朱文珍， 胡瓊潔

人工智能(Artificial intelligence，AI)是基于計(jì)算機(jī)來(lái)模擬人類的思維過(guò)程和智能行為的一門(mén)學(xué)科，隨著AI技術(shù)的發(fā)展，目前已成為涉及計(jì)算機(jī)科學(xué)、心理學(xué)、哲學(xué)和語(yǔ)言學(xué)等多學(xué)科交叉的一門(mén)新興前沿學(xué)科[1,2]。近幾年來(lái)隨著深度學(xué)習(xí)算法的出現(xiàn)、計(jì)算能力的指數(shù)級(jí)增長(zhǎng)、豐富的大數(shù)據(jù)資源和基于訓(xùn)練的自主學(xué)習(xí)方法，以及計(jì)算機(jī)具有條件反射等類腦能力而發(fā)展出復(fù)雜人工智能，使得新一代AI技術(shù)迎來(lái)了爆發(fā)式的發(fā)展和應(yīng)用。人工智能賦能醫(yī)療行業(yè)，在虛擬醫(yī)師助理、病歷與文獻(xiàn)分析、藥物研發(fā)、基因測(cè)序和影像輔助診斷、精準(zhǔn)醫(yī)學(xué)等方面都取得了令人驚喜的成果。其中，醫(yī)學(xué)影像與人工智能的結(jié)合是最具發(fā)展前景的領(lǐng)域。2012年以后，隨著深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的興起和應(yīng)用，AI在計(jì)算機(jī)視覺(jué)領(lǐng)域的發(fā)展取得了突破。計(jì)算機(jī)視覺(jué)基于圖像識(shí)別，可以對(duì)醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行深入分析，獲取更多有價(jià)值的信息。通過(guò)大量數(shù)據(jù)的訓(xùn)練和學(xué)習(xí)，使其分析能力不斷提升，從而在精準(zhǔn)診斷方面顯示出廣闊的應(yīng)用前景。目前在腫瘤檢出、自動(dòng)結(jié)構(gòu)式報(bào)告、定性和定量診斷、腫瘤提取和放療靶器官勾畫(huà)等方面已有較多的臨床應(yīng)用和研究[1,2]。當(dāng)人工智能方法作為輔助醫(yī)師的工具無(wú)縫集成到臨床工作流程中時(shí)，通過(guò)提供預(yù)先篩選的圖像和確定的特征可更準(zhǔn)確地進(jìn)行影像學(xué)評(píng)估，且可重復(fù)性高，能顯著提高工作效率，減少誤診和漏診，并可對(duì)療效進(jìn)行監(jiān)測(cè)[1-3]。

人工智能在腫瘤影像學(xué)領(lǐng)域的應(yīng)用及研究

人工智能尤其是深度學(xué)習(xí)算法在醫(yī)學(xué)影像領(lǐng)域應(yīng)用最為成熟的為腫瘤影像，在腫瘤的預(yù)防、早期發(fā)現(xiàn)、診斷和干預(yù)、預(yù)后評(píng)估等方面提供了可能[1,2,4]。在腫瘤影像學(xué)中，人工智能在三個(gè)主要的臨床任務(wù)中發(fā)揮了巨大的作用，即腫瘤的檢測(cè)、表征和監(jiān)測(cè)[2]。

1.腫瘤的檢測(cè)

在傳統(tǒng)的臨床工作流程中，放射科醫(yī)師依靠視覺(jué)感知來(lái)識(shí)別圖像上可能的異常，依靠知識(shí)、經(jīng)驗(yàn)和對(duì)正常影像表現(xiàn)的理解，在一定程度上屬于主觀決策。近年來(lái)，多項(xiàng)研究表明使用人工智能軟件后影像科醫(yī)師對(duì)病灶的檢出能力明顯提高[1,5]，其中在肺結(jié)節(jié)檢出的臨床應(yīng)用已經(jīng)較為成熟。Jeon等[6]的研究中7位影像醫(yī)師先獨(dú)自對(duì)134份胸部CT影像進(jìn)行閱片，后參考CAD自動(dòng)檢測(cè)結(jié)果進(jìn)行修改，結(jié)果表明在CAD輔助下結(jié)節(jié)的平均發(fā)現(xiàn)率從最初的77%提升到了84%。Lee等[5]發(fā)現(xiàn)CAD對(duì)孤立性結(jié)節(jié)的診斷敏感度高于醫(yī)生肉眼觀察。2018年，Silva等[7]對(duì)基于意大利多中心肺癌篩查數(shù)據(jù)庫(kù)中的2303例使用人工智能軟件，其GGN檢出率達(dá)90.2%(175/194)。Kooi等[8]利用卷積神經(jīng)網(wǎng)絡(luò)(CNNs) 深度學(xué)習(xí)檢測(cè)乳腺鉬靶X線攝影中的病變，其具有較高的敏感性，與人類閱讀水平相近。此外，AI對(duì)MRI腦轉(zhuǎn)移瘤和前列腺病變的檢出同樣具有較高的靈敏度[9,10]。在模式識(shí)別的背景下，具有可疑圖像特征的區(qū)域AI可突出顯示并呈現(xiàn)給閱片者，從而有效避免對(duì)病灶的遺漏，因此AI可應(yīng)用于人群的初始腫瘤篩查。但需要指出是，目前的AI軟件都是針對(duì)特定的應(yīng)用迭代定制的，因此需要仔細(xì)權(quán)衡其特異性，放射科醫(yī)師必須對(duì)其輸出結(jié)果進(jìn)行仔細(xì)評(píng)估。如何在保證較高敏感性的同時(shí)有效降低檢測(cè)的假陽(yáng)性率，是AI未來(lái)研究的重點(diǎn)之一。

2.表征

表征，又稱為特征描述，是泛指病灶分割、腫瘤診斷和分期及基因組學(xué)的特定術(shù)語(yǔ)[2]。這些任務(wù)是通過(guò)量化病灶的影像學(xué)特征(如大小、范圍和內(nèi)部結(jié)構(gòu)等)來(lái)完成的。對(duì)人類無(wú)法解釋的腫瘤的大量特征，通過(guò)人工智能的方法，可進(jìn)行復(fù)雜的非線性關(guān)系分析，來(lái)發(fā)現(xiàn)各變量間的相關(guān)性[1,2]。人工智能技術(shù)可以自動(dòng)識(shí)別病灶的各種特征，同時(shí)將它們作為圖像的生物標(biāo)志。這些生物標(biāo)志可應(yīng)用于臨床決策和對(duì)腫瘤的干預(yù)，包括風(fēng)險(xiǎn)評(píng)估、鑒別診斷、預(yù)后評(píng)估和治療反應(yīng)的監(jiān)測(cè)等[2,4]。對(duì)器官和病變組織進(jìn)行特異和準(zhǔn)確的分割至關(guān)重要。在腫瘤放療過(guò)程中，必須精確地分割腫瘤和非腫瘤組織的范圍，才能制訂精確的放療計(jì)劃。有研究表明，在基于超聲和MRI的病灶分割任務(wù)中，深度學(xué)習(xí)技術(shù)與放射科醫(yī)師的表現(xiàn)不相上下[11-15]。

對(duì)于腫瘤良惡性的鑒別，人工智能同樣表現(xiàn)出其優(yōu)勢(shì)。以目前研究較為成熟的肺結(jié)節(jié)為例，由于良性和惡性結(jié)節(jié)的CT表現(xiàn)具有相似性，使得人類很難準(zhǔn)確預(yù)測(cè)肺部病灶的良惡性。Awai等[16]研究提取了結(jié)節(jié)的大小、密度、形狀、鈣化體積和空腔體積，開(kāi)發(fā)了新的AI結(jié)節(jié)分析系統(tǒng)，對(duì)結(jié)節(jié)的惡性概率打分，對(duì)31個(gè)直徑小于3cm的肺結(jié)節(jié)進(jìn)行驗(yàn)證，結(jié)果顯示它可以顯著提高低年資影像醫(yī)生的診斷準(zhǔn)確度。Wu等[17]利用CT圖像定量紋理特征能夠很好地區(qū)分良惡性肺結(jié)節(jié)。此外，近年來(lái)，不少學(xué)者利用人工智能方法探討腫瘤的病理亞型與影像學(xué)的相關(guān)性。Coroller等[18]通過(guò)建立深度學(xué)習(xí)模型進(jìn)行1級(jí)腦膜瘤與2、3級(jí)腦膜瘤的鑒別。我們的研究團(tuán)隊(duì)Zhang等[19]利用基于機(jī)器學(xué)習(xí)多參數(shù)MRI直方圖和紋理特征優(yōu)化了膠質(zhì)瘤病理分級(jí)以及判定腫瘤增殖程度。人工智能在腫瘤分期，如腫瘤淋巴結(jié)轉(zhuǎn)移(TNM)的研究也取得了一些突破。對(duì)于PET-CT中淋巴結(jié)轉(zhuǎn)移的分類任務(wù)，深度學(xué)習(xí)比放射科醫(yī)師具有更高的敏感性，但特異性較低[20]。Kirienko等[21]利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了肺癌基線PET/CT TNM中T參數(shù)的自動(dòng)評(píng)估，可作為輔助肺癌患者分期的工具。

人工智能在腫瘤基因組學(xué)方面的研究近年來(lái)也取得了突飛猛進(jìn)的發(fā)展。我們的研究團(tuán)隊(duì)Su等[22]研究表明多模態(tài)MRI影像組學(xué)能夠有效預(yù)測(cè)膠質(zhì)瘤亞型和KI-67水平，預(yù)測(cè)膠質(zhì)瘤的生物學(xué)行為。此外基于MRI紋理分析可區(qū)分星形細(xì)胞瘤與1p/19q共缺失少突膠質(zhì)細(xì)胞瘤兩種類型低級(jí)別膠質(zhì)瘤[23]。Korfiatis等[24]發(fā)現(xiàn)MRI紋理特征可作為預(yù)測(cè)膠質(zhì)母細(xì)胞瘤MGMT甲基化狀態(tài)的生物標(biāo)志物。Chang等[25]利用卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了在MRI圖像判斷低級(jí)別與高度膠質(zhì)瘤IDH狀態(tài)的可能。Yang等[26]和Wang等[27]均證實(shí)了深度學(xué)習(xí)模型可無(wú)創(chuàng)預(yù)測(cè)肺腺癌EGFR突變狀態(tài)，為臨床決策提供幫助。

3.腫瘤治療監(jiān)測(cè)

疾病監(jiān)測(cè)對(duì)腫瘤的診斷和治療反應(yīng)的評(píng)估至關(guān)重要。人工智能在監(jiān)測(cè)腫瘤隨時(shí)間的變化方面也發(fā)揮著作用，無(wú)論是在自然史上還是在治療反應(yīng)中?；谌斯ぶ悄艿谋O(jiān)測(cè)方法能夠捕捉到隨著時(shí)間的推移病灶的大量不同圖像的鑒別特征，包括紋理的細(xì)微變化和對(duì)象內(nèi)部的異質(zhì)性，這些特征超出了人類讀者所能測(cè)量到的[2]。我們的研究團(tuán)隊(duì)Zhang等[28]發(fā)現(xiàn)常規(guī)MRI圖像紋理分析能準(zhǔn)確預(yù)測(cè)低度膠質(zhì)瘤的早期惡性轉(zhuǎn)化。CT影像紋理特征異質(zhì)性參數(shù)能夠預(yù)測(cè)非小細(xì)胞肺癌的第一輪化療效果[29]。但該領(lǐng)域仍處于起步階段，將成為未來(lái)研究的方向。除了成像，微創(chuàng)生物標(biāo)記物，如循環(huán)腫瘤DNA也正在開(kāi)發(fā)，可用于腫瘤的診斷和疾病的縱向跟蹤[30]。微創(chuàng)生物標(biāo)記物結(jié)合醫(yī)學(xué)影像圖像，再基于人工智能的綜合診斷，為更準(zhǔn)確地評(píng)估預(yù)后和實(shí)時(shí)監(jiān)測(cè)疾病提供精準(zhǔn)的醫(yī)學(xué)依據(jù)。

人工智能在醫(yī)學(xué)影像學(xué)其它領(lǐng)域的應(yīng)用

人工智能在非腫瘤性疾病的篩查、診斷與鑒別診斷及預(yù)后評(píng)估等方面也顯示出一定的臨床價(jià)值。Lee等[31]設(shè)計(jì)了具有區(qū)域異常表征的可解釋阿爾茨海默病診斷模型。此外，研究發(fā)現(xiàn)人工智能技術(shù)可對(duì)更薄的皮層厚度及更小的海馬亞區(qū)進(jìn)行鑒別診斷[32]。Chilamkurthy等[33]研究發(fā)現(xiàn)深度學(xué)習(xí)算法可以準(zhǔn)確地識(shí)別需要緊急干預(yù)治療的頭部CT異常表現(xiàn)，包括各種類型的顱內(nèi)出血、顱骨骨折和中線移位等，這為自動(dòng)分診提供了可能。相關(guān)學(xué)者應(yīng)用深度學(xué)習(xí)網(wǎng)絡(luò)實(shí)現(xiàn)腦外傷急診患者全自動(dòng)檢測(cè)系統(tǒng)，有助于放射科和急診科醫(yī)師減少診斷時(shí)間和人為錯(cuò)誤[32]。Cheng等[34]應(yīng)用深度學(xué)習(xí)算法可實(shí)現(xiàn)骨盆X線髖部骨折的檢測(cè)和可視化，可能有助于緊急篩查和評(píng)估。此外，Tao等[35]基于深度學(xué)習(xí)方法實(shí)現(xiàn)了準(zhǔn)確和全自動(dòng)量化多中心電影MR圖像左心室的功能。

人工智能有望影響臨床放射工作流程中的其它基于圖像的任務(wù)，包括圖像采集之后的預(yù)處理步驟，以及隨后的報(bào)告和綜合診斷。深度學(xué)習(xí)模式可以顯著改善圖像質(zhì)量。Xu等開(kāi)發(fā)了一個(gè)完全卷積編碼器-解碼器網(wǎng)絡(luò)，采用跳過(guò)連接和殘差學(xué)習(xí)策略來(lái)恢復(fù)PET-MRI高分辨率[32]。Ardila等[36]通過(guò)隨訪驗(yàn)證訓(xùn)練和病理佐證，建立一個(gè)端到端方法，回顧性使用輸入的CT數(shù)據(jù)來(lái)執(zhí)行定位和肺癌風(fēng)險(xiǎn)分類任務(wù)，該模型具有重要的潛在臨床意義，可提高工作流程的效率和診斷一致性。人工智能自動(dòng)化報(bào)告可以形成更標(biāo)準(zhǔn)化的術(shù)語(yǔ)，提高工作效率。Wang等[37]研究提示基于深度學(xué)習(xí)的智能排版和結(jié)構(gòu)化報(bào)告系統(tǒng)可優(yōu)化臨床影像工作全流程，顯著提升影像科的工作效率和診斷準(zhǔn)確性。然而，目前自動(dòng)化報(bào)告缺乏嚴(yán)格和統(tǒng)一的的標(biāo)準(zhǔn)，尚需在今后進(jìn)一步完善。

人工智能在醫(yī)學(xué)影像領(lǐng)域面臨的挑戰(zhàn)

1.標(biāo)準(zhǔn)化數(shù)據(jù)和數(shù)據(jù)庫(kù)的建立

數(shù)據(jù)仍然是人工智能系統(tǒng)最核心和最關(guān)鍵的組成部分，包括圖像存檔和通信系統(tǒng)(picture archiving and communication systems,PACS)和醫(yī)學(xué)數(shù)字成像和通信(digital imaging and communications in medicine，DICOM)在內(nèi)的圖像數(shù)據(jù)標(biāo)準(zhǔn)化存儲(chǔ)便于訪問(wèn)和檢索。然而，這些數(shù)據(jù)很少在標(biāo)簽、注釋、分隔和質(zhì)量保證等方面進(jìn)行整理，醫(yī)療數(shù)據(jù)的管理需要訓(xùn)練有素的專業(yè)人員，時(shí)間和成本上都很昂貴，成為了開(kāi)發(fā)自動(dòng)化臨床解決方案人工智能模型的一個(gè)主要瓶頸[2]。標(biāo)準(zhǔn)化數(shù)據(jù)，特別是多種成像模式和解剖位置的數(shù)據(jù)，在醫(yī)學(xué)領(lǐng)域尤其重要[38]。公開(kāi)的醫(yī)療數(shù)據(jù)量越來(lái)越多，這是一個(gè)令人鼓舞的進(jìn)步，但是我們不僅需要增加公開(kāi)訪問(wèn)的數(shù)據(jù)庫(kù)，而且需在性能、普遍性和可重復(fù)性方面進(jìn)行優(yōu)化。同時(shí)鼓勵(lì)大學(xué)或者大學(xué)機(jī)構(gòu)、專業(yè)團(tuán)體和政府機(jī)構(gòu)克服某些基本的技術(shù)、法律和倫理問(wèn)題，共享經(jīng)過(guò)驗(yàn)證的數(shù)據(jù)，促進(jìn)智能合作[1,39]。

2.人工智能深度學(xué)習(xí)模式——“黑匣子”

另一個(gè)限制是人工智能深度學(xué)習(xí)模式對(duì)特定結(jié)果的可解釋性及對(duì)失敗的預(yù)知能力[1,2]。深度學(xué)習(xí)直接從數(shù)據(jù)中學(xué)習(xí)識(shí)別圖像中有助于預(yù)測(cè)結(jié)果的特定特征，其是高度假設(shè)的，導(dǎo)致缺乏對(duì)深度學(xué)習(xí)如何得出某些結(jié)論的理解。由于缺乏透明性，因此很難預(yù)測(cè)故障或?qū)⑻囟ńY(jié)論廣泛地推廣到不同的成像硬件、掃描協(xié)議和患者群體。毫不奇怪，許多應(yīng)用于影像學(xué)的無(wú)法解釋的人工智能深度學(xué)習(xí)系統(tǒng)被稱為“黑匣子”。

3.數(shù)據(jù)安全和倫理問(wèn)題

使用患者數(shù)據(jù)來(lái)訓(xùn)練這些人工智能系統(tǒng)可能會(huì)引發(fā)數(shù)據(jù)安全和隱私方面的倫理問(wèn)題。符合《健康保險(xiǎn)可攜性與責(zé)任法》的存儲(chǔ)系統(tǒng)促進(jìn)了更嚴(yán)格的隱私保護(hù)。相關(guān)研究探索了一種系統(tǒng)，它可以讓多個(gè)實(shí)體不共享輸入數(shù)據(jù)集，只共享訓(xùn)練過(guò)的模型的情況下聯(lián)合訓(xùn)練AI模型[40]。

此外，當(dāng)前人工智能工具的一個(gè)共同特點(diǎn)是能較好地執(zhí)行單一任務(wù)，無(wú)法處理多個(gè)任務(wù)。放射科醫(yī)生是人工智能培訓(xùn)過(guò)程中的關(guān)鍵要素，貢獻(xiàn)知識(shí)并監(jiān)督效率，然而真正懂人工智能的醫(yī)生相對(duì)較少。我們影像科醫(yī)師需要充分利用這些資源，促使AI成為更好的工具，發(fā)揮他們最大的作用。只有這樣，我們才能做到不僅能監(jiān)督結(jié)果，還能采用驗(yàn)證手段來(lái)解釋其背后的原因，以及發(fā)現(xiàn)潛在的、可能被忽視的隱藏信息，更高效地服務(wù)于臨床。