人工智能在醫(yī)療應(yīng)用中的新進(jìn)展

李 艷 楊國(guó)慶 雙嬌月

1.川北醫(yī)學(xué)院影像醫(yī)學(xué)與核醫(yī)學(xué)系，四川南充 637000；2.遂寧市中心醫(yī)院放射科，四川遂寧 629000

1956 年，美國(guó)科學(xué)家約翰·麥卡錫在達(dá)特茅斯(Dartmouth)大學(xué)第一次提出人工智能(AI)的概念[1]，標(biāo)志著AI 時(shí)代的到來。AI 即在計(jì)算機(jī)科學(xué)、語(yǔ)言學(xué)、哲學(xué)、控制論等多學(xué)科研究基礎(chǔ)上發(fā)展起來的一門新興學(xué)科，在各個(gè)領(lǐng)域都被廣泛應(yīng)用[2]。其中，醫(yī)學(xué)事業(yè)與人類息息相關(guān)，但面對(duì)急速增長(zhǎng)的人口，各國(guó)醫(yī)療衛(wèi)生環(huán)境相當(dāng)嚴(yán)峻，醫(yī)生數(shù)量不足且水平參差不齊、醫(yī)療資源分布欠均等問題愈發(fā)嚴(yán)重，AI 有望解決這一系列的問題，同時(shí)也能為未來精準(zhǔn)醫(yī)療打下堅(jiān)實(shí)的基礎(chǔ)。由于AI 在影像、外科、病理中的應(yīng)用較為廣泛，本文主要就AI 在這三個(gè)方面的最新進(jìn)展進(jìn)行綜述。

1 AI 相關(guān)概念

機(jī)器學(xué)習(xí)是AI 的子集，能夠憑借經(jīng)驗(yàn)學(xué)習(xí)識(shí)別和預(yù)測(cè)新數(shù)據(jù)[3]，深度學(xué)習(xí)是當(dāng)前最具應(yīng)用前景的機(jī)器學(xué)習(xí)算法，是AI 最重要的分支，可以依靠現(xiàn)有的海量數(shù)據(jù)自動(dòng)提取深層特征，實(shí)現(xiàn)自主學(xué)習(xí)，然后獨(dú)立地分析圖像并得出診斷。卷積神經(jīng)網(wǎng)絡(luò)(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，每一層的特征都由上一層的局部區(qū)域通過共享權(quán)值的卷積核激勵(lì)生成[4]。Goodfellow 提出的生成對(duì)抗網(wǎng)絡(luò)模型(GAN)同CNN 一樣都是深度學(xué)習(xí)的一種學(xué)習(xí)模型，它要同時(shí)訓(xùn)練一個(gè)生成網(wǎng)絡(luò)G 和一個(gè)判別網(wǎng)絡(luò)D[5-6]，兩者通過不斷地學(xué)習(xí)來分別提升自己的判別能力和偽裝能力，構(gòu)成一個(gè)動(dòng)態(tài)的對(duì)抗過程，并在此過程中不斷優(yōu)化。

2 AI+醫(yī)療

2.1 AI+影像

影像科是典型的大數(shù)據(jù)中心，圖像類型多種多樣，包括X 線、CT、MRI、US 等，隨著檢查方式的精細(xì)化水平不斷提高，產(chǎn)生的影像數(shù)據(jù)也不斷增多，由于人類視覺系統(tǒng)的注意廣度有限，各種醫(yī)學(xué)圖像中的小病灶可能被忽略，導(dǎo)致影像醫(yī)生的診斷不可避免地存在漏診、誤診等問題，這也促成了AI 輔助影像的迅速發(fā)展。目前，AI 基于影像的應(yīng)用主要體現(xiàn)在疾病診斷、評(píng)估治療方案及規(guī)避檢查副作用等方面。

2.1.1 疾病診斷 疾病診斷主要包括病灶的定量及定性診斷。常見的急診病例如顱內(nèi)出血與高死亡率和功能性殘疾相關(guān)[7]，出血量是判斷患者是否需行手術(shù)治療的指征[8]，也是患者30 d 生存率的最重要預(yù)測(cè)指標(biāo)[9]，精確并穩(wěn)定地計(jì)算腦血腫體積，有助于臨床醫(yī)師更好地把握病情。手動(dòng)逐層分割是由影像專家對(duì)每張切片進(jìn)行手動(dòng)勾畫病灶區(qū)域，被認(rèn)為是最接近真實(shí)值的表現(xiàn)[10-11]，但操作耗時(shí)且專業(yè)知識(shí)要求較高。Ironside 等[12-13]使用深度學(xué)習(xí)方法分別開發(fā)了基于CT 圖像的顱內(nèi)出血和血腫周圍水腫體積分析的全自動(dòng)分割算法，當(dāng)對(duì)照手動(dòng)分割方法測(cè)試時(shí)，全自動(dòng)分割算法的血腫和血腫周圍水腫平均體積Dice 相似性系數(shù)分別為0.894和0.838，能夠客觀、準(zhǔn)確地量化病灶。Kim 等[14]建立了基于病灶大小的logistic 模型和深度學(xué)習(xí)模型，結(jié)果顯示，深度學(xué)習(xí)模型的總體性能優(yōu)于logistic 模型，在90%同樣高的靈敏度下AI 模型的特異度(88.2%)高于logistic 模型(52.9%)，評(píng)價(jià)深度學(xué)習(xí)模型在區(qū)分CT 圖像上浸潤(rùn)性肺腺癌和良性結(jié)節(jié)中的作用，有助于指導(dǎo)肺部結(jié)節(jié)術(shù)前的切除策略。

2.1.2 評(píng)估治療方案 AI 對(duì)圖像的高靈敏度有助于評(píng)估患者的治療方案。腹主動(dòng)脈瘤是一種危及生命的疾病[15-16]，目前唯一的治療方法是開放性或腔內(nèi)修復(fù)[17-18]。治療的決定依賴于腹主動(dòng)脈瘤生長(zhǎng)和破裂風(fēng)險(xiǎn)的評(píng)估，這在實(shí)踐中很難評(píng)估。Lareyre 等[19]在一組40 例CTA圖像上進(jìn)行測(cè)試，提出了一種全自動(dòng)的檢測(cè)主動(dòng)脈腔和腹主動(dòng)脈瘤特征的軟件，包括血栓和鈣化的存在。結(jié)果顯示，與人類專家手工分割的結(jié)果有很好的相關(guān)性，每個(gè)患者的計(jì)算時(shí)間＜1 min。局部進(jìn)展期直腸癌患者手術(shù)后，20%～25%的患者出現(xiàn)病理完全緩解，基于局部進(jìn)展期直腸癌患者M(jìn)R 圖像紋理特征的AI 模型可以幫助識(shí)別在治療結(jié)束時(shí)不會(huì)對(duì)治療產(chǎn)生反應(yīng)的患者[20]，避免了無效治療。

2.1.3 規(guī)避副作用 基于釓的磁共振造影劑與腎源性系統(tǒng)性纖維化有關(guān)，腎源性系統(tǒng)性纖維化是一種嚴(yán)重、衰弱、有時(shí)危及生命的疾病。Gong 等[21]實(shí)現(xiàn)了一種基于CNN 的深度學(xué)習(xí)模型，能夠以比通常使用的釓劑量低10 倍的劑量獲取診斷質(zhì)量圖像。此外，Lee 等[22]還證明可以在不進(jìn)行實(shí)際掃描的情況下生成所需模式的圖像，例如從CT 數(shù)據(jù)創(chuàng)建MRI 圖像，這對(duì)于輻射預(yù)防是有益的。實(shí)驗(yàn)采用280 對(duì)腰椎CT 和MRT2圖像，用GANs 從脊柱CT 合成MR 圖像。每張圖像的平均絕對(duì)誤差約21.19 像素，峰值信噪比約64.92 db，這是首次應(yīng)用GANs 從CT 圖像合成脊柱MR 圖像。基于GANs 的醫(yī)學(xué)圖像合成是AI 在醫(yī)學(xué)成像中應(yīng)用的一種新范式，有助于提高各類圖像的診斷價(jià)值并有效防止輻射。

2.2 AI+外科

2.2.1 手術(shù)注釋 AI 技術(shù)可以在醫(yī)學(xué)圖像和外科手術(shù)之間架起一座橋梁。手術(shù)是治療各類惡性疾病的主要方法，在手術(shù)過程中，在外科醫(yī)生的監(jiān)視器上自動(dòng)定位和突出重要的解剖結(jié)構(gòu)，如輸尿管或主要血管，有助于提高手術(shù)的安全性，目前主要問題是缺乏訓(xùn)練所需的注釋數(shù)據(jù)。Madad 等[23]提供了一個(gè)腹腔鏡婦科圖像的數(shù)據(jù)集SurgAI，共有461 個(gè)腹腔鏡圖像，以手工標(biāo)注為參考，訓(xùn)練的人工神經(jīng)網(wǎng)絡(luò)對(duì)子宮、卵巢和手術(shù)器械的檢測(cè)準(zhǔn)確率分別為97%、24%和86%，有助于外科醫(yī)生對(duì)手術(shù)結(jié)構(gòu)的定位。AI 還可以從視頻中自動(dòng)識(shí)別手術(shù)步驟，兩名專業(yè)外科醫(yī)生對(duì)腹腔鏡袖狀胃切除術(shù)視頻進(jìn)行步驟注釋，采用深度神經(jīng)網(wǎng)絡(luò)對(duì)88 例視頻進(jìn)行分析并與外科醫(yī)生的注釋進(jìn)行比較，準(zhǔn)確率為85.6%[24]，提示手術(shù)視頻可以作為臨床中的病例分析或技術(shù)改進(jìn)的數(shù)據(jù)源。

2.2.2 手術(shù)機(jī)器人 由于外科手術(shù)操作過程復(fù)雜且耗時(shí)長(zhǎng)，對(duì)醫(yī)生的體力和耐心都是巨大的挑戰(zhàn)，當(dāng)前有多種新型手術(shù)機(jī)器人正在研發(fā)中，以實(shí)現(xiàn)全景視野、遠(yuǎn)程操作等。并且隨著5G 時(shí)代的到來，遠(yuǎn)程手術(shù)必將成為未來的發(fā)展趨勢(shì)。其中，美國(guó)公司研發(fā)的達(dá)芬奇手術(shù)系統(tǒng)具有最廣泛的應(yīng)用，外科醫(yī)生可以在互聯(lián)網(wǎng)和屏幕的協(xié)助下，通過三維視覺系統(tǒng)實(shí)時(shí)了解患者狀況，使用機(jī)械臂遠(yuǎn)程操作手術(shù)[25]，消除因距離而導(dǎo)致的醫(yī)療水平隔閡，為實(shí)現(xiàn)遠(yuǎn)程醫(yī)療進(jìn)一步奠定基礎(chǔ)。Bolcal 等[26]報(bào)道了一例使用達(dá)芬奇手術(shù)系統(tǒng)成功經(jīng)左室完全切除血栓的案例，通過手術(shù)區(qū)域的三維和10 倍放大視圖更好地顯示臟器，有效避免了相關(guān)的并發(fā)癥。

2.3 AI+病理

2.3.1 判斷病灶浸潤(rùn)深度 由于個(gè)性化醫(yī)學(xué)的出現(xiàn)，病理學(xué)家的工作量和復(fù)雜性明顯增加，對(duì)于癌癥患者，腫瘤浸潤(rùn)深度是影響患者治療選擇的關(guān)鍵因素。然而，人工判斷入侵深度具有主觀性，容易引起誤差。Nakagawa 等[27]開發(fā)了一種深度學(xué)習(xí)系統(tǒng)來評(píng)估淺表食管鱗癌，以804 例經(jīng)病理證實(shí)的食管淺表鱗癌圖像作為訓(xùn)練數(shù)據(jù)集，選取155 例患者的圖像作為驗(yàn)證集。本系統(tǒng)對(duì)病理性黏膜下微浸潤(rùn)(SM1)癌和黏膜下深部浸潤(rùn)(SM2/3)癌的鑒別診斷靈敏度為90.1%，特異度為95.8%，陽(yáng)性預(yù)測(cè)值為99.2%，陰性預(yù)測(cè)值為63.9%，準(zhǔn)確率為91.0%。除陰性預(yù)測(cè)值外，其余指標(biāo)均高于16 位經(jīng)驗(yàn)豐富的內(nèi)鏡醫(yī)師。Tokai 等[28]以超過兩倍的數(shù)據(jù)量也證明了AI 在診斷食管淺表鱗癌的浸潤(rùn)深度方面的良好性能，模型準(zhǔn)確率高于內(nèi)鏡，可用于食管鱗癌的診斷。

2.3.2 風(fēng)險(xiǎn)評(píng)估 近年來，在AI 協(xié)助下開發(fā)的風(fēng)險(xiǎn)評(píng)估模型有助于改善疾病的篩查，使已知高危人群的健康資源得到優(yōu)化。Kurita 等[29]回顧性分析了85 例接受胰腺囊液分析的手術(shù)或穿刺標(biāo)本，利用深度學(xué)習(xí)構(gòu)造一種診斷算法。輸入CEA、CA19-9、性別、囊腫位置等因素，計(jì)算其惡性預(yù)測(cè)值。對(duì)于惡性囊性病變，AI 的靈敏度、特異度和準(zhǔn)確率分別為95.7%、91.9%和92.9%，有利于良惡性病變的鑒別。癌癥亞型的診斷標(biāo)準(zhǔn)化可以更好地干預(yù)癌癥進(jìn)展，延長(zhǎng)患者生存期。Saillard 等[30]建立預(yù)測(cè)肝癌手術(shù)切除患者生存的AI 模型，并劃分為“低風(fēng)險(xiǎn)”和“高風(fēng)險(xiǎn)”的區(qū)域，高死亡風(fēng)險(xiǎn)的預(yù)測(cè)包括細(xì)胞異型性、血管間隙和大小梁結(jié)構(gòu)模式。

3 小結(jié)與展望

3.1 小結(jié)

AI 技術(shù)以其高度的靈敏度及準(zhǔn)確率可以在人類不可能達(dá)到的水平上，對(duì)現(xiàn)代醫(yī)療環(huán)境中產(chǎn)生的大量臨床數(shù)據(jù)進(jìn)行快速而詳細(xì)的分析，不僅可以區(qū)分患者疾病的輕、重、緩、急，還能全方位地定性病灶并給出準(zhǔn)確完整的治療方案，允許更精確的干預(yù)。AI 的發(fā)展推動(dòng)了醫(yī)學(xué)事業(yè)的進(jìn)步，但現(xiàn)階段的AI 尚處于萌芽時(shí)期，各大醫(yī)院間信息共享程度低，影像質(zhì)量和標(biāo)準(zhǔn)不統(tǒng)一，高質(zhì)量的數(shù)據(jù)較難獲取，而現(xiàn)有的在線公共數(shù)據(jù)集還遠(yuǎn)不能滿足訓(xùn)練所需，以致多樣性差，測(cè)試集相對(duì)單一。再者，醫(yī)療工作不僅涉及專業(yè)的醫(yī)療技術(shù)，也需要結(jié)合一系列復(fù)雜的細(xì)節(jié)觀察，更包含著人與人之間的情感交流，而單靠閱讀文獻(xiàn)得出的醫(yī)療方案不足以讓人信服。因此，AI 在醫(yī)療領(lǐng)域?qū)⑹冀K以提高醫(yī)療效率和準(zhǔn)確性輔助工具的形式存在，是人類醫(yī)生的得力助手，能夠增強(qiáng)醫(yī)生診斷的信心。

3.2 展望

推動(dòng)未來AI 發(fā)展的關(guān)鍵是醫(yī)學(xué)與AI 復(fù)合型人才，改善臨床醫(yī)生、科學(xué)家和工程師之間的團(tuán)隊(duì)合作是未來努力的方向，經(jīng)濟(jì)和體制支持將是發(fā)展此類項(xiàng)目的一個(gè)重要保障。如何提高數(shù)據(jù)的使用效率，鼓勵(lì)醫(yī)工結(jié)合共同投入AI 的研究，開發(fā)成本低、可靠性高的AI 系統(tǒng)迫在眉睫，另外期待國(guó)家出臺(tái)更多的激勵(lì)措施，理清醫(yī)療大數(shù)據(jù)資源的所有權(quán)和具體使用方法，讓寶貴的數(shù)據(jù)資源不再閑置浪費(fèi)。