賈凱麗 王雪梅

內(nèi)蒙古醫(yī)科大學附屬醫(yī)院核醫(yī)學科，呼和浩特 010050

在當前醫(yī)療數(shù)據(jù)體系中，診斷結(jié)果由人工完成的醫(yī)學影像診斷（X線、CT、MRI 等）數(shù)據(jù)約占90%，這個比例仍在逐年增加。全國醫(yī)學影像的從業(yè)人員處于短缺狀態(tài)，與影像數(shù)據(jù)的增長之間存在相當大的不平衡[1]。這表明醫(yī)學影像醫(yī)師會承擔越來越大的數(shù)據(jù)分析壓力。人工智能（artificial intelligence，AI）與醫(yī)學影像的結(jié)合，將幫助醫(yī)師進行診斷，提高醫(yī)學影像的診斷效率，因此AI在醫(yī)學影像診斷方面的應用成為較有發(fā)展前景的領(lǐng)域。

1 AI 概述

1956年，AI由美國的 JohnMc Carthy 提出，標志著AI時代的誕生。AI經(jīng)過早期的探索階段，現(xiàn)正向著更加體系化的方向發(fā)展，成為一門獨立的學科，其涉及許多基礎學科，包括計算機科學、數(shù)學和哲學等。AI已經(jīng)被應用到眾多的行業(yè)中，如醫(yī)療、電商、餐飲、交通和軍事等。隨著圖像處理技術(shù)、云服務、大數(shù)據(jù)及深度學習等技術(shù)的飛速發(fā)展，AI也實現(xiàn)了新的發(fā)展[2]。

2 AI算法

AI算法包括輸入、輸出、明確性、有限性和有效性等基本特征。AI發(fā)展經(jīng)歷了傳統(tǒng)的機器學習算法（如人工神經(jīng)網(wǎng)絡、決策樹、自適應增強）和深度學習算法。深度學習算法主要的特點是能夠從原始的圖像中自動發(fā)現(xiàn)內(nèi)部結(jié)構(gòu)[3]，而卷積神經(jīng)網(wǎng)絡強大的自動提取功能使其成為深度學習的一個重要組成部分。

3 AI與醫(yī)學影像的結(jié)合

隨著對醫(yī)學影像診斷準確率要求的提升，數(shù)十年前就有了將AI和醫(yī)學影像結(jié)合的理念，并且逐漸開始應用。早期AI以知識工程為主要研究方向，如專家系統(tǒng)[4]、計算機輔助系統(tǒng)[5]、疾病建模和推理等。近年隨著AI的發(fā)展，醫(yī)學影像技術(shù)與AI的結(jié)合對一些疾病的診斷已經(jīng)取得了突破性的進展，如腦內(nèi)病變、頭頸腫瘤和消化系統(tǒng)疾病等。這種結(jié)合可能改善醫(yī)學影像醫(yī)師的供不應求問題。2017年國務院印發(fā)了《新一代人工智能發(fā)展規(guī)劃》，加快了醫(yī)學影像結(jié)合AI的發(fā)展及應用[6]。

3.1 AI在X線診斷中的應用

常規(guī)X線常用來診斷肺炎、肺結(jié)核和氣胸等胸部疾病，由于肺紋理、肋骨及鎖骨對病灶的遮擋，肺結(jié)核在診斷中容易被年輕的醫(yī)師漏診，故消除骨性結(jié)構(gòu)干擾能夠提高診斷的準確率。Yang等[7]使用深度卷積神經(jīng)網(wǎng)絡產(chǎn)生融合骨骼圖像，從原始X線胸片圖像中消除融合骨骼圖像，產(chǎn)生高分辨率的軟組織圖像，其平均消除骨性結(jié)構(gòu)干擾率達83.8%。Heo等[8]在年度工人健康檢查中使用計算機輔助診斷（CAD）檢測結(jié)核病，并在圖像模型和人口統(tǒng)計學變量模型中進行測試，結(jié)果顯示，人口統(tǒng)計變量模型比圖像模型具有更高的靈敏度（分別為81.5%和77.5%）。Pasa等[9]研究認為疾病模型需要很多參數(shù)及更高的硬件配置要求，這易導致模型使用中出現(xiàn)僵化，對此提出采用可視化方法，在保證準確率的前提下，該方法比疾病模型更快、更有效。我國的臨床科研人員已經(jīng)和美國國家醫(yī)學圖書館[10]合作，試用X線胸片自動檢測系統(tǒng)檢測結(jié)核病，其檢測精度可達到 92%～95%。這一結(jié)果提示該系統(tǒng)可作為篩查和診斷結(jié)核病的有效方式。

外傷后骨折是患者就診的原因之一，其主要檢查方法為X線。緊急情況下X線平片的誤診率較高。Kim和MacKinnon[11]提出將AI應用在骨折平片的診斷中，并評估醫(yī)師在有無AI幫助下檢測骨折的準確率，結(jié)果發(fā)現(xiàn)，在AI的輔助下，醫(yī)師的誤診率相對降低了47.0%。Cheng等[12]通過AI系統(tǒng)對老年人的髖部骨折進行檢測和定位，結(jié)果顯示其靈敏度為98%、特異度為84%、假陰性率為2%。提示該系統(tǒng)定位骨折病變具有較高的準確率。

3.2 AI在CT診斷中的應用

近年來全球頭頸部腫瘤的發(fā)病率明顯上升，且病理類型以鱗狀細胞癌較多見，部分患者經(jīng)歷了不必要的手術(shù)，并引起并發(fā)癥，因此腫瘤診斷的準確率對醫(yī)師和患者來說具有重要意義[13]。Forghani等[14]使用AI輔助雙能量CT紋理分析頭頸部鱗狀細胞癌及預測相關(guān)的頸部淋巴結(jié)轉(zhuǎn)移，并且與CT單能量紋理評估進行比較，結(jié)果顯示，雙能量CT紋理分析頭頸部鱗狀細胞癌的準確率優(yōu)于單能量CT紋理分析，雙能量CT紋理分析與AI結(jié)合可以輔助腫瘤評估，且準確地預測淋巴結(jié)轉(zhuǎn)移。為了預測淋巴結(jié)與腫瘤預后的關(guān)系，Bur等[15]研發(fā)了預測陰性隱匿性淋巴結(jié)轉(zhuǎn)移的AI模型，與腫瘤浸潤深度模型相比，其預測性能較好，分類最佳，同時減少了病理性淋巴結(jié)陰性患者的頸部清掃成本并降低了發(fā)病率。

肺癌是我國常見的惡性腫瘤之一，其發(fā)病率和病死率居高不下，早期篩查是防治肺癌的主要手段。CT斷層顯像顯示肺內(nèi)小結(jié)節(jié)與肺組織周圍的小血管斷面的形態(tài)和密度相似，兩者的鑒別是篩查早期肺癌的關(guān)鍵。應用AI輔助CT檢查可以提高放射科醫(yī)師的診斷效率和準確率。Ciompi等[16]提出采用卷積網(wǎng)絡的AI系統(tǒng)對CT圖像中的結(jié)節(jié)進行自動分類（實性結(jié)節(jié)、非實性結(jié)節(jié)、部分實性結(jié)節(jié)、鈣化結(jié)節(jié)、葉間裂周圍結(jié)節(jié)、分葉狀結(jié)節(jié)），其診斷結(jié)果與兩位臨床醫(yī)師的診斷結(jié)果一致。結(jié)果提示該系統(tǒng)有良好的結(jié)節(jié)分類性能。

隨著生活節(jié)奏的加快和工作壓力的增加，脊椎疾病的患病率逐年上升并呈年輕化趨勢。Muehlematter等[17]使用AI輔助骨骼紋理分析評估椎骨骨折患者，結(jié)果顯示兩者結(jié)合具有較高的準確率。Tomita等[18]提出對早期無癥狀的老年骨質(zhì)疏松性椎體骨折采用一種自動檢測骨折的AI系統(tǒng)，該系統(tǒng)可以在胸部、腹部和骨盆CT檢查時檢測偶發(fā)的骨質(zhì)疏松性椎體骨折，其準確率達到 89.2%。

3.3 AI在MRI診斷中的應用

帕金森病（Parkinson disease，PD）是一種常見的神經(jīng)退行性疾病，PD 的早期準確診斷對早期介入干預和治療具有重要的意義。目前，MRI可以檢測PD患者大腦的微小變化，腦部MRI的定量分析可以提高臨床診斷效率。隨著AI的快速發(fā)展，Zeng等[19]應用AI系統(tǒng)分析小腦灰質(zhì)變化對PD的診斷價值，同時通過交叉驗證方法區(qū)分可能的PD患者與健康者，其準確率超過95%。有研究發(fā)現(xiàn)神經(jīng)黑色素敏感磁共振成像對于識別PD中黑質(zhì)致密部的異常至關(guān)重要。Shinde等[20]使用卷積神經(jīng)網(wǎng)絡從神經(jīng)黑色素敏感磁共振成像中找出診斷PD和PD預后的生物標志物，其準確率為80%，區(qū)分PD與非典型PD的準確率為85.7%。

鼻咽癌是一種侵襲性腫瘤，具有較高的發(fā)病率，放療是其主要治療方法[21]。放療后鼻咽癌的3年局部控制率高于80%，3年總生存率達到90%[21]。為了避免放療的不良反應，需要對腫瘤進行有效地分割和輪廓勾畫。Li等[21]應用AI聯(lián)合MRI對腫瘤進行分割，并評估其準確率，結(jié)果顯示骰子相似系數(shù)、百分比匹配及對應比值分別為0.89±0.05、0.90±0.04和0.84±0.06。該項研究結(jié)果的各項數(shù)值均優(yōu)于同類研究中的報告值。Lin等[22]應用AI輪廓工具自動勾畫出腫瘤的體積輪廓，其準確率較高，同時在AI輔助下臨床醫(yī)師勾畫腫瘤輪廓的準確率得到提高。

直腸癌是消化道最常見的惡性腫瘤之一，容易被直腸指診及乙狀結(jié)腸鏡方法診斷。但因其位置深入盆腔，解剖關(guān)系復雜，需要明確定位，并與周圍正常組織分開。Trebeschi等[23]應用AI算法中的深度學習對多參數(shù)MRI圖像中直腸癌的定位和分割進行了研究和評估，結(jié)果顯示，深度學習在兩種不同的讀片系統(tǒng)中均顯示出分割的高準確率（骰子相似系數(shù)分別為68%和70%）。Wang等[24]采用一種基于深度學習的自動分割系統(tǒng)對磁共振T2加權(quán)成像上的直腸腫瘤進行分割，該系統(tǒng)的分割結(jié)果與影像科醫(yī)師的分割結(jié)果相似。淋巴結(jié)轉(zhuǎn)移是直腸癌轉(zhuǎn)移的主要途徑之一，Ding等[25]研發(fā)了一種卷積神經(jīng)網(wǎng)絡的AI快速識別系統(tǒng)，用于診斷直腸癌的轉(zhuǎn)移性淋巴結(jié)，該系統(tǒng)的診斷結(jié)果優(yōu)于影像科醫(yī)師。

乳腺癌的篩查方法包括乳腺鉬靶和MRI。乳腺鉬靶主要檢測乳腺內(nèi)腫塊，不易與腺體相鑒別，有較高的誤診率。Al-Antari等[26]提出采用一種基于深度置信網(wǎng)絡的計算機輔助系統(tǒng)自動檢測MRI中乳腺腫塊的區(qū)域并鑒別其良惡性，結(jié)果顯示，其總體準確率達90%以上。Ha等[27]基于AI研發(fā)出一種依賴于原始數(shù)據(jù)的輸入并自動構(gòu)建統(tǒng)計模型的方法，根據(jù)MRI特征預測乳腺癌的分子亞型，結(jié)果顯示，其總體靈敏度和特異度分別為60.3%和95.8%。

3.4 AI在核醫(yī)學診斷中的應用

核醫(yī)學影像是醫(yī)學影像的一個重要組成部分。AI與核醫(yī)學已初步結(jié)合，Shen等[28]將深度學習與18F-FDG PET/CT結(jié)合預測早期宮頸癌患者的局部復發(fā)和遠處轉(zhuǎn)移情況，結(jié)果發(fā)現(xiàn)，兩者結(jié)合預測局部復發(fā)的靈敏度、特異度、陽性預測值、陰性預測值和準確率分別為71%、93%、63%、95%和89%；預測遠處轉(zhuǎn)移的靈敏度、特異度、陽性預測值、陰性預測值和準確率分別為77%、90%、63%、95%和87%。Shibutani等[29]探索人工神經(jīng)網(wǎng)絡檢測SPECT心肌灌注區(qū)域異常的準確率，結(jié)果發(fā)現(xiàn)，與兩名經(jīng)驗豐富的核醫(yī)學醫(yī)師相比，人工神經(jīng)網(wǎng)絡顯示出更高的特異度。Ma等[30]提出應用AI輔助SPECT顯像診斷甲狀腺疾病，其中包括Graves病、橋本甲狀腺炎和亞急性甲狀腺炎等3類疾病，結(jié)果表明，采用卷積神經(jīng)網(wǎng)絡法結(jié)合SPECT顯像能夠有效地診斷甲狀腺疾病。

4 總結(jié)

眾所周知，AI在醫(yī)學影像中的應用主要是對大數(shù)據(jù)的整合和分析，需要兩者真正地融合，更好地服務于醫(yī)學診療。首先，很多AI研究成果并沒有應用到實際醫(yī)學影像工作中，科研轉(zhuǎn)化率較低，國內(nèi)AI的研究水平仍有待提高。其次，超聲作為影像檢查的方法之一，以其方便、無創(chuàng)、經(jīng)濟等優(yōu)勢占據(jù)醫(yī)學影像的一部分，AI與超聲結(jié)合的研究相對較少，應加大開發(fā)力度。最后，作為一名醫(yī)學影像從業(yè)者要客觀地看待AI與影像醫(yī)學的結(jié)合，合理應用，使其為臨床工作提供強有力的幫助。

利益沖突本研究由署名作者按以下貢獻聲明獨立開展，不涉及任何利益沖突。

作者貢獻聲明賈凱麗負責論文的撰寫及文獻的查閱，王雪梅負責命題的提出及論文的審閱。