下载掌阅APP，畅读海量书库
立即打开
医学影像识别可以分为影像链与临床应用链两部分，而人工智能应用具体而言就是用人工智能去解决影像链与临床应用链的问题。其中，影像链是指影像医学的技术支撑，包括图像采集与图像后处理、数据挖掘；临床应用链是指影像信息在临床的应用，包括了疾病筛查与早期诊断、预测、治疗、疗效评估与监测。
（1）学术研究现状
影像组学、深度学习、迁移学习等人工智能算法已经在医学影像数据上进行了开发和测试，形成了病灶检出、病灶分割、病灶性质判断、治疗规划、预后预测等多种应用模式。2017年RSNA学术交流中使用机器学习进行影像诊断的研究几乎涵盖所有影像诊断亚专业，近年来已有不少类似的文献报道，如乳腺疾病、肺部疾病、神经系统疾病、骨关节系统疾病、心血管系统疾病、消化道病变和体部疾病等。近年来，多个国家的放射学会对人工智能医学影像的发展给予充分关注与支持，其中美国放射学院成立专门为 AI 服务的数据科学研究所；加拿大放射医师协会发布医学影像 AI 白皮书；我国放射学界也成立相关的 AI 医学影像工作小组和联盟。
（2）产品开发现状
国内外已有许多大型企业及初创公司投入到AI 医学影像产品开发。国内，腾讯觅影利用腾讯优图在大数据运算、图像识别与深度学习方面的先进技术，提高对于肺结节的检测敏感性与准确度：根据测算，其对早期肺癌的敏感度（识别正确率）达到85%以上，对良性肺结节的特异性（识别正确率）超过84%，对于直径大于3mm小于10mm的微小结节检出率超过95%，可帮助放射医生大幅提升肺部CT的早癌筛查能力；据美国FDA官网显示，2017年1月10日其首次批准了一款心脏核磁共振影像AI分析的软件Cardio DL，这款软件将深入学习用于医学图像分析，并为传统的心脏MRI扫描影像数据提供自动心室分割的分析，这一步骤与传统上放射科医生需要手动完成的结果一样精准。深睿医疗针对多模态多病种影像分析推出了 Dr.Wise AI 辅助诊断平台和 AI 智能问诊平台；国内还有许多公司正致力于将人工智能与医学影像结合来服务于影像识别与诊断。如健培科技、医渡云、智影医疗、睿佳医影RayPlus、迪英加、拉克森等。国际上，Google与Verily公司开发用来诊断乳腺癌的病理人工智能，在与病理学家基于灵敏性和假阳性和乳腺癌病例的分析竞争中，人工智能的准确度达到88.5%，而顶级病理学家的准确率为73.3%；IBM Watson与MSKCC（纪念斯隆-凯特琳癌症中心）合作，推出肿瘤解决方案Watson for Oncology。2014年和2015年，Watson for Oncology先后进驻泰国康民医院和印度第三大医院系统 Manipal Hospitals。2016年8月，IBM与我国21家医院签署Watson for Oncology的合作意向协议，并于同年12月成立联合会诊中心。
（3）临床应用现状
虽然当前我们开发的产品不断涌现，但由于人工智能效能的临床验证尚不充分，适合人工智能研究标准数据库和场景的缺乏以及临床的伦理和法规问题尚待解决，导致真正临床实践规范应用的产品较为缺乏。国内较多临床单位开展了 AI 医学影像学术规模研究以及初期产品的小规模验证应用。国际上，美国 FDA 自 2017 年成立了AI与数字医疗审评部，致力于认证一些产品，如 Viz.Ai的脑梗塞早期诊断产品、Imagen 骨折检测产品等。
医学影像诊断系统构建的核心技术包括模型设计、模型构建、算法选择、服务建立四个环节。
临床问题的选择，即 AI 模型设计至关重要。第一，该模型解决的问题必须是临床医师及影像医师普遍关切的，其解决效率或准确性的提升是可以使得患者普遍受益的。第二，模型设计需要参考相关领域最新的临床指南规范，并在现有医疗流程上对疾病诊断治疗做出贡献。第三，必须使用足够量的数据及数据标注来进行学习，如应把学习的重点放在常见肿瘤的鉴别，而非罕见肿瘤的诊断上。因此模型设计的关键在于选择最有利于医师决策和患者受益的问题，并且所选择解决的问题还必须有大量易于获取和标注的学习数据。
模型的建立包括学习数据的结构化构建，使用学习算法建立模型，最后进行模型的验证。高质量的结构化数据是学习任务的基础。第一，数据的收集。影像数据采集设备机型繁多、参数各异、质控不同，这些都将影响 AI 的最终应用，故影像数据采集时应首先规划 AI 模型对数据参数及质量的要求，如肺结节检出使用薄层高分辨 CT 而不是厚层数据。在AI 具有应用潜力的基础上，尽可能覆盖不同厂家、参数、图像质量及疾病种类。第二，数据标注。数据的学习标签标注应直接面向需学习的目标问题，如肺结节检出任务标注结节坐标轮廓，良恶性鉴别任务标注结节病理类型。在标注任务中尽量使用“金标准”标签，如病理、基因型、生存期等；采用影像科医师的量化知识，如病变位置、范围、良恶性评分等。数据集的质量控制非常重要，提高数据集的标注准确性可有效提高模型的准确性和鲁棒性。所以高质量结构化数据构建的关键点在于影像数据采集的质量和广泛代表性，以及数据标注的准确性。
不同于传统计算机辅助诊断使用的机器视觉算法和机器学习算法，新一代AI 算法可应用更大样本数据量突破准确率的瓶颈限制，使得模型可以在临床真正高效使用。不同建模方式的选择应根据学习数据的数据量和复杂度来规划，包括：第一，针对大量学习数据，推荐使用包括各种神经网络的深度学习作为学习器建模；第二，针对中等量学习数据可以尝试使用深度学习建模，效果不佳时可以考虑采用神经网络提取特征，使用机器学习方法建立模型的折中方式；第三，针对少量学习数据，推荐使用影像组学方法先进行高通量检验，提取病变范围内的影像特征，使用机器学习方法建立模型；第四，虽然只具有中等量学习数据，但有大量面对其他问题的相似模态数据，可以尝试使用迁移学习方式，将大样本数据经验应用到小样本数据学习中。无论使用哪一种模型建立算法，对模型准确性、鲁棒性、泛化性的验证均必不可少。在训练数据集内可使用交叉验证法验证模型的稳定性；此外还需要独立的数据集验证模型的鲁棒性和泛化性，最后在临床使用中的证据将为模型在真实世界中的表现提供评估。
所以 AI 算法选择和模型建立的关键点在于面向数据和问题的算法选择和模型验证。斯坦福大学提出的 CheXNet 深度卷积神经网络模型，在利用胸部 X 线片对肺炎患者的患病情况进行判断的基础上，考虑了模型的可解释性。该模型利用 Dense Net 深度神经网络模型对图像特征进行分析，不仅在利用胸部 X 线片作为诊断依据的情况下，精度超过人类医生的平均水平，还通过计算模型每个像素点上的各类图像特征的权值之和，衡量图像各位置在分类决策中的重要性，解释决策过程，帮助人类医生对患者病情进行理解。卡耐基梅隆大学邢波教授近期提出一个多任务协同框架，通过引入协同注意力机制，来对异常区域进行准确定位和概括。不仅通过标签对图像内容进行描述，还利用层级长短期记忆（LSTM）模型生成长文本形式的医学影像分析报告，通过文字描述对分析结果进行描述和解释。
结合模型设计时的应用特点、临床需求和医师的工作习惯，建立合理的服务模式。第一，当前云影像技术发展迅猛，其与 AI 技术的结合可以更好地为医疗机构、特别是基层医院提供图像传输、储存、辅助诊断的一揽子解决方案，有利于提高医疗机构的运转效率及诊断准确性。第二，在与现有工作流程结合方面，可以与 RIS 系统结合提供 AI 结构化报告，同时与 PACS 系统结合将 AI 综合分析报告使用DICOM 格式提交给PACS 系统，并在医师浏览图像时进行病变标注提示。总体上，虽然一项 AI 医学影像具体技术的优劣取决于多个环节，但当前阶段应关注的主要问题体现在AI 技术产品的应用对象设置、服务模式以及准确性方面。良好的检查敏感性及诊断准确性是服务建立的基础。为达到此目的，除了优秀的图像分割、识别算法以及 AI 分类算法外，更应重视构建包括数据库和知识库的高质量结构化数据集。此外，还要注重具有临床诊断应用价值且符合临床规范的 AI 技术的目的设置、符合临床医师应用习惯。