閻慶虎，崔 嘉，王春雷，于德新

（1.山東大學(xué)臨床醫(yī)學(xué)院，山東 濟南 250012；2.山東省胸科醫(yī)院影像科，山東 濟南 250013；3.山東省濰坊市人民醫(yī)院急診科，山東 濰坊 261000；4.山東大學(xué)齊魯醫(yī)院放射科，山東 濟南 250012）

近年來，以深度學(xué)習(xí)為核心的人工智能技術(shù)取得了一系列重大突破，被廣泛應(yīng)用到各個領(lǐng)域，包括制造業(yè)、服務(wù)業(yè)等，如人臉識別及語音識別技術(shù)均采用人工智能技術(shù)。人工智能技術(shù)也逐步應(yīng)用到醫(yī)療領(lǐng)域中，包括醫(yī)學(xué)影像學(xué)（如CT），主要體現(xiàn)在使用以深度學(xué)習(xí)為代表的方法對影像大數(shù)據(jù)進行挖掘、搜索和提取相關(guān)信息，而影像組學(xué)則是此類工作模式的代表［1］?，F(xiàn)就人工智能的產(chǎn)生、發(fā)展及在肺部疾病診斷中的應(yīng)用現(xiàn)狀及前景等進行綜述。

1 人工智能醫(yī)學(xué)影像的產(chǎn)生、發(fā)展

從1956 年達特茅斯會議首次定義“人工智能”開始［2］，人工智能研究經(jīng)歷了多次高潮和低谷。目前人工智能的研究熱潮主要源于結(jié)構(gòu)模擬方法方面的突破，由于解決了深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練問題，加上大數(shù)據(jù)高性能計算平臺（云計算、GPU 等）的支持，使人工智能的研究和應(yīng)用變成現(xiàn)實。

深度學(xué)習(xí)在實際應(yīng)用中的成功案例首推圖像識別，目前基于深度學(xué)習(xí)的圖像識別功能已超越了人類［3］。醫(yī)學(xué)影像的本質(zhì)主要是圖像識別，人工智能醫(yī)學(xué)影像的概念于20 世紀(jì)60 年代被提出［4］，但直到今天以深度學(xué)習(xí)為代表的新一代人工智能結(jié)合的醫(yī)學(xué)影像的產(chǎn)生，才將其應(yīng)用于臨床實踐中。不同疾病有不同的影像表現(xiàn)特征，人工智能依靠醫(yī)學(xué)圖像識別技術(shù)辨別疾病的影像特征，挖掘人眼不能識別的信息，并進行提取，建立診斷和鑒別診斷模型，從而產(chǎn)生了影像組學(xué)。

影像組學(xué)是應(yīng)用高通量計算從體層圖像（MRI、CT、PET）中快速提取大量的量化影像特征，并轉(zhuǎn)換為可發(fā)掘的高保真數(shù)字化數(shù)據(jù)［5］，通過影像的量化分析可解析影像所包含的各種病理生理學(xué)進程及其相互關(guān)系。目前，影像組學(xué)在醫(yī)學(xué)領(lǐng)域中實踐性應(yīng)用較多，包括乳腺癌的檢測、皮膚癌圖像的分析［6］、糖尿病視網(wǎng)膜病變檢測［7］、放療靶區(qū)勾畫及臟器三維重建等。人工智能技術(shù)在肺部疾病影像診斷中也有巨大的潛力和價值。

2 人工智能在肺部疾病影像診斷中的應(yīng)用現(xiàn)狀

近幾年，肺部疾病的人工智能研究快速發(fā)展起來，較成熟的應(yīng)用是通過胸部X 線片診斷肺部疾病及早期肺癌的CT 篩查。其他肺部疾病的CT 診斷相關(guān)研究相對較少，且樣本量不大，結(jié)果的可靠性需進一步驗證。

2.1 人工智能在胸部X 線片中的應(yīng)用 目前，人工智能主要用于胸部X 線圖像的分割和骨骼抑制。對于復(fù)雜的胸部X 線圖像，研究人員需很長時間才能找到一組有助于提高計算機輔助診斷（computer-aided diagnosis，CAD）性能的功能。近年來，由于深度學(xué)習(xí)在不同圖像識別任務(wù)（如圖像分類和語義分割）中得到廣泛應(yīng)用，且深度學(xué)習(xí)技術(shù)和大型數(shù)據(jù)庫建設(shè)的快速進展，使其診斷水平已超越普通工作人員。

人工智能的價值在于幫助早期識別肺部病變，分析多重呼吸道感染的影像學(xué)特征，通過CAD 設(shè)計定義和測量疾病特征，并提出治療策略。如肺結(jié)核是全球第九大死因，是單一傳染源的主要死因（高于艾滋?。?，其影像特點復(fù)雜多變，一些研究根據(jù)病變的形狀、質(zhì)地和局部特征檢測肺結(jié)核。為了模擬放射科醫(yī)師對肺部疾病影像紋理特征的視覺診斷，有研究［8］使用紋理特征作為描述符，將圖像分類為結(jié)核和非結(jié)核，結(jié)果表明，利用圖像直方圖中的統(tǒng)計特征可檢出肺結(jié)核。另有研究［9］提出了一種基于分段肺區(qū)域紋理特征的肺結(jié)核指數(shù)，并利用決策樹對正常和異常的胸部X 線片進行分類，準(zhǔn)確率達94.9%。最近，深度學(xué)習(xí)在結(jié)核病分類中的作用被證實是有效的。HWANG 等［10］提出了第一個基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）的結(jié)核病自動檢測系統(tǒng)，采用一種轉(zhuǎn)移學(xué)習(xí)策略提高系統(tǒng)的性能，克服了神經(jīng)網(wǎng)絡(luò)訓(xùn)練困難的問題。LAKHANI 等［11］采用深度卷積神經(jīng)網(wǎng)絡(luò)的方法進一步提高了診斷準(zhǔn)確度（AUC 0.99）。在間質(zhì)性肺病檢測方面，早期文獻［12-15］使用CAD 系統(tǒng)通過紋理分析檢測胸部X 線片中的間質(zhì)性肺病。Kun Rossman 實驗室的CAD 系統(tǒng)將肺部劃分為多個ROI，并分析肺部的ROI 以確定是否異常［16］。隨著深度學(xué)習(xí)在肺部疾病檢測中的應(yīng)用，因沒有大型胸部X 線數(shù)據(jù)集，目前尚無X 線數(shù)據(jù)集檢測間質(zhì)性肺病的相關(guān)文獻，大多數(shù)文獻使用CT 數(shù)據(jù)集檢測間質(zhì)性肺病。除肺結(jié)節(jié)、肺結(jié)核和間質(zhì)性肺病外，深度學(xué)習(xí)通過胸部X 線片還可監(jiān)測到其他疾病，如心臟肥大、肺炎、肺水腫、肺氣腫等，但相關(guān)研究較少。如檢測心臟肥大常需分析心臟大小，并計算心胸比（cardiothoracic ratio，ctr）。CANDEMIR 等［17］以1d-ctr、2d-ctr 為特征，采用支持向量機對250 幅心臟擴張圖像和250 幅正常圖像進行分類，準(zhǔn)確率76.5%。而ISLAM 等［18］使用多個CNN 檢測心臟肥大，在560 個圖像樣本上對流量工程網(wǎng)絡(luò)進行了精確調(diào)整，并對100 個圖像進行驗證，得到了最大精度為93%。肺炎和肺水腫可通過提取紋理特征來分類，如PARVEEN 等［19］使用模糊C 均 值（fuzzy C-means，F(xiàn)CM）聚類算法檢測肺炎，流量工程網(wǎng)絡(luò)結(jié)果顯示胸部肺部呈黑色或深灰色，而肺炎因水腫和滲出導(dǎo)致病變區(qū)域密度增加，此方法有助于簡便準(zhǔn)確地判斷感染程度。KUMAR 等［20］使用機器學(xué)習(xí)算法對胸部X 線片進行紋理分析，利用函數(shù)濾波器和支持向量機（support vector machine，SVM）區(qū)分X 線胸片中正常結(jié)構(gòu)與肺水腫，獲得了0.96 的AUC，但并未驗證其他肺部疾病的診斷準(zhǔn)確性。ISLAM 等［18］使用CNN 檢測和定位肺水腫，效果較好。

2.2 人工智能在肺結(jié)節(jié)和肺癌CT 篩查及診斷中的價值 近年來，肺癌發(fā)病率逐漸上升，已成為世界范圍內(nèi)致死率最高的癌癥之一。CT 對肺部疾病的診斷具有較高的敏感性，圖像處理、模式識別等技術(shù)與CT 的深度融合，促進了影像組學(xué)的迅速發(fā)展。CT 容積掃描覆蓋全肺且無間隔，大量薄層圖像為獲取全部的特征提供了基礎(chǔ)，也顯著提高了小結(jié)節(jié)的檢出率。

肺結(jié)節(jié)篩查的主要步驟是使用圖像分割算法對肺部掃描序列進行處理，生成肺部區(qū)域圖，然后根據(jù)肺部區(qū)域圖生成肺部圖像。利用肺部分割生成的肺部區(qū)域圖像和結(jié)節(jié)標(biāo)準(zhǔn)信息生成結(jié)節(jié)區(qū)域圖像，對基于CNN 的肺結(jié)節(jié)分割器進行訓(xùn)練，然后對圖像進行肺結(jié)節(jié)分割，得到疑似肺結(jié)節(jié)區(qū)域。找到疑似肺結(jié)節(jié)后，使用3D CNN 對肺結(jié)節(jié)進行分類，得到真正肺結(jié)節(jié)的位置和置信度。

肺結(jié)節(jié)檢測系統(tǒng)主要流程：①讀入CT 源圖像；②圖像預(yù)處理；③肺實質(zhì)分割；④ROI 分割；⑤ROI特征提??；⑥機器學(xué)習(xí)；⑦模型訓(xùn)練；⑧分類器；⑨診斷結(jié)果等。其中基于圖像處理的肺結(jié)節(jié)實質(zhì)ROI 自動分割過程最重要，主要步驟：①通過最佳閾值分割算法分割；②中心連通區(qū)域分割；③背景濾噪；④軀干模板與OTSU 算法分割掩膜；⑤初步肺部區(qū)域分割；⑥肺實質(zhì)背景輪廓；⑦肺部實質(zhì)分割；⑧提取ROI。在獲取單幅肺實質(zhì)數(shù)據(jù)后，可發(fā)現(xiàn)大部分區(qū)域灰度值較低，而其他高灰度區(qū)域可能同時包含結(jié)節(jié)、血管、臟器邊緣等。因此，在ROI 提取時，應(yīng)盡可能將ROI 全面分割，計算實質(zhì)區(qū)域的局部最后閾值，從而得到二值圖像。之后對每個ROI 進行特征提取，從而進行模型訓(xùn)練，最后得出診斷結(jié)果。

人工智能提取出的影像組學(xué)特征對預(yù)測肺癌的組織學(xué)分型、基因表達和預(yù)后評價均有很高價值。在鑒別肺原位癌和浸潤性肺腺癌中，LEE 等［21］證明，紋理分析結(jié)合臨床和CT 特征，相比僅依靠臨床和CT 特征，區(qū)分能力顯著提高，AUC 從79.0%升至92.9%。另一項86 例實性與磨玻璃結(jié)節(jié)的研究［22］成功鑒別了非浸潤肺腺癌和浸潤性肺腺癌。WU 等［23］利用440 個影像組學(xué)特征對350 例肺腫瘤患者的CT 圖像進行預(yù)處理，觀察到53 個影像組學(xué)特征明顯與腫瘤組織學(xué)有關(guān)，結(jié)合使用基于小波特征分析的腫瘤組織學(xué)亞型，可進行預(yù)測（AUC 為72%）。MALDONADO 等［24］研究出一種聚類分析軟件（金絲雀），利用無創(chuàng)的肺腺癌影像組學(xué)特征推測病理表征，發(fā)現(xiàn)肺結(jié)節(jié)有基因組異質(zhì)性，表現(xiàn)為結(jié)節(jié)物質(zhì)內(nèi)的細微差別，肉眼不易察覺，然而這種異質(zhì)性可利用影像組學(xué)提取的特征對其CT 圖像進行統(tǒng)計評估，提煉出相關(guān)特征建立數(shù)據(jù)模型，從而對肺腺癌進行診斷、預(yù)測。LIU 等［25］回顧性分析299 例外周肺腺癌，基于CT 的影像組學(xué)特征評估預(yù)測表皮生長因子受體（EGFR）突變情況；統(tǒng)計出11 個影像組學(xué)特征在EGFR 突變?nèi)汉蛷V泛基因群之間有顯著差異；發(fā)現(xiàn)5 個影像組學(xué)特征可預(yù)測突變的EGFR（AUC 為0.647）；當(dāng)影像組學(xué)特征與臨床特征結(jié)合，其預(yù)測能力AUC 從0.667 提升至0.709（P＞0.000 1）。有研究［26-27］分別對接受手術(shù)、放療或靶向治療的非小細胞肺癌患者建立了預(yù)測模型，每個模型都用來預(yù)測治療后反應(yīng)和存活率。COROLLER等［28］研究表明，影像組學(xué)數(shù)據(jù)可預(yù)測晚期非小細胞肺癌患者治療后的病理反應(yīng)；從肺癌CT 圖像中提取的影像組學(xué)特征可區(qū)分腫瘤治療后是放射性纖維化還是局部復(fù)發(fā)，從而評估發(fā)生遠處轉(zhuǎn)移的風(fēng)險。

3 應(yīng)用前景

肺部疾病復(fù)雜多樣，但人工智能具有圖像識別的優(yōu)勢，基于人工智能的各種準(zhǔn)確模型和訓(xùn)練將顯著提高其獲取和凝練信息的能力，可明顯提升肺部疾病的診斷準(zhǔn)確性。其發(fā)展前景：①顯著提升醫(yī)師的工作效率和診斷水平，促進臨床治療的發(fā)展；②從海量數(shù)據(jù)中提取信息，發(fā)現(xiàn)更多的規(guī)律；③打破醫(yī)師的經(jīng)驗壁壘，促進低級別醫(yī)師水平的提高；④在肺部其他疾病的診斷及鑒別等方面將獲得突破；⑤有助于影像組學(xué)的發(fā)展和進步。

4 存在的問題及解決方案

人工智能在肺部疾病的影像診斷中雖具有良好的前景和發(fā)展?jié)摿Γ裁媾R一些問題：①各醫(yī)院的掃描參數(shù)不同，導(dǎo)致影像數(shù)據(jù)存在差異；②特征值的提取及模型的建立存在區(qū)域化，數(shù)據(jù)量有限，有待進一步加強；③多個機構(gòu)之間嘗試不同的算法進行更新，缺乏完善的理論支持，對其結(jié)果缺乏解釋；④在復(fù)雜圖像的識別上還存在缺陷；⑤大多數(shù)研究為影像圖像處理，對于影像科醫(yī)師臨床思維的模擬研究較少；⑥對于多發(fā)、多變和多部位的炎性病變，人工智能總體分析能力有限，靶區(qū)勾畫困難。應(yīng)規(guī)范影像數(shù)據(jù)，完善法律制度，保證信息安全，明確責(zé)任歸屬，提高技術(shù)水平，并逐步與病歷系統(tǒng)融合。對于多征象性疾病可勾畫分析每個征象并建立數(shù)據(jù)模型，訓(xùn)練后匯總提取出該疾病的總特征；也可收集該病足夠量的影像數(shù)據(jù)，利用深度學(xué)習(xí)處理海量數(shù)據(jù)，從而直接提取所有特征。

總之，影像醫(yī)學(xué)在推動醫(yī)學(xué)進入數(shù)字化時代方面發(fā)揮著積極作用。隨著人工智能技術(shù)的深入發(fā)展，人工智能在醫(yī)學(xué)影像中的價值將更突出，在肺部疾病影像診斷中的應(yīng)用也將越來越廣泛。