摘? 要：醫(yī)學(xué)影像學(xué)正朝向大數(shù)據(jù)應(yīng)用方面發(fā)展，醫(yī)學(xué)影像大數(shù)據(jù)具有大規(guī)模、高增速、多結(jié)構(gòu)、高價值和真實準(zhǔn)確五個特點(diǎn)。受技術(shù)方面的制約，目前絕大多數(shù)影像數(shù)據(jù)還需依賴影像診斷醫(yī)師進(jìn)行人工分析，因此出現(xiàn)了誤診率高、醫(yī)師缺口大的問題。隨著我國發(fā)展人工智能腳步的加快，醫(yī)學(xué)影像被業(yè)內(nèi)認(rèn)為是人工智能在醫(yī)療中最有潛力的落地領(lǐng)域。在未來，AI醫(yī)學(xué)影像大數(shù)據(jù)主要會有以下幾個發(fā)展方向：開發(fā)智能醫(yī)學(xué)影像圖像分析工具、助力精準(zhǔn)醫(yī)療、促進(jìn)影像組學(xué)方法的發(fā)展。在發(fā)展的同時，我們還要關(guān)注制約醫(yī)學(xué)影像大數(shù)據(jù)應(yīng)用的幾個因素，即影像數(shù)據(jù)的規(guī)模與質(zhì)量還較低、數(shù)據(jù)標(biāo)注效率有待提高、“人工智能+醫(yī)療”的復(fù)合背景人才稀缺。

關(guān)鍵詞：醫(yī)學(xué)影像大數(shù)據(jù);人工智能;精準(zhǔn)醫(yī)療

中圖分類號：R445 文獻(xiàn)標(biāo)識碼：A ? ?文章編號：1671-2064（2019）24-0000-00

1 認(rèn)識醫(yī)學(xué)影像大數(shù)據(jù)

1.1 什么是醫(yī)學(xué)影像大數(shù)據(jù)

在醫(yī)學(xué)領(lǐng)域，隨著信息化的不斷深入，數(shù)字醫(yī)學(xué)數(shù)據(jù)越來越豐富，其中醫(yī)學(xué)影像數(shù)據(jù)是一個十分重要的組成部分，有超過80%的醫(yī)療數(shù)據(jù)來自于醫(yī)學(xué)影像。如果按照大數(shù)據(jù)的特點(diǎn)，醫(yī)學(xué)影像大數(shù)據(jù)的定義可表示為：由DR、CT、MR等醫(yī)學(xué)影像設(shè)備所產(chǎn)生的，存儲在PACS系統(tǒng)內(nèi)的，大規(guī)模、高增速、多結(jié)構(gòu)、高價值和真實準(zhǔn)確的影像數(shù)據(jù)集合。其具有以下五個特點(diǎn)：大規(guī)模、高增速、多結(jié)構(gòu)、高價值和真實準(zhǔn)確。

多結(jié)構(gòu)和高價值這兩點(diǎn)很好理解。醫(yī)療影像設(shè)備種類日益增長，使得醫(yī)學(xué)影像大數(shù)據(jù)包含結(jié)構(gòu)化表格、半結(jié)構(gòu)化文本、非結(jié)構(gòu)化影像等，數(shù)據(jù)結(jié)構(gòu)多樣;且現(xiàn)代醫(yī)學(xué)越來越依賴醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行診斷，約80%的臨床問題需要影像檢查才能得到準(zhǔn)確的診斷結(jié)果，這使得影像大數(shù)據(jù)具有很高的醫(yī)學(xué)分析和指導(dǎo)價值。

大規(guī)模和高增速需要從市場和人口兩個大環(huán)境來解釋。據(jù)統(tǒng)計，我國科室級PACS、多科室或全院級PACE系統(tǒng)建設(shè)水平已經(jīng)分別達(dá)到了60-70%和50-60%，基本覆蓋國內(nèi)一線城市的三甲醫(yī)院，從市場增速來看，我國PACS市場年均增速在25%以上;人口方面，影響醫(yī)療影像大數(shù)據(jù)規(guī)模的主要是人口基數(shù)和年齡的分布，據(jù)預(yù)測，到本世紀(jì)中葉，我國老年人口數(shù)量將達(dá)到峰值，超過4億，屆時每3個人中就會有一個老年人，老齡化必將帶來醫(yī)療服務(wù)的旺盛需求。所以，目前PACS系統(tǒng)的普及率和人口數(shù)量的龐大，是我國醫(yī)學(xué)影像大數(shù)據(jù)的大規(guī)?；A(chǔ)，而PACS系統(tǒng)和老齡人口的快速增長率，是醫(yī)學(xué)影像大數(shù)據(jù)的高增速的基礎(chǔ)。

作為大數(shù)據(jù)5V特征中的最后一環(huán)，醫(yī)學(xué)影像大數(shù)據(jù)的真實性是如何實現(xiàn)的呢？這需要從數(shù)據(jù)處理技術(shù)方面來解釋。事實上，PACS系統(tǒng)從不同的影像設(shè)備上收集的數(shù)據(jù)在質(zhì)量上往往參差不齊，而數(shù)據(jù)分析結(jié)果的準(zhǔn)確度和可信度很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低，所謂“垃圾進(jìn)，垃圾出”，沒有數(shù)據(jù)準(zhǔn)確性作保證，大數(shù)據(jù)分析就變成了一紙空談。為了保證影像大數(shù)據(jù)的真實性，在影像設(shè)備將影像數(shù)據(jù)傳遞給PACS系統(tǒng)后，首先要做的第一步就是由PACS系統(tǒng)來對影像進(jìn)行后處理。以多維影像融合這項技術(shù)為例，主要包括數(shù)據(jù)預(yù)處理、圖像分割、特征提取以及匹配判斷這幾個過程。簡單來說，數(shù)據(jù)預(yù)處理是指將大量模糊的、不完整的、帶有噪聲和冗余的信息進(jìn)行清理和過濾， 濾掉殘渣，留下精華，將其變成適合挖掘的形式，包括圖像去噪、增強(qiáng)、平滑、銳化等工作;圖像分割和特征提取環(huán)節(jié)是將預(yù)處理過的圖像“切絲、切段”，為后期的智能匹配和判斷提供精準(zhǔn)的素材，例如器官形態(tài)模型、圖像邊緣特征模型、神經(jīng)網(wǎng)絡(luò)聚類模型等;最后的圖像匹配和聚類的過程，需要依賴深度學(xué)習(xí)等核心技術(shù)，即人工智能與醫(yī)學(xué)影像大數(shù)據(jù)的融合。

1.2 醫(yī)學(xué)影像大數(shù)據(jù)的應(yīng)用現(xiàn)狀

據(jù)了解，目前絕大多數(shù)醫(yī)學(xué)影像數(shù)據(jù)都要依賴影像診斷醫(yī)師進(jìn)行人工分析。人工分析主要存在以下兩個問題：第一是精確度低。影像診斷結(jié)果會因為受到醫(yī)師的精力、耐力、眼力、經(jīng)驗水平等因素的局限，很容易被誤判。中國醫(yī)學(xué)會的一份誤診數(shù)據(jù)資料顯示，中國臨床醫(yī)療每年的誤診人數(shù)約為5700萬人，總誤診率為27.8%，其中惡性腫瘤平均誤診率為40%，如鼻咽癌、白血病、胰腺癌等，肝結(jié)核、胃結(jié)核等肺外結(jié)核的平均誤診率也在40%以上。因為醫(yī)療行業(yè)中80%-90%的數(shù)據(jù)都來源于醫(yī)學(xué)影像，醫(yī)學(xué)影像是醫(yī)生進(jìn)行疾病判斷的重要依據(jù)，所以要降低誤診率，首先要提高影像診斷的精確度。

第二是放射科醫(yī)師缺口大。目前我國放射科醫(yī)師僅有8萬多名，每年承擔(dān)的診斷工作量卻達(dá)到了14.4億張影像，并且這個需求還在不停地增加，我國醫(yī)學(xué)影像數(shù)據(jù)以每年30%的速率增長，與之相對應(yīng)的放射科醫(yī)師的年增長速率卻只有4%，其間的差距是26%，放射科醫(yī)師數(shù)量的增長遠(yuǎn)不及影像數(shù)據(jù)的增長。這意味著放射科醫(yī)師在未來處理影像數(shù)據(jù)的壓力會越來越大，甚至遠(yuǎn)遠(yuǎn)超過負(fù)荷。據(jù)統(tǒng)計，有超過50%的放射科醫(yī)師工作時間在8小時以上，20.6%的醫(yī)師每天平均工作時間超過10個小時。面對爆炸式增長的醫(yī)學(xué)影像數(shù)據(jù)集和相當(dāng)較少的、水平不一的閱片醫(yī)師，醫(yī)師的疲勞、情緒等因素都將會導(dǎo)致誤診、漏診率的上升。

那么，面對目前醫(yī)學(xué)影像誤診率高、醫(yī)師缺口大的問題，應(yīng)該通過何種途徑去解決呢？從現(xiàn)有技術(shù)水平來看，最好的途徑便是人工智能，隨著人工智能和醫(yī)學(xué)影像大數(shù)據(jù)的逐漸普及，兩者的融合，必將成為醫(yī)學(xué)影像發(fā)展的重要方向。

2 未來醫(yī)學(xué)影像大數(shù)據(jù)的應(yīng)用發(fā)展

得益于高質(zhì)量、高標(biāo)準(zhǔn)化的醫(yī)療影像數(shù)據(jù)庫的快速積累，醫(yī)學(xué)影像天然具有使用人工智能進(jìn)行大數(shù)據(jù)處理的可能，再加上智能圖像診斷算法趨于成熟，人工智能技術(shù)被認(rèn)為是解決當(dāng)前醫(yī)學(xué)影像界面臨難題的“救命稻草”，醫(yī)學(xué)影像也因此成為人工智能在醫(yī)療中最有潛力的落地領(lǐng)域。醫(yī)學(xué)影像大數(shù)據(jù)與人工智能相結(jié)合主要會有以下幾個發(fā)展方向：

2.1 提供醫(yī)學(xué)影像圖像分析工具

AI醫(yī)學(xué)影像應(yīng)用中最為亮眼的成果無疑是“醫(yī)學(xué)影像閱片機(jī)器人”了。大數(shù)據(jù)、計算力以及人工智能算法是AI近年來崛起的基石，醫(yī)學(xué)影像閱片機(jī)器人的誕生也正基于此。據(jù)檢測，通過輸入上萬多張高質(zhì)量的人工標(biāo)注的CT影像，配以適用于AI的高性能計算機(jī)（HPC）設(shè)備和用于影像識別的3D卷積神經(jīng)網(wǎng)絡(luò)算法，閱片機(jī)器人就可以從若干張肺部CT光片中找到隱匿著的少量病人的CT片，快速識別圖片中病灶的位置，在準(zhǔn)確率上勝過了絕大多數(shù)專業(yè)醫(yī)生，在用時上更是遠(yuǎn)遠(yuǎn)超過了人類選手。

這種以“閱片機(jī)器人”為代表的人工智能醫(yī)學(xué)影像輔助診斷系統(tǒng)進(jìn)入臨床應(yīng)用后，勢必會將放射科醫(yī)師從繁重的閱片工作量中解脫出來，幫助醫(yī)生快速獲得影像診斷結(jié)果，提高診療效率和準(zhǔn)確性，并且這種經(jīng)過大數(shù)據(jù)訓(xùn)練后的影像輔助診斷系統(tǒng)可以變身為一個“類似應(yīng)用程序的東西”，嵌入在任何的服務(wù)器甚至手機(jī)上，從而能夠在社區(qū)、鄉(xiāng)鎮(zhèn)等醫(yī)療條件不高的地方給基層醫(yī)生“頂級專家看病的本事”。

2.2 助力精準(zhǔn)醫(yī)療

2013年，美國女星安吉麗娜·朱莉通過基因檢測，發(fā)現(xiàn)其攜帶了一個“乳腺癌易感基因”，根據(jù)醫(yī)生建議，朱莉接受了雙側(cè)乳腺切除手術(shù)，通過手術(shù)，朱莉患有乳腺癌的幾率從87%下降到了5%。這是一個典型的利用基因大數(shù)據(jù)實現(xiàn)“精準(zhǔn)治療”的案例。隨著計算機(jī)存儲量和運(yùn)行速度的提升，生物醫(yī)學(xué)大數(shù)據(jù)的整合利用，疾病的治療將從經(jīng)驗醫(yī)學(xué)向精準(zhǔn)醫(yī)學(xué)轉(zhuǎn)變，最終可實現(xiàn)疾病的“同病不同因，同因不同治”。而醫(yī)學(xué)影像大數(shù)據(jù)在精準(zhǔn)醫(yī)療的發(fā)展中發(fā)揮著絕對的主力作用，有超過90%的臨床醫(yī)學(xué)數(shù)據(jù)來自于醫(yī)學(xué)影像，如果能夠運(yùn)用人工智能技術(shù)分析醫(yī)學(xué)影像，深入挖掘影像特征與病狀之間的聯(lián)系，并將影像與醫(yī)學(xué)文本記錄進(jìn)行交叉對比，與基因組數(shù)據(jù)相結(jié)合，即可更準(zhǔn)確地分析出針對個體的診斷與治療方案，挽救患者的生命。

2.3 促進(jìn)影像組學(xué)方法的發(fā)展

在臨床實踐中，影像醫(yī)生對圖像的解讀還停留于主觀的判斷，通常基于病灶形態(tài)、大小、部位、密度/信號、增強(qiáng)強(qiáng)化模式等作出診斷。這樣的方法存在主觀性強(qiáng)、依賴于臨床經(jīng)驗等缺點(diǎn)，已不能滿足現(xiàn)代醫(yī)療模式轉(zhuǎn)向精準(zhǔn)醫(yī)學(xué)實踐的要求，在臨床上亟需研發(fā)影像量化方法。近年來，隨著醫(yī)學(xué)影像大數(shù)據(jù)和醫(yī)學(xué)圖像分析技術(shù)的發(fā)展，從醫(yī)學(xué)圖像中挖掘信息，提供臨床醫(yī)生肉眼不能判讀的深層定量信息用于臨床分析與臨床指導(dǎo)，逐漸成為醫(yī)學(xué)圖像研究的熱點(diǎn)，影像組學(xué)因此而產(chǎn)生。

荷蘭學(xué)者Philippe Lambin教授于2012年提出影像組學(xué)（Radiomics）的概念，其定義是：利用計算機(jī)軟件，將醫(yī)學(xué)影像轉(zhuǎn)化為可挖掘的數(shù)據(jù)，從中抽取海量的定量影像特征，用于臨床信息的解析。其基本分析流程包括：圖像獲取及病灶分割，影像組學(xué)特征提取，影像組學(xué)特征篩選、模型構(gòu)建和臨床信息解析等。簡單來說，它的工作流程與醫(yī)生日常讀片是非常類似的，針對影像數(shù)據(jù)，提取特征，利用人工智能建模，然后再進(jìn)行臨床應(yīng)用、輔助決策。但相比醫(yī)生，它的最大優(yōu)勢在于計算機(jī)看到了高維信息，能夠看到蛋白基因在宏觀影像上的變化，這樣的寶貴數(shù)據(jù)可以輔助醫(yī)生提升臨床診斷的正確性和準(zhǔn)確性。

3 AI醫(yī)學(xué)影像發(fā)展面臨的問題

3.1 影像數(shù)據(jù)的規(guī)模與質(zhì)量需要進(jìn)一步提高

數(shù)據(jù)是人工智能算法所需的核心資源，僅掌握算法而缺乏數(shù)據(jù)是無法獲得較好訓(xùn)練效果的。現(xiàn)階段，我國的醫(yī)療影像仍處于從傳統(tǒng)膠片向電子數(shù)據(jù)過渡的階段，大量影像資料尚未數(shù)字化，且醫(yī)院之間的數(shù)據(jù)共享和互通程度較低，是否能夠獲取大規(guī)模的、優(yōu)質(zhì)的、標(biāo)準(zhǔn)化的、規(guī)范化的可靠大數(shù)據(jù)是對本行業(yè)的一個巨大考驗。

3.2 數(shù)據(jù)標(biāo)注效率有待提高

在獲取數(shù)據(jù)的基礎(chǔ)上，人工智能在對模型進(jìn)行訓(xùn)練之前，訓(xùn)練集需要進(jìn)行事先標(biāo)注。由于大多數(shù)圖像標(biāo)注還需依賴人工識別，至少需要兩位以上的資深醫(yī)學(xué)專家來控制標(biāo)注質(zhì)量，如果標(biāo)注結(jié)果不一樣，還會再聘請一位更高資歷的專家來確定標(biāo)準(zhǔn)，數(shù)據(jù)標(biāo)注工作耗費(fèi)了較大量的人力和時間，成本非常高。因此在AI醫(yī)療影像領(lǐng)域，如何高效的自動獲取具有高可靠性的標(biāo)注數(shù)據(jù)也成為今后需重點(diǎn)解決的問題。

3.3 跨學(xué)科人才稀缺

在醫(yī)學(xué)這個專業(yè)程度很高的領(lǐng)域，AI醫(yī)學(xué)影像應(yīng)用及平臺開發(fā)者不僅要研究人工智能算法，更要對醫(yī)療影像識別建立深入的了解，急需一大批高素質(zhì)，既懂醫(yī)學(xué)，又懂理學(xué)、工科的復(fù)合型、跨學(xué)科人才。歸根到底，一個AI產(chǎn)品是否符合醫(yī)療行業(yè)需求，主要看是不是解決臨床問題，是不是按照醫(yī)生的需求去設(shè)計，按照醫(yī)生的規(guī)劃達(dá)到一定效果，因此開發(fā)者只懂AI技術(shù)是遠(yuǎn)遠(yuǎn)不夠的，只有“人工智能+醫(yī)療”的復(fù)合背景人才才能開發(fā)出醫(yī)生真正覺得好用的產(chǎn)品，人才是決定本行業(yè)未來發(fā)展高度的決定性因素。

4 結(jié)語

醫(yī)學(xué)影像大數(shù)據(jù)與人工智能的結(jié)合已是大勢所趨，深入挖掘醫(yī)學(xué)影像大數(shù)據(jù)背后的價值，用人工智能賦能醫(yī)學(xué)影像大數(shù)據(jù)，用科技的力量改變醫(yī)學(xué)影像診斷，釋放人工智能在醫(yī)療領(lǐng)域應(yīng)用的巨大潛力，解放醫(yī)生，讓患者看病不再困難，這將是時代賦予影像人肩上的重?fù)?dān)！

參考文獻(xiàn)

[1] 張振，周毅，杜守洪，等.醫(yī)療大數(shù)據(jù)及其面臨的機(jī)遇與挑戰(zhàn)[J].醫(yī)學(xué)信息學(xué)雜志，2014，35（6）：2—8.

收稿日期：2019-10-22

作者簡介：滕樹凝（1981—），女，山東濟(jì)南人，碩士，講師，研究方向：醫(yī)學(xué)影像成像原理、醫(yī)學(xué)信息學(xué)。