陳梓嫻，林 晨，倪金榮，南 江，莊 辛，薛敬梅，郭順林，雷軍強(qiáng)*

(1.蘭州大學(xué)第一醫(yī)院放射科，甘肅 蘭州 730000；2.甘肅省智能影像醫(yī)學(xué)工程研究中心，甘肅 蘭州 730000；3.精準(zhǔn)影像協(xié)同創(chuàng)新甘肅省國際科技合作基地，甘肅 蘭州 730000)

2018年北美放射學(xué)年會(huì)(Radiological Society of North America， RSNA)會(huì)議的主題是“Tomorrow's Radiology Today”,人工智能(artificial intelligence，AI)、機(jī)器學(xué)習(xí)(machine learning, ML)和深度學(xué)習(xí)(deep learning， DL)是本次會(huì)議的亮點(diǎn)，未來AI等創(chuàng)新技術(shù)將推動(dòng)影像學(xué)技術(shù)向“快速、安全、定量、精準(zhǔn)、經(jīng)濟(jì)”的方向發(fā)展。由影像學(xué)資料、臨床信息、基因特征、風(fēng)險(xiǎn)因素等構(gòu)建的信息中心將為個(gè)體化治療提供巨大幫助。AI、ML及DL之間的關(guān)系見圖1。

AI的概念由計(jì)算機(jī)科學(xué)家于1956年首次提出，是包含數(shù)學(xué)、計(jì)算機(jī)科學(xué)等多領(lǐng)域的交叉學(xué)科，被用于模擬、擴(kuò)展和延伸人的智能的理論、技術(shù)、方法及應(yīng)用系統(tǒng)[1]。隨后在AI基礎(chǔ)上出現(xiàn)了ML的概念，1996年Langley定義的ML是一門AI科學(xué)，該領(lǐng)域的研究對象是AI，是如何在經(jīng)驗(yàn)學(xué)習(xí)中改善具體算法的能力。換言之，ML就是實(shí)現(xiàn)、支持AI的計(jì)算方法，通過ML讓機(jī)器變得更加智能。DL是在ML過程中基于對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的方法，而卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks， CNN)又是DL中應(yīng)用最廣泛的算法。近年來，隨著影像學(xué)技術(shù)和計(jì)算機(jī)技術(shù)的不斷發(fā)展及有機(jī)結(jié)合，通過結(jié)合或改進(jìn)傳統(tǒng)的圖像處理方法，已將越來越多的AI技術(shù)應(yīng)用到醫(yī)學(xué)影像學(xué)中，在提高影像學(xué)醫(yī)師工作效率的同時(shí)提高診斷準(zhǔn)確率，使得AI在影像學(xué)輔助診斷中的潛在價(jià)值迅速增加。

圖1 人工智能關(guān)系示意圖

目前AI應(yīng)用比較成熟的影像學(xué)領(lǐng)域有肺結(jié)節(jié)的診斷[2]、乳腺癌篩查[3]及前列腺癌的診斷[4]。在以AI為基礎(chǔ)的計(jì)算機(jī)輔助診斷(computer-assisted diagnosis， CAD)軟件的幫助下，影像學(xué)醫(yī)師對于腫瘤病灶的檢出率可獲提高。此外，ML可在腫瘤的影像學(xué)檢查、圖像解析及規(guī)范報(bào)告等方面發(fā)揮積極作用[5]。

除腫瘤外，心血管疾病也是全球范圍導(dǎo)致年死亡人數(shù)最多的疾病之一，心血管影像在心血管疾病的早期診斷、病情評估、療效及預(yù)后判斷中發(fā)揮著不可替代的作用。心臟MRI(cardiac MRI, CMRI)可一站式提供心臟解剖學(xué)、形態(tài)學(xué)、功能學(xué)信息及心肌組織學(xué)特性，在心血管疾病診斷中具有明顯優(yōu)勢, 并可在一定程度上作為“金標(biāo)準(zhǔn)”[6]；其優(yōu)勢不僅在于良好的空間分辨率，還在于可避免電離輻射、放射性同位素及碘對比劑等對人體產(chǎn)生的不良影響[7]，故受到越來越多醫(yī)師和患者的青睞。近年來，AI技術(shù)也逐漸被運(yùn)用到CMRI中，研究重點(diǎn)集中在心室自動(dòng)分割等領(lǐng)域。2018年RSNA共收錄了55篇有關(guān)CMRI的學(xué)術(shù)報(bào)告(以“CMRI”為檢索詞)，其中AI相關(guān)的報(bào)告7篇(7/55，12.73%)。

1 ML

采用T1 mapping技術(shù)，可通過細(xì)胞外容積(extracellular volume， ECV)來定量評估心肌纖維化，但計(jì)算ECV時(shí)需測量患者的紅細(xì)胞壓積(hematocrit， Hct)。2018年有學(xué)者于RSNA上報(bào)道基于AI的ML算法，采用線性回歸(linear regression， LR)和ML算法直接從T1 mapping圖像中獲得Hct值，且與實(shí)驗(yàn)室測量結(jié)果相比差異無統(tǒng)計(jì)學(xué)意義，提示基于ML的算法可提供可靠的Hct和ECV值，無須當(dāng)天進(jìn)行實(shí)驗(yàn)室Hct檢測，彰顯了ML在臨床工作中的潛力。

擴(kuò)張型心肌病(dilated cardiomyopathy， DCM)的診斷和鑒別診斷是臨床難點(diǎn)，2018年Sun等于RSNA上報(bào)道，采用紋理分析提取50例DCM患者(DCM組)和24名健康志愿者(對照組)的12個(gè)直方圖參數(shù)和5個(gè)灰度共現(xiàn)矩陣(gray level co-occurrence matrix， GLCM)特征，結(jié)果顯示，相對于對照組，DCM組患者的大部分直方圖特征更高，其中9個(gè)直方圖特征存在顯著性差異，DCM組的GLCM特征、能量、相關(guān)性和同質(zhì)性均高于對照組，表明基于計(jì)算機(jī)的紋理分析和T1 mapping的ML方法可以為診斷DCM提供客觀工具。

2 DL

DL這一概念是由Hinton等[8]于2006年提出，是一種實(shí)現(xiàn)ML的技術(shù)，使用多層網(wǎng)絡(luò)來評估原始成像輸入數(shù)據(jù)中的復(fù)雜模式，是基于數(shù)據(jù)學(xué)習(xí)事物表征來識別特征圖像的方法。DL的目的在于建立可以進(jìn)行分析學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)，并通過模仿人腦的思維模式來解釋數(shù)據(jù)。DL通過組合一些簡單的低層特征獲得更加抽象的高層特征，來表示屬性類別，以發(fā)現(xiàn)數(shù)據(jù)的分布特征，從而解釋數(shù)據(jù)；其優(yōu)點(diǎn)在于用非監(jiān)督式或半監(jiān)督式的特征學(xué)習(xí)和分層特征，提取高效算法來替代手工獲取特征。目前CMRI采集耗時(shí)較長，且需患者多次屏氣，這不僅對許多患者具有挑戰(zhàn)性，而且圖像質(zhì)量易受運(yùn)動(dòng)偽影的影響，因此，如何提高圖像采集速度而又不損失圖像質(zhì)量是CMRI研究的重點(diǎn)，而DL在這方面發(fā)揮了一定作用。2018年Jo等于RSNA上報(bào)道采用全采樣法獲得10名志愿者CMRI短軸電影圖像，用基于DL的迭代降噪算法、三維CNN和二維卷積遞歸神經(jīng)網(wǎng)絡(luò)(convolutional recursive neural network， CRNN)進(jìn)行圖像重建，并與壓縮感知方法進(jìn)行比較，通過減少從采樣不足的數(shù)據(jù)中重建圖像所需的k空間數(shù)據(jù)量來加速CMRI數(shù)據(jù)采集，結(jié)果表明以上方法在采集速度和圖像重建質(zhì)量方面均優(yōu)于傳統(tǒng)優(yōu)化稀疏采集研究。另一方面，如何獲得優(yōu)質(zhì)MR冠狀動(dòng)脈造影(MR coronary arteriography， MRCA)圖像一直是CMRI的難題。雖然專用的T2準(zhǔn)備脈沖使無對比劑MRCA成為可能，但血管CNR仍不能滿足臨床需要。2018年Kidoh等于RSNA上探討DL重建(DL reconstruction, DLR)對無對比劑MRCA圖像質(zhì)量的影響，對10名無冠心病志愿者行無對比劑MRCA，并利用專用工作站生成中、高層DLR圖像，最后對圖像進(jìn)行定量和定性評價(jià)(血管SNR、可視化和偽影分級)，結(jié)果顯示DLR整體圖像質(zhì)量和圖像噪聲的視覺評分明顯優(yōu)于原始圖像，血管清晰度評分在原始DLR、中度DLR、高度DLR圖像中相似(分別為3.4、3.8、3.8)，圖像噪聲/顆粒度的視覺評分在原始DLR圖像中明顯優(yōu)于對照組、中度DLR組和高度DLR組(分別為2.4，3.8、4.0)；上述結(jié)果表明，使用DLR技術(shù)可在不降低血管銳度的同時(shí)提供更高的CNR，即DLR技術(shù)可提高無對比劑MRCA中冠狀動(dòng)脈的可視化程度。

3 CNN

CNN是目前使用最多的DL代表算法之一[9]，克服了過去AI中被認(rèn)為難以解決的一些問題。CNN的局部連接、權(quán)值共享及下采樣操作等特性使之可以有效地降低網(wǎng)絡(luò)的復(fù)雜程度，減少訓(xùn)練參數(shù)的數(shù)目；CNN具有抗變換性和容錯(cuò)能力，使模型對平移、縮放、扭曲等保持一定程度的不變性，有利于機(jī)器訓(xùn)練和算法優(yōu)化。盡管CNN已經(jīng)在計(jì)算機(jī)輔助檢測中存在了很長時(shí)間，但其在CMRI方面的應(yīng)用近年才逐漸興起。CNN在CMRI的應(yīng)用主要集中在圖像分割方面，左心室自動(dòng)分割對于有效量化心臟功能和形態(tài)至關(guān)重要。Vigneault等[10]利用CNN對42例肥厚型心肌病(hypertrophic cardiomyopathy， HCM)患者及21名健康對照者的心臟進(jìn)行全自動(dòng)、多切面定位掃描，并對左心室圖像進(jìn)行分割，結(jié)果表明采用該方法較以往方法有了實(shí)質(zhì)性進(jìn)步，可以在醫(yī)學(xué)圖像分割中得到更廣泛的應(yīng)用。Tan等[11]根據(jù)左心室中心點(diǎn)到心內(nèi)、外膜輪廓的徑向距離完成所有短軸切面和時(shí)相的左心室分割任務(wù)，然后利用CNN回歸判斷這些參數(shù)，結(jié)果表證CNN回歸結(jié)合領(lǐng)域特異性特征在臨床分割中具有有效性。左心室容積評估是診斷心臟疾病的關(guān)鍵步驟之一。Luo等[12]運(yùn)用CNN處理CMRI圖像實(shí)現(xiàn)了預(yù)測左心室容積，該方法不僅適用于對心臟疾病患者進(jìn)行大規(guī)模CMRI數(shù)據(jù)篩選，而且可推廣到其他醫(yī)學(xué)圖像研究領(lǐng)域。2018年Mallon等于RSNA上報(bào)道對DCM、HCM和志愿者行CMRI(回顧性門控電影成像)，用四腔心電影序列數(shù)據(jù)行CNN分析，結(jié)果顯示每名受試者的處理時(shí)間約2 s，82例DCM患者中有80例被正確分類，97例HCM患者中有84例被正確分類，87名志愿者全部被正確分類，總計(jì)94.36%(251/266)的參與者被正確分類。使用CNN可直接分析CMRI電影序列圖像，其診斷心肌病的準(zhǔn)確率較高，并可從中排除健康人群，顯示CNN具有有效和客觀地診斷心肌病的潛力。2018年Tao等于RSNA上報(bào)道對180例心肌梗死患者在植入心律轉(zhuǎn)復(fù)除顫器前行釓對比劑延遲增強(qiáng)(late gadolinium enhancement， LGE) MR掃描，應(yīng)用CNN對LGE圖像進(jìn)行全自動(dòng)分析，結(jié)果顯示CNN通過完全自動(dòng)化方式同時(shí)識別了左心室和心肌瘢痕，每名受試者處理時(shí)間均<0.2 s，且CNN與觀察者測量瘢痕大小無顯著差異。CNN在自動(dòng)快速識別和量化心肌瘢痕中顯示出巨大的前景。2018年Blansit等于RSNA上報(bào)道， 回顧性收集472個(gè)心臟短軸和892個(gè)心臟長軸電影序列數(shù)據(jù)，通過CNN識別解剖學(xué)部位，并與放射科醫(yī)師標(biāo)注比較，表明CNN可以完成標(biāo)準(zhǔn)層面定位和掃描層面選擇，故基于CNN的解剖定位用于確定CMRI平面具有可行性。

4 發(fā)展與展望

目前AI的發(fā)展迅猛，具有諸多優(yōu)勢，但大規(guī)模普及應(yīng)用于臨床還存在很多問題[13]。①缺乏有效數(shù)據(jù)：ML的特性決定了初期要依靠大量高質(zhì)量的數(shù)據(jù)來進(jìn)行學(xué)習(xí)、訓(xùn)練，從而優(yōu)化算法以保證較高的精確度，因此如何獲取有效數(shù)據(jù)是AI在醫(yī)療領(lǐng)域、特別是影像學(xué)領(lǐng)域應(yīng)用需要最先跨越的障礙；②技術(shù)成熟、標(biāo)準(zhǔn)制定尚需時(shí)間：目前AI很多技術(shù)仍處于研發(fā)階段，很多問題并未得到解決，AI技術(shù)本身的不成熟性導(dǎo)致其存在一系列風(fēng)險(xiǎn)并遭受質(zhì)疑；③數(shù)據(jù)安全隱患較大：在AI時(shí)代，大數(shù)據(jù)加速溢出的同時(shí)加大了數(shù)據(jù)泄露的安全隱患，個(gè)人隱私安全面臨前所未有的挑戰(zhàn)，如何進(jìn)行監(jiān)督管理是亟待解決的問題。

綜上所述，影像學(xué)診斷數(shù)據(jù)的日益普及和大數(shù)據(jù)分析方法的迅速發(fā)展將促使智能影像學(xué)的發(fā)展進(jìn)入新時(shí)代。盡管AI還面臨很多問題和質(zhì)疑，但在各專業(yè)人員的共同努力下，這項(xiàng)技術(shù)將日趨成熟，影像學(xué)智能診斷將迎來一個(gè)嶄新的未來。