疾病或同疾病不同成像技術(shù)模型間權(quán)重參數(shù)的轉(zhuǎn)移[9-10]。TL不是從零開始訓(xùn)練網(wǎng)絡(luò)，而是以前饋方式修正被其他數(shù)據(jù)訓(xùn)練過的模型的低網(wǎng)絡(luò)層權(quán)重，再用現(xiàn)有數(shù)據(jù)訓(xùn)練調(diào)整高網(wǎng)絡(luò)層權(quán)重[9]。結(jié)合TL訓(xùn)練CNN可以縮短訓(xùn)練時(shí)間，降低對數(shù)據(jù)量和處理器的要求，提高診斷準(zhǔn)確性[10]。

2 CAD

數(shù)以萬計(jì)的影像數(shù)據(jù)為AI在醫(yī)學(xué)影像中的發(fā)展創(chuàng)造了良好條件。為提升影像診斷的準(zhǔn)確性和時(shí)效性，減輕醫(yī)生高負(fù)荷工作強(qiáng)度，避免誤診晚診對病人造成不良臨床結(jié)局，CAD應(yīng)運(yùn)而生。截至目前針對不同疾病國內(nèi)外開發(fā)了各種成像技術(shù)的CAD，主要涉及肺、乳腺、心臟、顱腦、肝臟、前列腺、骨骼等部位。

2.1 肺多數(shù)關(guān)于肺CAD的研究是對胸部X線和CT上的肺結(jié)節(jié)和肺間質(zhì)性病變進(jìn)行檢測。由于肺紋理、肋骨及鎖骨對病灶的遮擋，應(yīng)用胸部X線CAD時(shí)易漏診肺小結(jié)節(jié)，故消除骨性結(jié)構(gòu)干擾能夠增加肺結(jié)節(jié)檢出數(shù)量。Yang等[11]使用拓?fù)浣Y(jié)構(gòu)為CamsNet的級聯(lián)結(jié)構(gòu)深度CNN抑制骨組織，在約0.194 mm像素大小的胸片上平均骨抑制率達(dá)83.8%，能夠生成高質(zhì)量、高分辨率的胸部軟組織影像。與X線不同，CT有良好的密度分辨力及消除解剖結(jié)構(gòu)重疊的斷層作用，可清晰顯示病灶及其毗鄰結(jié)構(gòu)，但斷層影像內(nèi)肺小結(jié)節(jié)與血管斷面的形態(tài)特征和灰度分布相似，故利用CAD鑒別兩者，濾除假陽性結(jié)節(jié)，是優(yōu)化CT對肺結(jié)節(jié)CAD的關(guān)鍵[12]。近年來，CNN在肺非實(shí)性結(jié)節(jié)檢測上有突破性進(jìn)展。Ciompi等[13]提出的多流多尺度CNN對肺部結(jié)節(jié)（實(shí)性結(jié)節(jié)、非實(shí)性結(jié)節(jié)、部分實(shí)性結(jié)節(jié)、鈣化結(jié)節(jié)、葉間裂周圍結(jié)節(jié)、分葉狀結(jié)節(jié)）CT預(yù)測結(jié)果和醫(yī)生診斷結(jié)果的一致性，與2名醫(yī)生間診斷結(jié)果的一致性相近；尺度為3的CNN和醫(yī)生識別各類型肺結(jié)節(jié)的平均準(zhǔn)確度為69.6%，而2名醫(yī)生識別各類型肺結(jié)節(jié)的平均準(zhǔn)確度為72.9%，此研究發(fā)現(xiàn)適度增大CNN尺度有利于分辨不同類型的肺結(jié)節(jié)和血管斷面。除肺結(jié)節(jié)外，針對肺間質(zhì)性病變的CAD也是目前的研究熱點(diǎn)。Anthimopoulos等[7]設(shè)計(jì)的基于CNN的CT肺間質(zhì)性病變CAD，將肺間質(zhì)影像表現(xiàn)分為正常、磨玻璃影、微小結(jié)節(jié)、實(shí)變影、網(wǎng)格影、蜂窩狀影、磨玻璃網(wǎng)格影，平均分類準(zhǔn)確度為85.61%，但CNN易混淆網(wǎng)格影、蜂窩狀影及磨玻璃網(wǎng)格影，尚不能良好分辨紋理特征類似的肺間質(zhì)性病變。Christodoulidis等[10]嘗試借助多源遷移學(xué)習(xí)方法訓(xùn)練CNN，將各數(shù)據(jù)源訓(xùn)練的不同CNN的權(quán)重參數(shù)匯成一個(gè)權(quán)重參數(shù)集，再訓(xùn)練集合各權(quán)重參數(shù)的CNN，使CNN分類肺間質(zhì)性病變的平均準(zhǔn)確率提升2%。Shin等[14]發(fā)現(xiàn)留一法交叉驗(yàn)證能顯著提高拓?fù)浣Y(jié)構(gòu)為AlexNet-TL和GoogLeNet-TL的CNN對正常、肺氣腫、磨玻璃影、纖維化、微小結(jié)節(jié)等肺間質(zhì)性病變的分類準(zhǔn)確度，與五折交叉驗(yàn)證相比，留一法將AlexNet-TL和GoogLeNet-TL分類準(zhǔn)確度分別由0.46、0.57提升至0.867、0.902，但其計(jì)算量也大幅度增加。

2.2 乳腺自2008年開始，美國醫(yī)保人群中約74%的鉬靶影像采用了傳統(tǒng)乳腺鉬靶CAD系統(tǒng)。Lehman等[15]報(bào)道107名醫(yī)生在使用傳統(tǒng)CAD前后對乳腺癌檢出的敏感度和特異度均無顯著性差異，表明乳腺癌高危人群未能從傳統(tǒng)乳腺鉬靶CAD中獲益。近年來，基于CNN的乳腺鉬靶CAD在致密型乳腺中檢出乳腺癌的準(zhǔn)確度有所提升。Al-Masni等[16]研發(fā)的乳腺鉬靶CAD通過深度CNN提取病灶特征，全連接神經(jīng)網(wǎng)絡(luò)預(yù)測病灶良惡性，其判斷乳腺腫塊位置和良惡性的準(zhǔn)確度分別為99.7%和97%，對胸肌附近及腺體高密度區(qū)域的腫塊檢出有獨(dú)特優(yōu)勢。乳腺結(jié)構(gòu)類型和腺體密度影響CAD對乳腺病變的檢出，與歐美女性不同，我國女性以小乳房、致密型乳腺為主，因此有必要建立我國女性的標(biāo)準(zhǔn)乳腺鉬靶數(shù)據(jù)庫，研發(fā)適合中國女性的乳腺鉬靶CAD。當(dāng)缺乏乳腺鉬靶標(biāo)記數(shù)據(jù)時(shí)，結(jié)合遷移學(xué)習(xí)能夠取得較好的分類效果。Chougrad等[17]發(fā)現(xiàn)ImageNet預(yù)訓(xùn)練賦值的CNN分類乳腺腫塊的準(zhǔn)確度明顯高于隨機(jī)初始化賦值的CNN。除乳腺腫塊外，DL可用于鉬靶乳腺動(dòng)脈鈣化檢測，評估冠心病發(fā)病風(fēng)險(xiǎn)[18]。CNN有助于解決動(dòng)態(tài)增強(qiáng)MRI上乳腺脂肪和纖維腺體組織的分割問題。Dalm等[19]用拓?fù)浣Y(jié)構(gòu)為3CU-net的CNN分割乳腺脂肪、纖維腺體及非乳腺組織的平均Dice系數(shù)為0.933，基于3C U-net與手動(dòng)分割結(jié)果測量的乳腺密度相關(guān)性為0.974，表明3CU-net可以較好地分割MRI乳腺纖維腺體，有利于乳腺密度評估和乳腺纖維腺體類型判斷。

2.3 心臟 心臟MRICAD研究主要是自動(dòng)分割左心室以測量左室容積、射血分?jǐn)?shù)、室壁厚度等指標(biāo)[3]。心臟運(yùn)動(dòng)偽影、心室腔信號不均、心尖影像分辨力低、心腔信號和形狀具有個(gè)體差異使得精準(zhǔn)分割左心室較難。Avendi等[20]聯(lián)合CNN與形變模型在MRI左室短軸切面自動(dòng)分割左心室，CNN檢測定位左室腔，棧式自編碼器勾畫左室形狀，以左心室形狀參數(shù)為形變模型初始化值，有效抑制輪廓回縮和邊界泄露，分割左心室的Dice系數(shù)為0.94。心臟超聲CAD研究包括超聲心動(dòng)圖標(biāo)準(zhǔn)觀察切面自動(dòng)識別、切面組織結(jié)構(gòu)定位及分割。標(biāo)準(zhǔn)觀察切面自動(dòng)識別是心臟超聲CAD評測心臟結(jié)構(gòu)和功能的基礎(chǔ)。Madani等[21]使用不同型號超聲設(shè)備采集的超聲心動(dòng)圖訓(xùn)練的CNN，識別12個(gè)二維標(biāo)準(zhǔn)觀察切面和各1個(gè)M型、脈沖多普勒及連續(xù)多普勒標(biāo)準(zhǔn)觀察切面的平均準(zhǔn)確度為98%，顯示CNN能夠較準(zhǔn)確地識別多個(gè)超聲心動(dòng)圖標(biāo)準(zhǔn)觀察切面。

2.4 顱腦 顱腦CAD研究主要包括MRI用于神經(jīng)膠質(zhì)瘤的分級、阿爾茨海默病（Alzheimer’s disease，AD）與輕度認(rèn)知障礙的鑒別、精神分裂癥的診斷。低、高級別神經(jīng)膠質(zhì)瘤的治療方案和臨床預(yù)后不同，有效鑒別兩者對臨床決策制定有重要價(jià)值。腦膠質(zhì)瘤的形態(tài)多變，瘤周水腫和腫瘤占位效應(yīng)易致鄰近組織結(jié)構(gòu)移位扭曲，造成定位分割腦膠質(zhì)瘤的難度增高。Pereira等[22]使用CNN分割腦膠質(zhì)瘤，通過多位點(diǎn)采樣數(shù)據(jù)增強(qiáng)，3×3小卷積核減少權(quán)重?cái)?shù)量，分割瘤體+瘤周水腫、瘤體、瘤強(qiáng)化區(qū)的Dice系數(shù)分別為0.88、0.83、0.77，并發(fā)現(xiàn)CNN對識別分割周圍結(jié)構(gòu)移位扭曲的腦膠質(zhì)瘤有優(yōu)勢。Hsieh等[23]發(fā)現(xiàn)通過增強(qiáng)T1WI識別膠質(zhì)瘤時(shí)結(jié)合局部和全局影像特征，可以提高CAD對膠質(zhì)瘤分級的準(zhǔn)確率。多數(shù)研究通過量化MRI各腦區(qū)皮質(zhì)厚度、容積、形狀來開發(fā)AD的CAD[24]。FDG-PET能顯示靜息狀態(tài)下特定腦區(qū)葡萄糖代謝水平，從而揭示AD的特異性改變，將MRI和FDG-PET影像特征相結(jié)合，有利于增加CAD對AD檢測的敏感度。Lu等[24]聯(lián)合T1WI和FDG-PET訓(xùn)練的多模態(tài)多尺度深度神經(jīng)網(wǎng)絡(luò)識別1～3年內(nèi)與3年進(jìn)展為AD的輕度認(rèn)知障礙病人的準(zhǔn)確度分別為86.4%、82.4%，其識別臨床疑診為AD病人的敏感度為94.23%，識別非癡呆人群的特異度為86.3%。精神分裂癥與廣泛的腦功能連接障礙有關(guān)，CAD通過分析功能MRI腦功能連接的變化診斷精神分裂癥。Zeng等[25]報(bào)道的稀疏約束深度判別式自編碼網(wǎng)絡(luò)能夠發(fā)現(xiàn)精神分裂癥病人的皮質(zhì)-紋狀體-小腦回路調(diào)節(jié)異常，識別高維神經(jīng)影像上的微小隱藏圖案，跨多個(gè)獨(dú)立影像位點(diǎn)預(yù)測精神分裂癥。

2.5 肝臟 肝臟CAD研究主要是基于動(dòng)態(tài)增強(qiáng)CT和MRI分類肝臟腫塊，診斷肝細(xì)胞癌。Yasaka等[26]將肝臟腫塊分為A-E 5類：A典型肝癌；B除典型和早期肝癌外的惡性腫瘤；C不確定性腫塊或腫塊樣病變包括早期肝癌和增生結(jié)節(jié)及除血管瘤和囊腫外的肝良性腫塊；D肝血管瘤；E囊腫。CNN由6個(gè)卷積層、3個(gè)最大池化層及3個(gè)全連接層構(gòu)成，三相（平掃+動(dòng)脈+延遲期）CNN、雙相（動(dòng)脈+延遲期）CNN、平掃相CNN、動(dòng)脈相CNN、延遲相CNN鑒別A-B與C-E類腫塊的受試者操作特征曲線下面積（AUC）分別為 0.92、0.88、0.61、0.78、0.81，三相 CT影像訓(xùn)練的CNN識別準(zhǔn)確度明顯高于單、雙相CT影像訓(xùn)練的CNN，三相CNN檢測5類腫塊的敏感度分別為71%、33%、94%、90%、100%，顯示 CNN檢測肝囊腫、肝血管瘤的敏感度高，對其他類型腫塊的檢測敏感度相對較低。Kim等[27]參照肝臟影像報(bào)告及數(shù)據(jù)系統(tǒng)設(shè)計(jì)的CAD可以分割識別動(dòng)態(tài)增強(qiáng)MRI上的肝臟腫塊，測量腫塊大小，判斷腫塊有無包膜和廓清表現(xiàn)，CAD與醫(yī)生對76%～83%肝臟腫塊的診斷結(jié)果一致，而醫(yī)生對78%的肝臟腫塊診斷結(jié)果一致，CAD與醫(yī)生對肝細(xì)胞癌風(fēng)險(xiǎn)評估有較好的一致性。

2.6 前列腺 MRI是前列腺癌特異性抗體升高病人術(shù)前診斷和評估的常規(guī)檢查方法。T2WI、擴(kuò)散加權(quán)成像（DWI）、動(dòng)態(tài)增強(qiáng)（DCE）MRI是前列腺癌多參數(shù) MRI （multiple parameters MRI，mp-MRI）CAD研究的主要序列，少數(shù)研究同時(shí)加用磁共振波譜（MRS）和擴(kuò)散張量成像（DTI）序列[28]。 目前商用的前列腺癌mp-MRICAD的診斷效能較低。經(jīng)臨床評估發(fā)現(xiàn)，近期商用的前列腺癌C AD（W atson ElementaryTM）[29]檢測前列腺癌的敏感度為46.81%，特異度為75.44%，MRI設(shè)備和成像配置會影響CAD對前列腺癌的檢出。當(dāng)病灶直徑≥10 mm或Gleason積分＞6，醫(yī)生使用mp-MRICAD后，對前列腺癌診斷的敏感度增高而特異度差異無統(tǒng)計(jì)學(xué)意義[28]。ImageNet預(yù)訓(xùn)練的深度CNN在T2WI橫斷面上識別前列腺癌、前列腺炎和良性前列腺增生的準(zhǔn)確度明顯高于基于尺度不變特征變換和詞袋模型的CAD[4]。

2.7 骨骼 骨骼CAD研究主要涉及膝關(guān)節(jié)骨性關(guān)節(jié)炎和脊柱關(guān)節(jié)炎診斷、脊柱椎體定位排序、骨齡預(yù)測及骨肉瘤自動(dòng)分割。Tiulpin等[30]報(bào)道的基于膝關(guān)節(jié)X線的深度連體CNN識別膝關(guān)節(jié)骨性關(guān)節(jié)炎的AUC為0.93，其根據(jù)Kellgren-Lawrence分級提供反映膝關(guān)節(jié)骨性關(guān)節(jié)炎嚴(yán)重程度的示意圖，間接指出DL的分類依據(jù)，初步解釋了DL過程。Griffith等[31]發(fā)現(xiàn)與肉眼評估相比，CAD能夠定量分析強(qiáng)直性脊柱炎活動(dòng)期MRI椎體骨髓水腫和強(qiáng)化信號，有利于識別脊柱關(guān)節(jié)炎活動(dòng)期和評估炎癥反應(yīng)程度。Forsberg等[6]利用DL方法在T1WI、T2WI正中矢狀面上自動(dòng)檢測和標(biāo)記排序頸腰椎椎體的平均準(zhǔn)確度為99.6%～100%和96.0%～97.0%，標(biāo)記排序出錯(cuò)的椎體多為第一骶椎和正中矢狀面顯示不完整的椎體，DL自動(dòng)標(biāo)記排序椎體的準(zhǔn)確度較高，有望幫助醫(yī)生對椎體病變快速定位。青少年骨齡自動(dòng)預(yù)測是骨肌CAD研究最熱門的方向。Lee等[5]運(yùn)用LeNet-5和ImageNet預(yù)訓(xùn)練的GoogLeNet TL網(wǎng)絡(luò)實(shí)現(xiàn)骨齡全自動(dòng)化預(yù)測和自動(dòng)結(jié)構(gòu)化骨齡報(bào)告生成，預(yù)測5～18歲女性和男性骨齡的準(zhǔn)確度分別為57.32%、61.40%，與G-P圖譜法人工閱片的興趣區(qū)相比，提供的注意圖顯示青春期前CNN預(yù)測骨齡的識別部位主要在腕部和指骨中遠(yuǎn)端，青春期多位于指骨，青春期后則在腕部。近來，關(guān)于CT影像骨肉瘤自動(dòng)分割有了新進(jìn)展。Huang等[32]提出的多監(jiān)督全卷積神經(jīng)網(wǎng)絡(luò)骨肉瘤分割算法，采用多個(gè)特征通道上采樣，提取影像局部和全局特征，在CNN內(nèi)加入有監(jiān)督的邊輸出層指導(dǎo)網(wǎng)絡(luò)學(xué)習(xí)多尺度特征，其分割CT骨肉瘤的Dice系數(shù)和敏感度分別為87.80%、86.88%，分割效果優(yōu)于U-net、全卷積網(wǎng)絡(luò)、整體嵌套邊緣檢測，且對混合型骨肉瘤分割有一定優(yōu)勢。

3 病理學(xué)

病理學(xué)的DL研究包括有絲分裂檢測和計(jì)數(shù)、個(gè)體細(xì)胞識別和分割、膠質(zhì)瘤分級、上皮和基質(zhì)分割、原發(fā)性乳腺癌檢測、前列腺癌診斷等[33]。近來，DL在乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測方面取得了突破性進(jìn)展。Ehteshami等[34]模擬臨床病理切片診斷過程，將32種乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測DL算法與病理醫(yī)生診斷結(jié)果比較，有5種DL算法和無閱片時(shí)間限制的病理醫(yī)生檢測前哨淋巴結(jié)轉(zhuǎn)移的AUC分別為0.960、0.966，差異無統(tǒng)計(jì)學(xué)意義；GoogLeNet（研究代碼為HMS和MITⅡ）檢測前哨淋巴結(jié)轉(zhuǎn)移的準(zhǔn)確度顯著高于11名限定于2 h內(nèi)完成閱片的病理醫(yī)生，前者AUC為0.994，后者最高為0.884，其在乳腺癌前哨淋巴結(jié)轉(zhuǎn)移檢測任務(wù)中表現(xiàn)突出。盡管DL方法對前哨淋巴結(jié)微轉(zhuǎn)移和宏轉(zhuǎn)移的檢出率高，但對孤立乳腺癌細(xì)胞的識別率低[33]。Litjens等[33]使用全卷積神經(jīng)網(wǎng)絡(luò)CAD在沒有漏診前哨淋巴結(jié)轉(zhuǎn)移的情況下，成功篩除了44%的陰性切片，基于CNN的數(shù)字化病理切片CAD有望在人工判讀之前，正確排除陰性切片，減少醫(yī)生閱片數(shù)量。

4 小結(jié)與展望

多數(shù)研究致力于通過DL方法不斷提升CAD對單臟器特定病變識別和分類的準(zhǔn)確度。部分研究報(bào)道基于DL的CAD對單臟器特定病變的診斷準(zhǔn)確度不低于甚至高于人工閱片[13，30，34]。臨床上影像醫(yī)生對首診病人要描述（包括定位、定性）其掃描所見范圍內(nèi)所有臟器和組織的全部異常表現(xiàn)，對確診的惡性疾病病人要觀察其鄰近組織和臟器受累情況從而確定疾病臨床分期，因此針對單臟器特定病變的CAD與實(shí)際影像診斷要求存在出入。為實(shí)現(xiàn)AI研究成果臨床轉(zhuǎn)化，CAD研究應(yīng)逐步向多臟器全病種CAD方向過渡。DL特別是CNN在圖像識別和分類方面蘊(yùn)藏巨大潛力[34]。DL的泛化學(xué)習(xí)能力可能會加速多臟器全病種不同成像模式CAD的發(fā)展，有望幫助影像醫(yī)生精確快速地診斷疾病和自動(dòng)生成結(jié)構(gòu)化影像報(bào)告。不斷克服過擬合問題，建立高質(zhì)量標(biāo)注的影像數(shù)據(jù)庫，豐富DL理論，攻克DL建模難題，破解DL黑箱之謎，努力推動(dòng)AI向前發(fā)展[8]。相信在不久的將來，AI必將改變現(xiàn)有影像診斷模式，可與影像醫(yī)生共同攜手邁向精準(zhǔn)影像診斷時(shí)代。