人工智能在醫(yī)學(xué)影像組學(xué)中的應(yīng)用

韋凌宇

（山東第一醫(yī)科大學(xué)，山東 泰安）

1 影像組學(xué)工作流程

目前公認(rèn)的影像組學(xué)標(biāo)準(zhǔn)化工作流程主要分以下四步[6]。

1.1 標(biāo)準(zhǔn)圖像的獲取

醫(yī)療影像圖像的采集與重建是影像組學(xué)工作的基礎(chǔ)，由于圖像預(yù)處理方法、像素、層厚等條件的不同，圖像特征會(huì)有很大的差別，不同醫(yī)院的掃描設(shè)備及掃描參數(shù)不同，導(dǎo)致影像數(shù)據(jù)特征的提取也有很大的差別，這就對(duì)影像組學(xué)的發(fā)展提出了挑戰(zhàn)[7-9]。統(tǒng)一影像標(biāo)準(zhǔn)是影像組學(xué)分析的首要任務(wù)，也是影像組學(xué)研究的關(guān)鍵環(huán)節(jié)之一，因此，無(wú)論使用何種影像設(shè)備，都必須采用統(tǒng)一的成像方法和處理方法，以保證獲取標(biāo)準(zhǔn)化影像，而 CT影像是最直接、最容易進(jìn)行比對(duì)的影像資料，因而也是目前影像組學(xué)研究中最常用的影像方法。

1.2 ROI的分割

ROI即為影像組學(xué)分析的目標(biāo)區(qū)域，一般是指感興趣區(qū)。ROI分割是對(duì)圖像進(jìn)行特征獲取的前提，其分割精度將直接影響影像組學(xué)研究的準(zhǔn)確性，穩(wěn)定且精確的分割方法是獲取穩(wěn)定影像特征的重要前提[10]。圖像分割技術(shù)包括人工手動(dòng)分割、半自動(dòng)分割和自動(dòng)分割。目前人工分割一般被用來(lái)作為分割的金標(biāo)準(zhǔn)，精度高。但可重復(fù)性較低，耗時(shí)耗力，效率過(guò)低。而且不同人之間的主觀差異對(duì)分割結(jié)果影響較大。自動(dòng)或半自動(dòng)分割算法分割速度快且具有較好的重復(fù)性。目前比較常用的自動(dòng)分割算法有閾值法、區(qū)域生長(zhǎng)法、圖像切割法、動(dòng)態(tài)輪廓法等，不同的算法各有其利弊[11]。

1.3 影像特征提取

影像組學(xué)定量分析醫(yī)學(xué)影像特征時(shí)，不僅可以提取可視化的特征，例如基于CT圖像提取的傳統(tǒng)特征[12]；還可以進(jìn)一步提取不可視的特征，主要包括形態(tài)特征、強(qiáng)度特征和紋理特征等。形態(tài)特征包括ROI的形狀、體積、表面積與體積比等指標(biāo)，強(qiáng)度特征則例如平均強(qiáng)度、強(qiáng)度方差等；這些不可視特征可定量描述病變的異質(zhì)性。隨著圖像處理技術(shù)的發(fā)展，可得到大數(shù)據(jù)量的特征，需要對(duì)所得的特征進(jìn)行篩選，選取合適的特征進(jìn)行下一步處理，才能挖掘這些特征所具有的真正臨床價(jià)值。

1.4 影像組學(xué)預(yù)測(cè)模型的建立與應(yīng)用

研究影像組學(xué)的最終目的是建立臨床反應(yīng)的預(yù)測(cè)模型指導(dǎo)臨床診療。在一般情況下，影像組學(xué)的特征數(shù)據(jù)分為實(shí)驗(yàn)數(shù)據(jù)和驗(yàn)證數(shù)據(jù)兩部分。實(shí)驗(yàn)數(shù)據(jù)和臨床信息如患者的患病史、病理診斷、治療效果、臨床不良反應(yīng)的發(fā)生等臨床信息進(jìn)行綜合考慮，使用機(jī)器學(xué)習(xí)、高等統(tǒng)計(jì)學(xué)方法等對(duì)數(shù)據(jù)進(jìn)行深度挖掘，建立臨床反應(yīng)的診斷或預(yù)測(cè)模型。驗(yàn)證數(shù)據(jù)則被用來(lái)驗(yàn)證上述模型在臨床中的準(zhǔn)確性，最終選取高精度模型從而達(dá)到對(duì)疾病的治療、預(yù)后和療效評(píng)估的目的[13]。目前可應(yīng)用的模型既包括經(jīng)典的 Logistic 回歸模型，也包括人工智能新模型，如人工神經(jīng)網(wǎng)絡(luò)、隨機(jī)森林、支持向量機(jī)、聚類(lèi)分析、卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)、深度神經(jīng)網(wǎng)絡(luò)等模型，不同的建模方法各有其優(yōu)缺點(diǎn)，因此Lambin等[2]提出了對(duì)影像組學(xué)質(zhì)量進(jìn)行評(píng)分的標(biāo)準(zhǔn)，提高了模型的實(shí)用性。在基于影像組學(xué)進(jìn)行預(yù)測(cè)模型建立時(shí)，多醫(yī)療機(jī)構(gòu)的數(shù)據(jù)共享形成的大數(shù)據(jù)可以幫助獲取更加理想的結(jié)果[14]。

2 人工智能的提出

1956年，“人工智能”概念第一次出現(xiàn)在著名的達(dá)特茅斯會(huì)議中，標(biāo)志著這個(gè)新興學(xué)科的正式誕生[15]。人工智能（artificial intelligence，AI）是一門(mén)研究計(jì)算機(jī)模擬人的特定思維過(guò)程和智能行為的學(xué)科，它代表著當(dāng)今科技發(fā)展的一個(gè)典型，它通過(guò)與眾多學(xué)科和行業(yè)的交叉研究，對(duì)當(dāng)今科技發(fā)展和社會(huì)生產(chǎn)生活方式的變化產(chǎn)生了重大影響。伴隨著算法、算力和大數(shù)據(jù)的發(fā)展，人工智能，特別是機(jī)器學(xué)習(xí)，得到了飛速的發(fā)展，其精度也在不斷提高。作為機(jī)器學(xué)習(xí)的一個(gè)領(lǐng)域，深度學(xué)習(xí)得到了迅速發(fā)展。深度學(xué)習(xí)網(wǎng)絡(luò)將機(jī)器的認(rèn)知能力提升到了一個(gè)前所未有的高度，具有多種人工智能技能。以深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)為基礎(chǔ)的計(jì)算機(jī)視覺(jué)系統(tǒng)在2015年 ImageNet 1000挑戰(zhàn)中首次超過(guò)了人類(lèi)專(zhuān)家對(duì)圖像識(shí)別進(jìn)行分類(lèi)的能力[16]。隨著人工智能的高速發(fā)展，醫(yī)學(xué)影像與人工智能相結(jié)合已成為最具發(fā)展前景的產(chǎn)業(yè)。所以基于 AI的智能醫(yī)學(xué)是當(dāng)前醫(yī)學(xué)發(fā)展的重要方向，而醫(yī)學(xué)影像人工智能則是目前 AI醫(yī)學(xué)中最重要的組成部分，是 AI與醫(yī)學(xué)結(jié)合的最佳切入點(diǎn)[17]。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)或循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural netword，RNN)，結(jié)合現(xiàn)在強(qiáng)大的計(jì)算能力和大數(shù)據(jù)訓(xùn)練出來(lái)的模型，在某些領(lǐng)域達(dá)到甚至超越了人類(lèi)專(zhuān)家的水平[18]。人工智能按照實(shí)現(xiàn)的能力可以分為3個(gè)層次：①弱人工智能(artificial narrow intelligence，ANI)，擅長(zhǎng)于單個(gè)方面或任務(wù)的人工智能；②強(qiáng)人工智能(artificial general intelligence，AGI)，是指在各方面都能模仿人類(lèi)行為甚至和人類(lèi)不相上下的人工智能；③超人工智能(artificial superintelligence，ASI)是指牛津哲學(xué)家及知名人工智能思想家Nick Bostrom定義的“在幾乎所有領(lǐng)域都比最聰明的人類(lèi)大腦都聰明很多的人工智能，包括科學(xué)創(chuàng)新、通識(shí)和社交技能”[19]。

由此看來(lái)，目前AI技術(shù)在某個(gè)方面超越人類(lèi)非常多，但其AI本身并不能像人一樣在多方面進(jìn)行思考，對(duì)各種情況進(jìn)行分析，也沒(méi)有自己成熟的意識(shí)。以DL為代表的新一代 AI技術(shù)結(jié)合下的醫(yī)學(xué)影像具有真正成熟應(yīng)用于臨床實(shí)踐的能力。當(dāng)今人工智能發(fā)展迅速，除 AI 新一代算法進(jìn)步和建構(gòu)模型的不斷優(yōu)化外,還與當(dāng)今醫(yī)學(xué)影像全面數(shù)字化而產(chǎn)生的大數(shù)據(jù)有著密不可分的影響。

3 基于AI對(duì)醫(yī)學(xué)影像組學(xué)發(fā)展的影響

從醫(yī)學(xué)影像組學(xué)的需求和發(fā)展來(lái)看,AI 醫(yī)學(xué)影像出現(xiàn)對(duì)臨床放射診斷實(shí)踐具有重要大的突破。醫(yī)學(xué)影像組學(xué)作為數(shù)字化醫(yī)療時(shí)代發(fā)展的代表學(xué)科,隨著高分辨薄層掃描、多模態(tài)成像為特點(diǎn)的影像設(shè)備和影像組學(xué)技術(shù)的高速發(fā)展,影像數(shù)據(jù)以每年30%的速度增長(zhǎng),占醫(yī)院數(shù)字化數(shù)據(jù)的90%[20],但同時(shí)導(dǎo)致臨床放射工作量的增加;而每年醫(yī)療資源和人力投入增長(zhǎng)遠(yuǎn)遠(yuǎn)不能滿(mǎn)足需求[21]?；贏I的醫(yī)學(xué)影像的出現(xiàn)時(shí)。AI技術(shù)可以利用高性能的圖像識(shí)別和計(jì)算能力、自我進(jìn)化學(xué)習(xí)能力以及持續(xù)穩(wěn)定工作的機(jī)器性能優(yōu)勢(shì),使用DL技術(shù)可實(shí)現(xiàn)高精度圖像重建，在過(guò)程中引入了先驗(yàn)信息或知識(shí)，使圖像質(zhì)量得到進(jìn)一步提升。在臨床工作的應(yīng)用中，醫(yī)學(xué)影像AI主要集中于計(jì)算機(jī)輔助檢測(cè)（computer-aided detection，CADe）、計(jì)算機(jī)輔助診斷（computer-aided diagnosis，CADx）和病情監(jiān)測(cè)3個(gè)方向[21-22]。

3.1 計(jì)算機(jī)輔助檢測(cè)

主要包括醫(yī)學(xué)影像后處理和病變檢測(cè)。醫(yī)學(xué)影像后處理技術(shù)主要包括器官、血管、病變分割和圖像可視化（曲面重建、三維容積重建等），而后服務(wù)于圖像的定量分析。該部分工作傳統(tǒng)上由臨床影像醫(yī)師在通用后處理工作站完成，因數(shù)據(jù)量較大，則在處理數(shù)據(jù)時(shí)較為費(fèi)時(shí)、費(fèi)力，而基于AI的醫(yī)學(xué)影像后處理技術(shù)，能大大提高影像后處理的效率。

3.2 計(jì)算機(jī)輔助診斷

是新一代 AI 與醫(yī)學(xué)影像結(jié)合的重要成果。腫瘤、心腦血管系統(tǒng)疾病、骨骼肌肉系統(tǒng)疾病是開(kāi)展 CADx 研究與臨床應(yīng)用的熱點(diǎn)方向。腫瘤性病變CADx應(yīng)用，特別在肺癌、乳腺癌、前列腺癌等疾病獲得了大量的關(guān)注，研究主要集中在良惡性鑒別、風(fēng)險(xiǎn)因素測(cè)量、預(yù)后判斷和治療指導(dǎo)等方面[30]。

3.3 計(jì)算機(jī)輔助病情監(jiān)測(cè)

AI對(duì)病情監(jiān)測(cè)的應(yīng)用越來(lái)越多，包括病情自然改變的檢測(cè)和對(duì)治療的反應(yīng)等。分析腫瘤倍增時(shí)間、實(shí)體瘤的療效評(píng)價(jià)標(biāo)準(zhǔn)等；而基于AI的監(jiān)測(cè)技術(shù)可以對(duì)病變的改變進(jìn)行多維度的精準(zhǔn)測(cè)量，為優(yōu)化臨床決策和治療等提供參考，良好體現(xiàn)AI 和醫(yī)學(xué)影像結(jié)合的優(yōu)勢(shì)。

國(guó)內(nèi)近兩年關(guān)于人工智能在醫(yī)學(xué)圖像的領(lǐng)域上對(duì)各個(gè)器官疾病診斷的模型都有研究和嘗試[23-24]，基于DL的人工智能應(yīng)用目前已經(jīng)覆蓋病灶檢測(cè)、病理診斷、放療規(guī)劃和術(shù)后預(yù)測(cè)等各臨床階段，以減輕臨床醫(yī)師的工作量。其中基于X線(xiàn)對(duì)肺部進(jìn)行篩查、針對(duì)乳腺癌進(jìn)行的乳腺鉬靶篩查；基于CT影像的肺結(jié)節(jié)檢測(cè)模型相對(duì)成熟，有較好的臨床表現(xiàn)。冠心病的智能化診斷模型也已初步成熟[31-34]可以自動(dòng)重建心臟、頸部及顱內(nèi)動(dòng)脈血管腦動(dòng)脈瘤檢出、腦出血定量測(cè)量等應(yīng)用研發(fā)，并對(duì)病變進(jìn)行定量測(cè)量，甚至部分已經(jīng)成為臨床工作中醫(yī)生不可分割的臨床診斷方式。

4 醫(yī)學(xué)影像AI臨床轉(zhuǎn)化的挑戰(zhàn)和展望

人工智能技術(shù)代表著人類(lèi)科技發(fā)展的前沿方向，同時(shí)人工智能技術(shù)和各個(gè)行業(yè)各個(gè)領(lǐng)域的融合度也在逐步提升。醫(yī)學(xué)和人工智能技術(shù)的融合已經(jīng)成為了必然趨勢(shì)，也成了推動(dòng)醫(yī)學(xué)進(jìn)步的一個(gè)重要突破口。影像科醫(yī)師應(yīng)該更客觀和積極地面對(duì)眼前的“機(jī)”與“遇”[25,30]。

4.1 更客觀、更現(xiàn)實(shí)地看待人工智能技術(shù)

當(dāng)前醫(yī)學(xué)影像 AI 的研究主要集中于單個(gè)疾病，甚至是單個(gè)疾病的特定類(lèi)型，這類(lèi)研究快速地產(chǎn)生了階段性成果，并為臨床醫(yī)療提供了一定的幫助。但人工智能技術(shù)尚處于初級(jí)階段，更多是圍繞某單一影像任務(wù)提出解決方案。而且深度神經(jīng)網(wǎng)絡(luò)這樣的技術(shù)手段想要進(jìn)行有效應(yīng)用，必須要完成海量數(shù)據(jù)訓(xùn)練，但是并非是任何一個(gè)病種均能夠滿(mǎn)足該條件與臨床工作場(chǎng)景還有很遠(yuǎn)的距離。

4.2 更嚴(yán)謹(jǐn)?shù)卦u(píng)估人工智能技術(shù)

目前各類(lèi)醫(yī)學(xué)影像挑戰(zhàn)賽成為新聞熱點(diǎn)，這些挑戰(zhàn)賽尚缺乏標(biāo)準(zhǔn)化、專(zhuān)業(yè)化設(shè)計(jì)，應(yīng)從臨床角度嚴(yán)格審視挑戰(zhàn)賽在研究與應(yīng)用兩方面的意義。所有的技術(shù)都是為任務(wù)服務(wù)的，首先是要解決任務(wù)，其次才應(yīng)尋找方法，DL技術(shù)只是其中一個(gè)方法，醫(yī)師與技術(shù)團(tuán)隊(duì)?wèi)?yīng)密切協(xié)作，深入探討臨床問(wèn)題，了解這項(xiàng)技術(shù)的優(yōu)勢(shì)與局限，更好服務(wù)于醫(yī)療。

4.3 以更廣闊的思路應(yīng)用人工智能技術(shù)

醫(yī)學(xué)影像不只應(yīng)用于診斷，許多臨床環(huán)節(jié)都涉及影像的分析與利用。人工智能技術(shù)也不只應(yīng)用于影像分析，深度神經(jīng)網(wǎng)絡(luò)能就不同模態(tài)的信息（如文本、語(yǔ)音）產(chǎn)出有價(jià)值的應(yīng)用成果。目前醫(yī)學(xué)影像和人工智能技術(shù)已經(jīng)走入了融合發(fā)展的新階段，人工智能在醫(yī)學(xué)影像中的應(yīng)用能夠明顯提升影像處理有效性和數(shù)據(jù)處理的精確度，不過(guò)在實(shí)際應(yīng)用當(dāng)中還需要進(jìn)一步優(yōu)化改進(jìn)，以擴(kuò)大應(yīng)用范圍。

4.4 醫(yī)學(xué)影像 AI 的政策支持及倫理考慮

國(guó)家對(duì)醫(yī)療AI高度支持，2017年7月發(fā)布了《新一代人工智能發(fā)展規(guī)劃》，提出了發(fā)展智能疾病預(yù)測(cè)、智能診斷、智能治療模式、智能醫(yī)療體系。從倫理角度看，當(dāng)前醫(yī)學(xué)影像AI相關(guān)研究，對(duì)患者被試的知情權(quán)、隱私保護(hù)等醫(yī)學(xué)倫理問(wèn)題、數(shù)據(jù)安全問(wèn)題以及患者診療安全性等問(wèn)題目前的關(guān)注還存在不足。未來(lái)高度自動(dòng)化的醫(yī)學(xué)影像 AI 系統(tǒng)可能導(dǎo)致醫(yī)生疏忽常識(shí)，導(dǎo)致醫(yī)療事故，可能影響當(dāng)前醫(yī)患關(guān)系的動(dòng)態(tài)變化和平衡，帶來(lái)新的問(wèn)題和挑戰(zhàn)。