人工智能與醫(yī)學(xué)影像學(xué)的應(yīng)用發(fā)展*

張愉，徐來，房夢雅，龔蕾蕾，顧曉松**

（1南京中醫(yī)藥大學(xué)，江蘇210023；2南通大學(xué)江蘇省組織工程與神經(jīng)損傷修復(fù)醫(yī)學(xué)中心）

人工智能（artificial intelligence，AI）在科技高速發(fā)展的背景下迅速成為當(dāng)代社會熱點(diǎn)，作為計(jì)算機(jī)科學(xué)的一個分支，該系統(tǒng)基于人工神經(jīng)網(wǎng)絡(luò)，在海量的大數(shù)據(jù)中利用數(shù)學(xué)模型提取其中各種復(fù)雜非線性關(guān)系[1]。早在1959年，基于問題導(dǎo)向的邏輯分級及統(tǒng)計(jì)思維就已經(jīng)面世[2]，但真正得到技術(shù)突破和常規(guī)應(yīng)用得益于近幾年爆發(fā)式增長的大數(shù)據(jù)信息以及快速發(fā)展的計(jì)算機(jī)技術(shù)。大數(shù)據(jù)信息可從手機(jī)數(shù)據(jù)、可穿戴設(shè)備、社交媒體、環(huán)境以及生活相關(guān)信息、社會人口學(xué)信息、各種組學(xué)信息（基因組學(xué)、代謝組學(xué)、蛋白及影像組學(xué)等）以及醫(yī)療信息記錄系統(tǒng)獲取[3]。作為一門新興的多領(lǐng)域交叉學(xué)科，人工智能在社會、人口、環(huán)境等各方面應(yīng)用廣泛，在醫(yī)學(xué)方面推動了醫(yī)療模式的進(jìn)步與革新。人工智能的發(fā)展依賴于海量的大數(shù)據(jù)基礎(chǔ)[4]，醫(yī)療數(shù)據(jù)中尤其是醫(yī)學(xué)影像數(shù)據(jù)，如X線、計(jì)算機(jī)斷層成像（CT）、磁共振（MRI）產(chǎn)生海量信息，為人工智能的發(fā)展提供有價值的科研及臨床數(shù)據(jù)，可廣泛應(yīng)用于疾病輔助診斷與診斷、提高圖像質(zhì)量、減低電離輻射、提供精準(zhǔn)醫(yī)療建議以及減少醫(yī)療成本等方面。人工智能不僅改變了影像診斷模式，更參與影像工作流程中各個方面，在醫(yī)療領(lǐng)域人工智能與醫(yī)學(xué)影像學(xué)科的結(jié)合最具有發(fā)展前景。醫(yī)學(xué)影像作為疾病診斷以及指導(dǎo)治療決策的關(guān)鍵技術(shù)，在醫(yī)院系統(tǒng)中具有極高的優(yōu)先級以及絕對性的數(shù)據(jù)量，為人工智能的發(fā)展提供了豐厚的基礎(chǔ)。醫(yī)學(xué)影像人工智能獲得醫(yī)療及商業(yè)的極大關(guān)注[5-7]。以2012年以來，深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)快速興起，使AI在計(jì)算機(jī)視覺領(lǐng)域取得突破性的進(jìn)展[8-9]。基于圖像識別的深度卷積神經(jīng)網(wǎng)絡(luò)和基于圖像數(shù)據(jù)的醫(yī)學(xué)影像學(xué)高度契合，通過對影像所獲取的大數(shù)據(jù)進(jìn)行訓(xùn)練和深度學(xué)習(xí)，網(wǎng)絡(luò)系統(tǒng)高度進(jìn)化，能力得到極大提升，在精準(zhǔn)醫(yī)療方面具有廣闊的應(yīng)用前景。

1 人工智能及其發(fā)展

人工智能主要是指基于計(jì)算機(jī)科學(xué)模擬人類認(rèn)知功能的理論方法及應(yīng)用系統(tǒng)，以擴(kuò)展人的智能的一門信息科學(xué)。該定義最早出現(xiàn)于上世紀(jì)50年代，用以描述計(jì)算機(jī)可理解、模仿以及提升部分人類特征，如推理能力、學(xué)習(xí)能力、問題解決能力、語言理解力及視覺處理等功能[10-12]。人工智能涉及面極寬，包括大量的亞分支領(lǐng)域及技術(shù)。其中機(jī)器學(xué)習(xí)是人工智能的一個亞分支，主要關(guān)注于開發(fā)計(jì)算進(jìn)行數(shù)據(jù)學(xué)習(xí)并進(jìn)行輔助決策的運(yùn)算法則[13]。機(jī)器學(xué)習(xí)分為人工值守及無人值守學(xué)習(xí)兩種模式。人工值守模式中需人工對計(jì)算機(jī)系統(tǒng)所獲取數(shù)據(jù)進(jìn)行輔助判斷，從而幫助計(jì)算機(jī)進(jìn)行被動學(xué)習(xí)；無人值守模式中計(jì)算機(jī)系統(tǒng)獲取的均為無賦值的數(shù)據(jù)信息，并進(jìn)行自我學(xué)習(xí)[14]。近幾年機(jī)器學(xué)習(xí)發(fā)展到深度學(xué)習(xí)階段，尤其是深度神經(jīng)卷積網(wǎng)絡(luò)的出現(xiàn)，對現(xiàn)代社會產(chǎn)生了深遠(yuǎn)影響。這種人腦模擬網(wǎng)絡(luò)作為新一代的機(jī)器學(xué)習(xí)技術(shù)，采用計(jì)算機(jī)模仿人類大腦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)造出數(shù)學(xué)模型，可自動從數(shù)據(jù)中提取有意義的表征并進(jìn)行獨(dú)立判斷[15]。該網(wǎng)絡(luò)模型具有多層級結(jié)構(gòu)，每層具有不同的表征提取功能，通過在低層信息中獲取高層的特征，最終實(shí)現(xiàn)對原始數(shù)據(jù)中的不同特征達(dá)到分類和聚類的作用，進(jìn)而對結(jié)果進(jìn)行判斷。具有代表性的學(xué)習(xí)過程包括對人工系統(tǒng)進(jìn)行原始數(shù)據(jù)“喂養(yǎng)”，使系統(tǒng)能夠自動發(fā)現(xiàn)信息嗅探和分類所需的特征，通過篩選提取后，進(jìn)入更高且更概括性的層級，經(jīng)過多次分析歸納，系統(tǒng)可習(xí)得非常復(fù)雜的功能。這種學(xué)習(xí)過程的關(guān)鍵點(diǎn)在于這些特征的提取和聚類并非由人工定義，學(xué)習(xí)細(xì)節(jié)也不是由人工編寫的程序予以詳細(xì)定義，而是由學(xué)習(xí)程序在原始數(shù)據(jù)中自動歸納產(chǎn)生。深度學(xué)習(xí)對多維度數(shù)據(jù)的復(fù)雜結(jié)構(gòu)探查具有極大的優(yōu)勢，可廣泛應(yīng)用于科學(xué)技術(shù)的各方面。相對于其他機(jī)器學(xué)習(xí)方法，深度學(xué)習(xí)在影像輔助診斷、藥物分子分析、基因測序、腦功能網(wǎng)絡(luò)重建以及預(yù)測疾病中具有顯著優(yōu)勢[16-18]。

2 人工智能在醫(yī)學(xué)影像學(xué)科的主要應(yīng)用

醫(yī)學(xué)影像學(xué)科是一門基于圖像特征的學(xué)科。傳統(tǒng)的影像醫(yī)生對醫(yī)療圖像經(jīng)驗(yàn)性評估獲取結(jié)論性報(bào)告，從而發(fā)現(xiàn)疾病、診斷并監(jiān)測疾病。這些經(jīng)驗(yàn)來自對既往疾病影像特征的總結(jié)歸納，往往具有較大的主觀性。而AI則在復(fù)雜的圖像特征提取上具有極大的優(yōu)勢，能夠?qū)Ω黝愋畔⒆詣舆M(jìn)行定量分析，所以可帶來更加準(zhǔn)確、客觀的結(jié)論，且具有極高的可重復(fù)性，為醫(yī)療決策提供更有信心的輔助信息[19]。

計(jì)算機(jī)輔助診斷技術(shù)（computer-aided diagnosis，CAD）已出現(xiàn)幾十年，該技術(shù)應(yīng)用計(jì)算機(jī)的快速計(jì)算能力輔助醫(yī)生發(fā)現(xiàn)病灶，并提供一定的診斷參考信息，為臨床工作提供了快速、客觀的部分解決方案。尤其是在肺結(jié)節(jié)篩查中，CAD具有巨大的優(yōu)勢。有研究利用CAD技術(shù)提取肺結(jié)節(jié)影像學(xué)特征，并與肺結(jié)節(jié)癌變風(fēng)險(xiǎn)進(jìn)行相關(guān)分析，發(fā)現(xiàn)血管穿透征及腫瘤凹陷等影像特征對惡性肺結(jié)節(jié)的鑒別診斷敏感性達(dá)92.4%，特異性達(dá)76.6%，表明CAD輔助技術(shù)可用于評估肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)程度[20]。還有研究采用CAD輔助MRI對乳腺良惡性病變鑒別診斷，利用133例確診的乳腺良惡性病變對CAD系統(tǒng)進(jìn)行訓(xùn)練，對另外74例確診病變進(jìn)行測試，采用不同的診斷模型，對乳腺良惡性的最高診斷率可達(dá)91%[21]，該預(yù)測模型極大提升了乳腺輔助診斷的價值。有研究利用CT影像大數(shù)據(jù)資料探查肝臟脂肪變的分級模型[22]，結(jié)果表明CAD系統(tǒng)與人工觀測量具有近乎一致的匹配度（r2=0.92），可作為日常醫(yī)療中脂肪肝監(jiān)測模型。結(jié)腸鏡作為腸癌的指南性診療方法，可早期發(fā)現(xiàn)癌前病變的腸道息肉并予以切除，在CAD技術(shù)的幫助下腸鏡對腺瘤樣息肉的診斷特異性高達(dá)97%[23]，CAD技術(shù)可實(shí)時預(yù)測息肉性病變的病理學(xué)分型，一致性達(dá)93.2%[24]，這些技術(shù)極大提高了結(jié)腸鏡診斷水平，為臨床決策提供有效的幫助。

近幾年興起的影像組學(xué)是經(jīng)典的機(jī)器學(xué)習(xí)模式。起初影像組學(xué)專注于挖掘影像資料里隱藏的形態(tài)、密度、紋理等特征[25-27]，并進(jìn)一步選擇更有價值的相關(guān)性更高的參數(shù)作為有意義的生物學(xué)標(biāo)記。腦腫瘤具有良惡性、原發(fā)或轉(zhuǎn)移性等區(qū)別，影像組學(xué)可用于腦腫瘤診斷及預(yù)測。如TAKAHASHI等[28]采用影像組學(xué)技術(shù)分析磁共振彌散序列，建立膠質(zhì)瘤分級預(yù)測模型，受試者曲線下面積（AUC）高達(dá)0.91。近期的一項(xiàng)影像基因組學(xué)研究進(jìn)一步基于MRI圖像預(yù)測低級別膠質(zhì)瘤中1p/19q密碼子丟失情況，結(jié)果表明該模型預(yù)測準(zhǔn)確率高達(dá)83.8%，拓展了從形態(tài)學(xué)到基因?qū)W的跨越，為臨床無創(chuàng)性評估密碼子水平提供了有力的解決方案[29]。結(jié)腸息肉具有發(fā)展為結(jié)直腸癌的潛在風(fēng)險(xiǎn)，在臨床中由于醫(yī)生經(jīng)驗(yàn)及技術(shù)的差異，出現(xiàn)漏診、誤診情況，因此產(chǎn)生在AI輔助下對息肉危險(xiǎn)性進(jìn)行分級的需求。HE等[30]應(yīng)用MRI圖像的影像組學(xué)特征評估直腸癌的腫瘤分級，結(jié)果顯示可以準(zhǔn)確區(qū)分直腸癌患者和健康人，對腫瘤分級的AUC達(dá)0.827。GOLIA等[31]利用直腸癌患者影像組學(xué)特征預(yù)測腫瘤微衛(wèi)星穩(wěn)定性，該研究共納入198例Ⅱ～Ⅲ期直腸癌患者，結(jié)果顯示CT術(shù)前平掃圖像的影像組學(xué)特征對微衛(wèi)星穩(wěn)定性預(yù)測的特異性高達(dá)95%，可為個性化精準(zhǔn)治療提供幫助。影像組學(xué)在乳腺影像[21，32-34]及肺結(jié)節(jié)中[20，35]的應(yīng)用更加成熟，部分已作為醫(yī)學(xué)影像人工診斷的有效補(bǔ)充廣泛應(yīng)用于日常診療工作中。

深度學(xué)習(xí)技術(shù)是在機(jī)器學(xué)習(xí)的基礎(chǔ)上發(fā)展的更加智能化的人工智能技術(shù)，不需要人工提前定義，即可在數(shù)據(jù)中自動學(xué)習(xí)，歸納得到代表性特征，這種數(shù)據(jù)驅(qū)動型模式對抽象特征具有兼容性，從而具有更全面的概括性，幫助臨床做出決策。有研究表明，深度學(xué)習(xí)在發(fā)現(xiàn)病灶及病灶形態(tài)學(xué)歸納方面可達(dá)到與影像醫(yī)生類似的準(zhǔn)確率[36]。在病灶分級方面，如評估淋巴結(jié)轉(zhuǎn)移是否陽性等方面，深度學(xué)習(xí)的敏感性明顯高于醫(yī)生，特異性低于醫(yī)生判斷[37]。近期柳葉刀雜志發(fā)表了系統(tǒng)評價和薈萃分析，對深度學(xué)習(xí)和醫(yī)療專家在醫(yī)療影像的診斷差異進(jìn)行比較，對14份相關(guān)研究綜合分析，包括眼科、乳腺癌、皮膚病、肺癌及肝癌、骨折、呼吸系統(tǒng)疾病等多學(xué)科影像，發(fā)現(xiàn)深度學(xué)習(xí)敏感性87%（95% CI 83～90），特異性92.5%（95%CI 85.1～96.4），而醫(yī)療專家的敏感性為86.4%（79.9～91.0），特異性是90.5%（80.6～95.7），表明深度學(xué)習(xí)可達(dá)到與醫(yī)療專家相仿的診斷能力[38]。

總之，AI在醫(yī)學(xué)影像學(xué)領(lǐng)域的應(yīng)用日益廣泛且深入，在檢查方法選擇、發(fā)現(xiàn)病灶、病灶特征提取、輔助診斷、疾病的動態(tài)監(jiān)測等方面起到重要的作用。

3 人工智能在醫(yī)學(xué)影像領(lǐng)域的挑戰(zhàn)

AI在醫(yī)療及影像領(lǐng)域應(yīng)用廣泛，但同時也面臨許多挑戰(zhàn)，如新策略的開發(fā)，數(shù)據(jù)安全的規(guī)范化，網(wǎng)絡(luò)安全問題，患者與AI系統(tǒng)之間的醫(yī)療倫理關(guān)系等亟待解決[39]。現(xiàn)階段AI的數(shù)據(jù)安全系數(shù)很高，但隨著應(yīng)用的播散和廣泛傳播，其安全性是否仍能得到保障？獨(dú)立機(jī)構(gòu)是否可以參與對AI的訓(xùn)練過程并開發(fā)特定的進(jìn)化領(lǐng)域[40]？FDA對藥物的規(guī)則制定已經(jīng)擁有豐富的經(jīng)驗(yàn)，但對AI規(guī)則制定仍處在探索過程中。現(xiàn)階段對AI評估的主要的框架原則包括：（1）產(chǎn)品質(zhì)量、患者安全性；（2）臨床應(yīng)用責(zé)任；（3）網(wǎng)絡(luò)安全責(zé)任；（4）系統(tǒng)的主動性[41]。隨著科技的革新，AI規(guī)則將在探索中逐漸成熟。

AI系統(tǒng)運(yùn)行的不透明性也是重要的問題[42]。AI運(yùn)算過程被形象地稱為“暗箱”[43]。絕大多數(shù)患者輸入足夠的信息，AI即可給出結(jié)論，但結(jié)論獲得的過程以及其邏輯并不為人知。作為關(guān)系到生命安全的應(yīng)用系統(tǒng)，這種不透明過程的安全性值得推敲。假設(shè)AI系統(tǒng)對患者造成傷害，其原因及責(zé)任需要進(jìn)一步明確。有學(xué)者建議對AI輸出結(jié)果進(jìn)行獨(dú)立的輔助監(jiān)測評估，防止意外發(fā)生，以提高患者與AI間的信任[44]。當(dāng)AI用于臨床決策時，也存在更多的倫理問題。AI對每個患者的決策和建議是否適合該患者？每個患者的經(jīng)濟(jì)狀況并不一致，AI對患者的個性化推薦是否需要考慮經(jīng)濟(jì)情況還是基于最好的醫(yī)療結(jié)局仍需進(jìn)一步討論。同時，影像醫(yī)生與AI間的信任也需要明確，這種信任需要建立在完備的規(guī)則和長時間的訓(xùn)練基礎(chǔ)上。AI系統(tǒng)的發(fā)展和進(jìn)化非常迅速，要求我們在現(xiàn)有倫理和規(guī)則基礎(chǔ)上，進(jìn)行同步的發(fā)展革新，以適應(yīng)更高層級的AI系統(tǒng)。但總的原則仍然是，不管開發(fā)者、推廣者還是應(yīng)用者，都有責(zé)任和義務(wù)把患者利益作為第一導(dǎo)向。

4 小 結(jié)

隨著AI技術(shù)的進(jìn)步，我們成為這場科技革命的見證者。AI正逐步推動醫(yī)療設(shè)備智能化、數(shù)據(jù)庫標(biāo)準(zhǔn)化、數(shù)據(jù)分析自動化等方向的進(jìn)步。AI是對傳統(tǒng)影像學(xué)的一種沖擊，仍有許多技術(shù)難題、局限性以及挑戰(zhàn)需要學(xué)習(xí)和解決。隨著規(guī)范化數(shù)據(jù)積累和AI技術(shù)的快速進(jìn)化，AI與影像學(xué)的結(jié)合將極大地提高該領(lǐng)域的診療水平，提高工作效率，創(chuàng)造更大的經(jīng)濟(jì)和社會價值。