張愉，徐來，房夢雅，龔蕾蕾，顧曉松**

（1南京中醫(yī)藥大學，江蘇210023；2南通大學江蘇省組織工程與神經(jīng)損傷修復醫(yī)學中心）

人工智能（artificial intelligence，AI）在科技高速發(fā)展的背景下迅速成為當代社會熱點，作為計算機科學的一個分支，該系統(tǒng)基于人工神經(jīng)網(wǎng)絡，在海量的大數(shù)據(jù)中利用數(shù)學模型提取其中各種復雜非線性關(guān)系[1]。早在1959年，基于問題導向的邏輯分級及統(tǒng)計思維就已經(jīng)面世[2]，但真正得到技術(shù)突破和常規(guī)應用得益于近幾年爆發(fā)式增長的大數(shù)據(jù)信息以及快速發(fā)展的計算機技術(shù)。大數(shù)據(jù)信息可從手機數(shù)據(jù)、可穿戴設備、社交媒體、環(huán)境以及生活相關(guān)信息、社會人口學信息、各種組學信息（基因組學、代謝組學、蛋白及影像組學等）以及醫(yī)療信息記錄系統(tǒng)獲取[3]。作為一門新興的多領(lǐng)域交叉學科，人工智能在社會、人口、環(huán)境等各方面應用廣泛，在醫(yī)學方面推動了醫(yī)療模式的進步與革新。人工智能的發(fā)展依賴于海量的大數(shù)據(jù)基礎(chǔ)[4]，醫(yī)療數(shù)據(jù)中尤其是醫(yī)學影像數(shù)據(jù)，如X線、計算機斷層成像（CT）、磁共振（MRI）產(chǎn)生海量信息，為人工智能的發(fā)展提供有價值的科研及臨床數(shù)據(jù)，可廣泛應用于疾病輔助診斷與診斷、提高圖像質(zhì)量、減低電離輻射、提供精準醫(yī)療建議以及減少醫(yī)療成本等方面。人工智能不僅改變了影像診斷模式，更參與影像工作流程中各個方面，在醫(yī)療領(lǐng)域人工智能與醫(yī)學影像學科的結(jié)合最具有發(fā)展前景。醫(yī)學影像作為疾病診斷以及指導治療決策的關(guān)鍵技術(shù)，在醫(yī)院系統(tǒng)中具有極高的優(yōu)先級以及絕對性的數(shù)據(jù)量，為人工智能的發(fā)展提供了豐厚的基礎(chǔ)。醫(yī)學影像人工智能獲得醫(yī)療及商業(yè)的極大關(guān)注[5-7]。以2012年以來，深度卷積神經(jīng)網(wǎng)絡技術(shù)快速興起，使AI在計算機視覺領(lǐng)域取得突破性的進展[8-9]?；趫D像識別的深度卷積神經(jīng)網(wǎng)絡和基于圖像數(shù)據(jù)的醫(yī)學影像學高度契合，通過對影像所獲取的大數(shù)據(jù)進行訓練和深度學習，網(wǎng)絡系統(tǒng)高度進化，能力得到極大提升，在精準醫(yī)療方面具有廣闊的應用前景。

1 人工智能及其發(fā)展

人工智能主要是指基于計算機科學模擬人類認知功能的理論方法及應用系統(tǒng)，以擴展人的智能的一門信息科學。該定義最早出現(xiàn)于上世紀50年代，用以描述計算機可理解、模仿以及提升部分人類特征，如推理能力、學習能力、問題解決能力、語言理解力及視覺處理等功能[10-12]。人工智能涉及面極寬，包括大量的亞分支領(lǐng)域及技術(shù)。其中機器學習是人工智能的一個亞分支，主要關(guān)注于開發(fā)計算進行數(shù)據(jù)學習并進行輔助決策的運算法則[13]。機器學習分為人工值守及無人值守學習兩種模式。人工值守模式中需人工對計算機系統(tǒng)所獲取數(shù)據(jù)進行輔助判斷，從而幫助計算機進行被動學習；無人值守模式中計算機系統(tǒng)獲取的均為無賦值的數(shù)據(jù)信息，并進行自我學習[14]。近幾年機器學習發(fā)展到深度學習階段，尤其是深度神經(jīng)卷積網(wǎng)絡的出現(xiàn)，對現(xiàn)代社會產(chǎn)生了深遠影響。這種人腦模擬網(wǎng)絡作為新一代的機器學習技術(shù)，采用計算機模仿人類大腦神經(jīng)網(wǎng)絡結(jié)構(gòu)構(gòu)造出數(shù)學模型，可自動從數(shù)據(jù)中提取有意義的表征并進行獨立判斷[15]。該網(wǎng)絡模型具有多層級結(jié)構(gòu)，每層具有不同的表征提取功能，通過在低層信息中獲取高層的特征，最終實現(xiàn)對原始數(shù)據(jù)中的不同特征達到分類和聚類的作用，進而對結(jié)果進行判斷。具有代表性的學習過程包括對人工系統(tǒng)進行原始數(shù)據(jù)“喂養(yǎng)”，使系統(tǒng)能夠自動發(fā)現(xiàn)信息嗅探和分類所需的特征，通過篩選提取后，進入更高且更概括性的層級，經(jīng)過多次分析歸納，系統(tǒng)可習得非常復雜的功能。這種學習過程的關(guān)鍵點在于這些特征的提取和聚類并非由人工定義，學習細節(jié)也不是由人工編寫的程序予以詳細定義，而是由學習程序在原始數(shù)據(jù)中自動歸納產(chǎn)生。深度學習對多維度數(shù)據(jù)的復雜結(jié)構(gòu)探查具有極大的優(yōu)勢，可廣泛應用于科學技術(shù)的各方面。相對于其他機器學習方法，深度學習在影像輔助診斷、藥物分子分析、基因測序、腦功能網(wǎng)絡重建以及預測疾病中具有顯著優(yōu)勢[16-18]。

2 人工智能在醫(yī)學影像學科的主要應用

醫(yī)學影像學科是一門基于圖像特征的學科。傳統(tǒng)的影像醫(yī)生對醫(yī)療圖像經(jīng)驗性評估獲取結(jié)論性報告，從而發(fā)現(xiàn)疾病、診斷并監(jiān)測疾病。這些經(jīng)驗來自對既往疾病影像特征的總結(jié)歸納，往往具有較大的主觀性。而AI則在復雜的圖像特征提取上具有極大的優(yōu)勢，能夠?qū)Ω黝愋畔⒆詣舆M行定量分析，所以可帶來更加準確、客觀的結(jié)論，且具有極高的可重復性，為醫(yī)療決策提供更有信心的輔助信息[19]。

計算機輔助診斷技術(shù)（computer-aided diagnosis，CAD）已出現(xiàn)幾十年，該技術(shù)應用計算機的快速計算能力輔助醫(yī)生發(fā)現(xiàn)病灶，并提供一定的診斷參考信息，為臨床工作提供了快速、客觀的部分解決方案。尤其是在肺結(jié)節(jié)篩查中，CAD具有巨大的優(yōu)勢。有研究利用CAD技術(shù)提取肺結(jié)節(jié)影像學特征，并與肺結(jié)節(jié)癌變風險進行相關(guān)分析，發(fā)現(xiàn)血管穿透征及腫瘤凹陷等影像特征對惡性肺結(jié)節(jié)的鑒別診斷敏感性達92.4%，特異性達76.6%，表明CAD輔助技術(shù)可用于評估肺結(jié)節(jié)的惡性風險程度[20]。還有研究采用CAD輔助MRI對乳腺良惡性病變鑒別診斷，利用133例確診的乳腺良惡性病變對CAD系統(tǒng)進行訓練，對另外74例確診病變進行測試，采用不同的診斷模型，對乳腺良惡性的最高診斷率可達91%[21]，該預測模型極大提升了乳腺輔助診斷的價值。有研究利用CT影像大數(shù)據(jù)資料探查肝臟脂肪變的分級模型[22]，結(jié)果表明CAD系統(tǒng)與人工觀測量具有近乎一致的匹配度（r2=0.92），可作為日常醫(yī)療中脂肪肝監(jiān)測模型。結(jié)腸鏡作為腸癌的指南性診療方法，可早期發(fā)現(xiàn)癌前病變的腸道息肉并予以切除，在CAD技術(shù)的幫助下腸鏡對腺瘤樣息肉的診斷特異性高達97%[23]，CAD技術(shù)可實時預測息肉性病變的病理學分型，一致性達93.2%[24]，這些技術(shù)極大提高了結(jié)腸鏡診斷水平，為臨床決策提供有效的幫助。

近幾年興起的影像組學是經(jīng)典的機器學習模式。起初影像組學專注于挖掘影像資料里隱藏的形態(tài)、密度、紋理等特征[25-27]，并進一步選擇更有價值的相關(guān)性更高的參數(shù)作為有意義的生物學標記。腦腫瘤具有良惡性、原發(fā)或轉(zhuǎn)移性等區(qū)別，影像組學可用于腦腫瘤診斷及預測。如TAKAHASHI等[28]采用影像組學技術(shù)分析磁共振彌散序列，建立膠質(zhì)瘤分級預測模型，受試者曲線下面積（AUC）高達0.91。近期的一項影像基因組學研究進一步基于MRI圖像預測低級別膠質(zhì)瘤中1p/19q密碼子丟失情況，結(jié)果表明該模型預測準確率高達83.8%，拓展了從形態(tài)學到基因?qū)W的跨越，為臨床無創(chuàng)性評估密碼子水平提供了有力的解決方案[29]。結(jié)腸息肉具有發(fā)展為結(jié)直腸癌的潛在風險，在臨床中由于醫(yī)生經(jīng)驗及技術(shù)的差異，出現(xiàn)漏診、誤診情況，因此產(chǎn)生在AI輔助下對息肉危險性進行分級的需求。HE等[30]應用MRI圖像的影像組學特征評估直腸癌的腫瘤分級，結(jié)果顯示可以準確區(qū)分直腸癌患者和健康人，對腫瘤分級的AUC達0.827。GOLIA等[31]利用直腸癌患者影像組學特征預測腫瘤微衛(wèi)星穩(wěn)定性，該研究共納入198例Ⅱ～Ⅲ期直腸癌患者，結(jié)果顯示CT術(shù)前平掃圖像的影像組學特征對微衛(wèi)星穩(wěn)定性預測的特異性高達95%，可為個性化精準治療提供幫助。影像組學在乳腺影像[21，32-34]及肺結(jié)節(jié)中[20，35]的應用更加成熟，部分已作為醫(yī)學影像人工診斷的有效補充廣泛應用于日常診療工作中。

深度學習技術(shù)是在機器學習的基礎(chǔ)上發(fā)展的更加智能化的人工智能技術(shù)，不需要人工提前定義，即可在數(shù)據(jù)中自動學習，歸納得到代表性特征，這種數(shù)據(jù)驅(qū)動型模式對抽象特征具有兼容性，從而具有更全面的概括性，幫助臨床做出決策。有研究表明，深度學習在發(fā)現(xiàn)病灶及病灶形態(tài)學歸納方面可達到與影像醫(yī)生類似的準確率[36]。在病灶分級方面，如評估淋巴結(jié)轉(zhuǎn)移是否陽性等方面，深度學習的敏感性明顯高于醫(yī)生，特異性低于醫(yī)生判斷[37]。近期柳葉刀雜志發(fā)表了系統(tǒng)評價和薈萃分析，對深度學習和醫(yī)療專家在醫(yī)療影像的診斷差異進行比較，對14份相關(guān)研究綜合分析，包括眼科、乳腺癌、皮膚病、肺癌及肝癌、骨折、呼吸系統(tǒng)疾病等多學科影像，發(fā)現(xiàn)深度學習敏感性87%（95% CI 83～90），特異性92.5%（95%CI 85.1～96.4），而醫(yī)療專家的敏感性為86.4%（79.9～91.0），特異性是90.5%（80.6～95.7），表明深度學習可達到與醫(yī)療專家相仿的診斷能力[38]。

總之，AI在醫(yī)學影像學領(lǐng)域的應用日益廣泛且深入，在檢查方法選擇、發(fā)現(xiàn)病灶、病灶特征提取、輔助診斷、疾病的動態(tài)監(jiān)測等方面起到重要的作用。

3 人工智能在醫(yī)學影像領(lǐng)域的挑戰(zhàn)

AI在醫(yī)療及影像領(lǐng)域應用廣泛，但同時也面臨許多挑戰(zhàn)，如新策略的開發(fā)，數(shù)據(jù)安全的規(guī)范化，網(wǎng)絡安全問題，患者與AI系統(tǒng)之間的醫(yī)療倫理關(guān)系等亟待解決[39]。現(xiàn)階段AI的數(shù)據(jù)安全系數(shù)很高，但隨著應用的播散和廣泛傳播，其安全性是否仍能得到保障？獨立機構(gòu)是否可以參與對AI的訓練過程并開發(fā)特定的進化領(lǐng)域[40]？FDA對藥物的規(guī)則制定已經(jīng)擁有豐富的經(jīng)驗，但對AI規(guī)則制定仍處在探索過程中。現(xiàn)階段對AI評估的主要的框架原則包括：（1）產(chǎn)品質(zhì)量、患者安全性；（2）臨床應用責任；（3）網(wǎng)絡安全責任；（4）系統(tǒng)的主動性[41]。隨著科技的革新，AI規(guī)則將在探索中逐漸成熟。

AI系統(tǒng)運行的不透明性也是重要的問題[42]。AI運算過程被形象地稱為“暗箱”[43]。絕大多數(shù)患者輸入足夠的信息，AI即可給出結(jié)論，但結(jié)論獲得的過程以及其邏輯并不為人知。作為關(guān)系到生命安全的應用系統(tǒng)，這種不透明過程的安全性值得推敲。假設AI系統(tǒng)對患者造成傷害，其原因及責任需要進一步明確。有學者建議對AI輸出結(jié)果進行獨立的輔助監(jiān)測評估，防止意外發(fā)生，以提高患者與AI間的信任[44]。當AI用于臨床決策時，也存在更多的倫理問題。AI對每個患者的決策和建議是否適合該患者？每個患者的經(jīng)濟狀況并不一致，AI對患者的個性化推薦是否需要考慮經(jīng)濟情況還是基于最好的醫(yī)療結(jié)局仍需進一步討論。同時，影像醫(yī)生與AI間的信任也需要明確，這種信任需要建立在完備的規(guī)則和長時間的訓練基礎(chǔ)上。AI系統(tǒng)的發(fā)展和進化非常迅速，要求我們在現(xiàn)有倫理和規(guī)則基礎(chǔ)上，進行同步的發(fā)展革新，以適應更高層級的AI系統(tǒng)。但總的原則仍然是，不管開發(fā)者、推廣者還是應用者，都有責任和義務把患者利益作為第一導向。

4 小 結(jié)

隨著AI技術(shù)的進步，我們成為這場科技革命的見證者。AI正逐步推動醫(yī)療設備智能化、數(shù)據(jù)庫標準化、數(shù)據(jù)分析自動化等方向的進步。AI是對傳統(tǒng)影像學的一種沖擊，仍有許多技術(shù)難題、局限性以及挑戰(zhàn)需要學習和解決。隨著規(guī)范化數(shù)據(jù)積累和AI技術(shù)的快速進化，AI與影像學的結(jié)合將極大地提高該領(lǐng)域的診療水平，提高工作效率，創(chuàng)造更大的經(jīng)濟和社會價值。