林潔瓊，黃燕琪，梁長(zhǎng)虹*，曾洪武

作者單位：1.深圳市兒童醫(yī)院放射科，深圳518038；2.汕頭大學(xué)醫(yī)學(xué)院，汕頭515041；3.廣東省人民醫(yī)院放射科，廣州510080

2021 年北美放射學(xué)會(huì)(Radiological Society of North America，RSNA)年會(huì)的主題是“Redefining Radiology (重新定義放射學(xué))”，大會(huì)以線上和現(xiàn)場(chǎng)相結(jié)合方式舉行。席卷全球的COVID-19疫情，加劇了放射科工作負(fù)荷沉重、人員儲(chǔ)備缺乏、醫(yī)療資源不均等問題。人工智能(artificial intelligence，AI)不斷迭代升級(jí)，應(yīng)用更加廣泛，逐漸為人們所接受，也在重新定義放射學(xué)時(shí)起著舉足輕重的作用，促使放射醫(yī)生重新思考自身價(jià)值。正如大會(huì)主席，來自美國(guó)俄亥俄州辛辛那提大學(xué)醫(yī)學(xué)院的放射學(xué)教授Mary C. Mahoney 指出，新技術(shù)正在改進(jìn)我們的工作流程，從而讓我們更加專注于患者本身。

1 新技術(shù)與新算法

1.1 聯(lián)邦學(xué)習(xí)

為確保人工智能方法的魯棒性和通用性，AI 研究往往需要多中心、海量、高質(zhì)量附帶標(biāo)注的圖像數(shù)據(jù)。開放存取數(shù)據(jù)庫(kù)是提供符合條件數(shù)據(jù)的關(guān)鍵，然而，在當(dāng)前多中心協(xié)作模式下，各種因素(例如數(shù)據(jù)所有權(quán)和法律考慮)阻礙了對(duì)此類數(shù)據(jù)的訪問[1]。為此，新的方法，聯(lián)邦學(xué)習(xí)(federated learning，F(xiàn)L)應(yīng)運(yùn)而生，用于多中心共同訓(xùn)練AI 模型。FL 是數(shù)據(jù)私有多站點(diǎn)協(xié)作的一種新范式，可以看作是一種分布式機(jī)器學(xué)習(xí)框架。通過加密機(jī)制下的參數(shù)交換方式，AI 利用各參與站點(diǎn)的可用數(shù)據(jù)進(jìn)行模型構(gòu)建和優(yōu)化(而并非在它們之間共享數(shù)據(jù))[2]，在不違反數(shù)據(jù)隱私法規(guī)情況下，旨在破解“數(shù)據(jù)孤島”難題，實(shí)現(xiàn)數(shù)據(jù)“共同富?！钡哪繕?biāo)。

美國(guó)賓夕法尼亞大學(xué)生物醫(yī)學(xué)影像計(jì)算與分析中心的Sarthak Pati 等采用聯(lián)邦學(xué)習(xí)對(duì)23 個(gè)中心2200 例腦腫瘤的MRI 圖像進(jìn)行腦腫瘤邊界的量化和檢測(cè)?；诼?lián)邦學(xué)習(xí)多中心數(shù)據(jù)構(gòu)建的共識(shí)模型與公開的BraTS 數(shù)據(jù)訓(xùn)練模型相比，前者對(duì)每個(gè)合作者驗(yàn)證數(shù)據(jù)的準(zhǔn)確性提高了11.1%。在該模式中，參與站點(diǎn)間沒有數(shù)據(jù)共享，最終的聯(lián)邦腫瘤分割(federated tumor segmentation，F(xiàn)eTS)模型將公開供進(jìn)一步研究和分析使用。FeTS可以利用地理位置不同合作者的數(shù)據(jù)來訓(xùn)練AI 模型，而無需共享數(shù)據(jù)，從而克服法律、所有權(quán)和技術(shù)方面的障礙。

慕尼黑工業(yè)大學(xué)的Shadi Albarqouni 等基于聯(lián)邦學(xué)習(xí)對(duì)多個(gè)中心的CT 和MRI 數(shù)據(jù)進(jìn)行多模態(tài)肝臟圖像分割，對(duì)比FedNorm、FedAvg、FedAvgM、FedVC、FedBN 和SiloBN 等不同聯(lián)邦學(xué)習(xí)算法，證實(shí)了FedNorm 訓(xùn)練準(zhǔn)確肝臟分割模型的表現(xiàn)遠(yuǎn)遠(yuǎn)優(yōu)于其他聯(lián)邦學(xué)習(xí)算法，且該算法可以用于包括肝癌檢測(cè)、肝臟年齡預(yù)測(cè)等臨床評(píng)估。聯(lián)邦學(xué)習(xí)允許融合在不同數(shù)據(jù)集上創(chuàng)建的AI 模型，能夠在不移動(dòng)數(shù)據(jù)或侵犯患者隱私的情況下，實(shí)現(xiàn)跨中心的數(shù)據(jù)分析。這種利用更大范圍、更多樣化數(shù)據(jù)集的方法使基于AI 的解決方案能夠以前所未有的速度在全球推廣。

1.2 跨中心遷移學(xué)習(xí)

遷移學(xué)習(xí)(transfer learning，TL)的概念于20 世紀(jì)90 年代在計(jì)算機(jī)領(lǐng)域被提出，即將訓(xùn)練好的模型參數(shù)遷移到新模型中，加快優(yōu)化新模型的學(xué)習(xí)，旨在克服訓(xùn)練集與測(cè)試集數(shù)據(jù)分布不同情況下模型準(zhǔn)確性不高的問題[3-4]。基于新冠疫情在全球快速蔓延和共享醫(yī)療數(shù)據(jù)難題，跨多中心遷移學(xué)習(xí)優(yōu)化AI 模型具有重要意義。美國(guó)威斯康星大學(xué)麥迪遜分校醫(yī)學(xué)物理系的Xin Tie 等使用公開的胸部X 線數(shù)據(jù)庫(kù)，NIH、Henry Ford 衛(wèi)生系統(tǒng)以及西班牙的BIMCV 庫(kù)，構(gòu)建區(qū)分COVID-19 高危病例與非COVID-19 患者的二元分類模型。研究者使用NIH 數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，Henry Ford 模型在內(nèi)部測(cè)試集和外部測(cè)試集上的受試者工作特征曲線下面積(area under curve，AUC)較未經(jīng)預(yù)訓(xùn)練的模型顯著提高。在從Henry Ford 模型到西班牙模型的遷移學(xué)習(xí)中，使用Henry Ford 數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練，使用西班牙數(shù)據(jù)集的不同訓(xùn)練數(shù)據(jù)集，AUC 從0.01 提高到0.03。該研究為使用多中心數(shù)開發(fā)AI模型提供了新思路。

1.3 AI輔助優(yōu)化圖像質(zhì)量

在影像領(lǐng)域，AI輔助下新算法不斷涌現(xiàn)，旨在減少圖像噪聲和偽影，提高空間分辨率，縮短掃描時(shí)間，改善圖像質(zhì)量。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)最早由LeCun等[5]在1989年提出，近年一躍成為醫(yī)學(xué)圖像處理領(lǐng)域的熱點(diǎn)。作為一種多層前饋神經(jīng)網(wǎng)絡(luò)，每一層中包含大量可被學(xué)習(xí)的參數(shù)，能完成從輸入到輸出的復(fù)雜映射[6]。美國(guó)梅奧診所的Scott Hsieh 等采用CNN 降低高分辨率光子計(jì)數(shù)探測(cè)CT(high-resolution photon-counting-detector CT，HRPCD-CT)腎結(jié)石圖像噪聲，分析結(jié)石成分。制造置入混合成分結(jié)石的人形水模，使用HRPCD-CT 進(jìn)行高劑量(CT 劑量指數(shù)CTDIvol=30 mGy)掃描，生成噪聲訓(xùn)練集訓(xùn)練CNN模型，應(yīng)用于常規(guī)劑量(CTDIvol=7.5 mGy)結(jié)石圖像。在能量集成探測(cè)雙源CT(energy-integrating-detector CT，EID-CT)和HRPCD-CT 上以相同劑量進(jìn)行掃描及結(jié)石成分分析，內(nèi)部結(jié)石定量分析軟件評(píng)估偽影。經(jīng)CNN處理圖像噪聲減少了90%，基于AI的降噪和反卷積HRPCD-CT 在常規(guī)輻射劑量下能準(zhǔn)確描述腎結(jié)石成分。

美國(guó)梅奧診所Nathan Huber 團(tuán)隊(duì)采用CNN 對(duì)HRPCD-CT胸部圖像進(jìn)行降噪處理。每幅原始圖像用濾波反投影(filtered back projection，F(xiàn)BP)和迭代重建(iterative reconstruction，IR)行0.2 mm薄層重建，減除FBP和IR重建，生成純?cè)氩罘謭D像，高通濾波器去除低頻解剖結(jié)構(gòu)；對(duì)相鄰紅外圖像取平均，模擬厚層(1.0 mm)獲得相對(duì)低噪聲信號(hào)參考圖像；將疊加在紅外信號(hào)參考圖像上的純?cè)霐?shù)據(jù)輸入CNN 模型，處理后的CNN應(yīng)用于原始薄層和FBP重建圖像，CNN框架降低了81%±2%的噪聲，且保留細(xì)支氣管結(jié)構(gòu)。該技術(shù)可以在不犧牲空間分辨率的情況下減少噪聲。

AI輔助量化圖像質(zhì)量也值得關(guān)注。麻省總醫(yī)院和哈佛醫(yī)學(xué)院附屬布萊根婦女醫(yī)院的Bernardo Bizzo 等采用機(jī)器學(xué)習(xí)模型檢測(cè)和量化顱腦MRI 運(yùn)動(dòng)偽影，并在多中心間測(cè)試。利用四種人工神經(jīng)網(wǎng)絡(luò)構(gòu)建XGBoost 集成模型，并比較放射醫(yī)生和模型評(píng)估運(yùn)動(dòng)偽影嚴(yán)重程度的差異。模型可準(zhǔn)確檢測(cè)出多個(gè)中心的運(yùn)動(dòng)偽影及其嚴(yán)重程度，能夠準(zhǔn)確檢測(cè)和量化不同MR掃描儀和序列的運(yùn)動(dòng)偽影，提示AI可以幫助技術(shù)員在出現(xiàn)運(yùn)動(dòng)偽影時(shí)自動(dòng)重新獲取特定MRI 序列，有助于閱片診斷時(shí)區(qū)分偽影和病灶。

加州大學(xué)洛杉磯分校的Suzie Bash等比較常規(guī)MRI序列和基于快速深度學(xué)習(xí)MRI序列采集的MRI圖像，采用李克特五點(diǎn)量表對(duì)圖像信噪比、清晰度、偽影、病灶顯著性、圖像對(duì)比度和灰白質(zhì)對(duì)比進(jìn)行評(píng)級(jí)。快速深度學(xué)習(xí)在以上成像特征的感知質(zhì)量?jī)?yōu)于常規(guī)序列，且掃描時(shí)間減少60% (P均＜0.05)，兩組數(shù)據(jù)定量數(shù)據(jù)具有良好一致性。因此，基于深度學(xué)習(xí)的MRI有望有效縮短掃描時(shí)間。

2 新概念：“影像-生理年齡”

年齡常作為疾病風(fēng)險(xiǎn)評(píng)估的風(fēng)險(xiǎn)因素之一，但通?！皶r(shí)間年齡”有時(shí)難以真實(shí)反映機(jī)體生理狀態(tài)。研究表明，隨年齡增長(zhǎng)，通過DXA 測(cè)量得到的皮質(zhì)骨礦物質(zhì)密度減低，通過高分辨率外周定量CT (high-resolution peripheral quantitative computed tomography，HR-pQCT)計(jì)算得到的皮質(zhì)孔隙度增加[7-8]，這提示從常規(guī)影像提取的數(shù)據(jù)能夠側(cè)面反映年齡帶來的機(jī)體微觀改變。本次RSNA 年會(huì)有研究提出基于影像數(shù)據(jù)的“影像-生理年齡”，旨在更精確反映機(jī)體病理生理狀態(tài)，評(píng)估年齡相關(guān)風(fēng)險(xiǎn)。美國(guó)馬薩諸塞州總醫(yī)院的Vineet Kalathur Raghu 等利用全身雙能CT 數(shù)據(jù)，基于雙能X線吸收測(cè)量法(dual-energy X-ray absorptiometers，DXA)計(jì)算“影像-生理年齡(DXA 年齡) ”，采用深度學(xué)習(xí)建立集成CNN 模型，預(yù)測(cè)疾病發(fā)病率和死亡率。分析英國(guó)7582 例全身雙能CT 數(shù)據(jù)，采用隨訪期間患者死亡年齡作為標(biāo)簽訓(xùn)練模型，利用外部生存模型估計(jì)存活者死亡年齡。高危組(DXA年齡超過實(shí)際年齡3 歲)個(gè)體全因死亡風(fēng)險(xiǎn)、心血管疾病風(fēng)險(xiǎn)、2 型糖尿病以及癌癥風(fēng)險(xiǎn)均高于低危組(DXA年齡比實(shí)際年齡小3歲以上)。

哈佛醫(yī)學(xué)院附屬布萊根婦女醫(yī)院Jakob Weiss 等對(duì)40 643 名無癥狀者147 497 例胸部X 線檢查數(shù)據(jù)采用深度學(xué)習(xí)進(jìn)行建模，估算胸片(chest X-ray radiograph，CXR)年齡以評(píng)估肺癌風(fēng)險(xiǎn)。將CXR-年齡添加到具有人口統(tǒng)計(jì)學(xué)(年齡、種族、吸煙、BMI)和臨床危險(xiǎn)因素(癌癥分期、治療)的多變量Cox模型中，顯著改善了肺癌患者的生存預(yù)期準(zhǔn)確性?；谏疃葘W(xué)習(xí)提取影像數(shù)據(jù)信息，發(fā)現(xiàn)潛在生物標(biāo)志物，可預(yù)測(cè)疾病及死亡風(fēng)險(xiǎn)，有助于早期篩查及干預(yù)。

3 影像AI應(yīng)用場(chǎng)景

3.1 早期診斷

快速、準(zhǔn)確識(shí)別病灶是急診影像的首要需求。隨著圖像識(shí)別技術(shù)快速發(fā)展，大量帶標(biāo)簽圖像數(shù)據(jù)集的投入使用使AI早期、快速、準(zhǔn)確識(shí)別危急征象成為可能。根據(jù)嚴(yán)重程度幫助放射醫(yī)生對(duì)患者進(jìn)行優(yōu)先排序，有利于縮短急救黃金時(shí)間，降低醫(yī)療成本。然而，算法泛化能力的有限性，模型的可靠性和數(shù)據(jù)的安全性仍是亟待處理的問題[9-10]。

多中心、大樣本的數(shù)據(jù)分析是提高模型泛化能力及穩(wěn)定性的方法之一。韓國(guó)Suwon 大學(xué)醫(yī)學(xué)院和首爾國(guó)立大學(xué)醫(yī)學(xué)研究中心的Jin Wook Choi 等采用基于深度學(xué)習(xí)的自動(dòng)檢測(cè)(deep learning-based automatic detection，DLAD)算法分析296 例受試者的12 663 份顱腦CT 圖像數(shù)據(jù)，檢測(cè)該算法用于急性顱內(nèi)出血(acute intracranial hemorrhage，AIH)的診斷效能?；贒LAD 的模型AUC 值顯著高于非DLAD 模型[(AUC=0.970，95%CI=0.963～0.976) vs. (AUC=0.947，95%CI=0.938～0.955)，P＜0.0009]。非放射專業(yè)醫(yī)師借助DLAD能明顯提升診斷準(zhǔn)確率[(AUC=0.951，95%CI=0.934～0.964)vs. (AUC=0.919，95%CI=0.899～0.936)，P=0.0009]，放射醫(yī)師在DLAD 輔助下亦能提升診斷效能[(AUC=0.974，95%CI=0.961～0.983) vs. (AUC=0.946，95%CI=0.929～0.960)，P=0.0003]。杜克大學(xué)的Walter F Wiggins 團(tuán)隊(duì)采用基于顱腦MRI 的深度學(xué)習(xí)模型診斷自發(fā)性顱內(nèi)低血壓(spontaneous intracranial hypotension，SIH)，模型AUC 為0.980，研究結(jié)果提示AI有望輔助放射醫(yī)師快速識(shí)別潛在SIH。

法國(guó)南法蘭西島醫(yī)學(xué)影像中心的Nor-Eddine Regnard等回顧17個(gè)中心連續(xù)3個(gè)月因疑似四肢或骨盆骨折而拍攝的所有X線圖像，比較放射專家和AI在骨折檢出率的差異，結(jié)果顯示AI 較人眼觀察多檢出235 處被漏診骨折，骨折檢出率增加26%。AI 在提高檢出率方面表現(xiàn)良好。在準(zhǔn)確性方面，洛馬琳達(dá)大學(xué)醫(yī)學(xué)中心的Justin Roy Camara 等采用基于CNN的深度學(xué)習(xí)算法識(shí)別CTA圖像上的腹主動(dòng)脈瘤，在VGG16基礎(chǔ)模型上進(jìn)行遷移學(xué)習(xí)，開發(fā)特異CNN 模型。根據(jù)數(shù)據(jù)集大小、動(dòng)脈瘤大小、擴(kuò)張程度、剖面、附壁血栓進(jìn)行模型準(zhǔn)確性和AUC分析。結(jié)果顯示CNN 模型準(zhǔn)確率與動(dòng)脈瘤體積呈正相關(guān)，動(dòng)脈瘤的附壁血栓會(huì)增加模型識(shí)別的假陰性，而外來置入裝置沒有降低模型的整體準(zhǔn)確性，證實(shí)了特異性CNN 模型可以在CTA上準(zhǔn)確識(shí)別腹主動(dòng)脈瘤。

AI逐漸應(yīng)用于腫瘤早期篩查，為診斷醫(yī)生提供初篩結(jié)果。美國(guó)梅奧診所的Garima Suman等采用CNN自動(dòng)檢測(cè)胰腺導(dǎo)管腺癌(pancreatic ductal adenocarcinoma，PDA)，訓(xùn)練集包括隨機(jī)選擇522 例PDA 病例和843 例對(duì)照CT 數(shù)據(jù)。測(cè)試集包括279例PDA和824例正常對(duì)照CT數(shù)據(jù)。比較放射醫(yī)生和CNN模型診斷準(zhǔn)確率，CNN 模型誤診率(18.5%)略低于放射醫(yī)生(19.0%)，診斷效能相近。將AI 模型應(yīng)用于PDA 診斷，可為放射醫(yī)生提供預(yù)篩查圖像，從而降低胰腺癌漏診率。

算法的融合、更新有助于提高診斷準(zhǔn)確性。劍橋大學(xué)生物醫(yī)學(xué)研究中心的Sarah Hickman等評(píng)估兩種AI算法在乳腺癌篩查中的應(yīng)用效果，數(shù)據(jù)來自英國(guó)國(guó)家衛(wèi)生服務(wù)(National Health Service,NHS)乳腺篩查中心。結(jié)果表明在現(xiàn)有算法上進(jìn)一步整合有望提升AI算法在臨床中的應(yīng)用價(jià)值。

3.2 風(fēng)險(xiǎn)評(píng)估

AI 對(duì)于發(fā)現(xiàn)圖像中可疑病變具有一定優(yōu)勢(shì)，可結(jié)合臨床資料快速綜合評(píng)估，提供風(fēng)險(xiǎn)預(yù)警。在外科手術(shù)中，術(shù)中失血風(fēng)險(xiǎn)評(píng)估具有重要意義。北京大學(xué)人民醫(yī)院的Ping Yin等采用基于深度學(xué)習(xí)的神經(jīng)網(wǎng)絡(luò)和影像組學(xué)回顧性分析810 例盆腔和骶骨腫瘤患者CT 數(shù)據(jù)，提取1316 個(gè)組學(xué)特征，分別采用隨機(jī)分組和時(shí)間節(jié)點(diǎn)分組構(gòu)建影像組學(xué)諾模圖(radiomics nomogram，RN)，另外構(gòu)建基于深度學(xué)習(xí)的深度神經(jīng)網(wǎng)絡(luò)(deep neural networks，DNN)模型。尋找與手術(shù)大量失血潛在相關(guān)的危險(xiǎn)因素：性別、年齡、腫瘤大小、腫瘤類型(軟骨肉瘤、骨肉瘤、脊索瘤、巨細(xì)胞瘤、多發(fā)性骨髓瘤、神經(jīng)鞘瘤、尤文氏肉瘤、轉(zhuǎn)移瘤等)、腫瘤位置、新輔助化療、手術(shù)方法、手術(shù)入路、手術(shù)醫(yī)生、術(shù)前栓塞、主動(dòng)脈球囊阻塞等。結(jié)果顯示臨床-DNN結(jié)合模型和臨床-RN 結(jié)合模型優(yōu)于單純DNN 模型和RN 模型。臨床-DNN 結(jié)合模型和臨床-RN 結(jié)合模型可作為骨盆和骶骨腫瘤患者術(shù)前預(yù)測(cè)大量失血的有力工具，降低術(shù)前因失血量誤判導(dǎo)致手術(shù)失敗和血液制品浪費(fèi)的風(fēng)險(xiǎn)。

疾病風(fēng)險(xiǎn)評(píng)估推進(jìn)慢病管理精準(zhǔn)化。羅格斯新澤西醫(yī)學(xué)院的Hima Tallam 等使用全自動(dòng)深度學(xué)習(xí)方法研究2 型糖尿病的CT 生物標(biāo)志物，共納入8992 例CT 圖像，分析胰腺CT 值、體積、脂肪含量和分形維數(shù)等參數(shù)，并評(píng)估內(nèi)臟脂肪和動(dòng)脈粥樣斑塊等其他生物學(xué)標(biāo)志物。使用Logistic 回歸尋找糖尿病最佳的預(yù)測(cè)因子。結(jié)果顯示：2 型糖尿病患者平均胰腺CT值較非糖尿病者低[(18.74±16.54) HU vs. (29.99±13.41)HU，P＜0.0001]，內(nèi)臟脂肪體積較非糖尿病者高[(235.0±108.6) mL vs. (130.9±96.3) mL，P＜0.0001]；胰腺CT 衰減標(biāo)準(zhǔn)差、胰腺分形維數(shù)、內(nèi)臟脂肪體積、腹主動(dòng)脈斑塊嚴(yán)重程度及BMI高于30是預(yù)測(cè)2型糖尿病的最佳指標(biāo)。

Sidney Kimmel醫(yī)學(xué)院的Simukayi Mutasa等將基于CNN的深度學(xué)習(xí)方法應(yīng)用于髖關(guān)節(jié)X線骨密度診斷。提取4400例患者的定量和定性骨密度標(biāo)簽，定性標(biāo)記正常骨密度、骨質(zhì)減少和骨質(zhì)疏松，定量標(biāo)記髖關(guān)節(jié)、脊柱、股骨和尺橈骨的平均t評(píng)分。定性驗(yàn)證結(jié)果表明，CNN 分類準(zhǔn)確率為86.16%，所選手術(shù)點(diǎn)綜合敏感度為0.838，特異度為0.772。綜合AUC 為0.809。該研究證明了當(dāng)深度學(xué)習(xí)系統(tǒng)應(yīng)用于四肢X 線片時(shí)，對(duì)于骨密度異常的診斷效能可與DXA相媲美。AI廣泛應(yīng)用對(duì)疾病風(fēng)險(xiǎn)的量化和早期預(yù)警起到重要作用。

3.3 預(yù)后預(yù)測(cè)

隨著基因組學(xué)、代謝組學(xué)、影像組學(xué)高速發(fā)展，大數(shù)據(jù)時(shí)代下精準(zhǔn)醫(yī)療對(duì)算力要求越來越高[11]，而AI 對(duì)大量高維數(shù)據(jù)的快速處理能力也引起人們的關(guān)注。AI 在輔助勾畫靶區(qū)、提取圖像特征、多種深度學(xué)習(xí)方法挖掘數(shù)據(jù)間聯(lián)系、建立特異性模型等方面表現(xiàn)不凡，本次RSNA 年會(huì)基于深度學(xué)習(xí)的多模態(tài)影像模型聯(lián)合基因靶點(diǎn)、分子分型共同研究為研究疾病病理生理機(jī)制提供了新思路。美國(guó)俄亥俄州辛辛那提圖像研究中心的Zhiyuan Li等采用基于集成學(xué)習(xí)的定量MRI結(jié)構(gòu)模型對(duì)極早產(chǎn)兒進(jìn)行認(rèn)知缺陷早期預(yù)測(cè)，模型整合了辛辛那提兒童醫(yī)院197 例患兒的腦容量和皮層發(fā)育特征，包括厚度、溝深度、曲率、旋轉(zhuǎn)指數(shù)和表面積等，模型預(yù)測(cè)的準(zhǔn)確率為68.0%，敏感度為70.2%，特異度為67.3%。該方法的AUC為0.73，優(yōu)于極端梯度增強(qiáng)分類器(AUC=0.62)和神經(jīng)網(wǎng)絡(luò)(AUC=0.61)。美國(guó)印第安納大學(xué)的Jason Glenn Parker等聯(lián)合多模態(tài)MRI和腫瘤組織樣本的全基因外顯子組測(cè)序結(jié)果，通過構(gòu)建前饋密集網(wǎng)絡(luò)模型，以識(shí)別膠質(zhì)瘤的突變基因靶點(diǎn)(包括PTEN、IDH1、TP53、EGFR、PIK3R1、PIK3CA、NF1 和RB1)。模型的平均預(yù)測(cè)準(zhǔn)確率為76.5%±15.0%，個(gè)體患者預(yù)測(cè)準(zhǔn)確率從0.540 到0.997不等。該研究通過無創(chuàng)成像預(yù)測(cè)單核苷酸點(diǎn)突變，旨在解決實(shí)體瘤異質(zhì)性影響治療耐藥和疾病復(fù)發(fā)的問題，提示基于深度學(xué)習(xí)的多模態(tài)精準(zhǔn)分類已顯示出指導(dǎo)個(gè)性化治療方案的潛力。

對(duì)高危人群的預(yù)后評(píng)估是疾病管理的重要環(huán)節(jié)，利用AI有助于大規(guī)模篩查，早期干預(yù)。哈佛醫(yī)學(xué)院附屬布萊根婦女醫(yī)院Jakob Weiss 等使用深度學(xué)習(xí)構(gòu)建篩查模型，對(duì)肝脂肪變性患者肝臟CT 圖像進(jìn)行體積分割?；颊弑环譃槌卣?BMI≥25)和非超重者(BMI＜25)，研究肝脂肪變性與全因死亡率以及心血管死亡率之間的關(guān)系。在14 753名參與者中非超重者和超重者的肝密度中位數(shù)沒有顯著差異(33.2 HU vs.32.4 HU，P=0.63)。在非超重者人群中，肝脂肪變性與全因死亡率之間存在顯著相關(guān)性(HR=2.48，95%CI=1.37～4.49，P=0.003)，而在非超重參與者中未見顯著相關(guān)(HR=0.99，95%CI=0.76～1.29，P=0.93)。在非超重者和超重者中，肝脂肪變性和心血管死亡率之間沒有顯著相關(guān)性?；谏疃葘W(xué)習(xí)的肝脂肪變性預(yù)測(cè)模型有助于早期識(shí)別高危個(gè)體，提示臨床。

3.4 臨床決策輔助

病變的精準(zhǔn)分割和量化深刻影響臨床決策。當(dāng)前關(guān)注點(diǎn)在于探討影像特征與腫瘤生物學(xué)特性之間的關(guān)系，以早期診斷癌癥，在最佳時(shí)機(jī)針對(duì)特定個(gè)體予以最合適的治療，并改進(jìn)醫(yī)學(xué)成像中的工作流程。韓國(guó)盆唐CHA 醫(yī)療中心的Ah Young Park 等探索乳腺癌RNA 測(cè)序譜與多參數(shù)MRI 特征之間的關(guān)聯(lián)，包括腫瘤形態(tài)、異質(zhì)性和血管生成，尋找與預(yù)后和治療決策密切相關(guān)的影像學(xué)標(biāo)記。使用乳腺成像報(bào)告和數(shù)據(jù)系統(tǒng)(breast imaging reporting and data system, BI-RADS)評(píng)估95 名浸潤(rùn)性乳腺癌女性的MRI 特征，紋理分析評(píng)估腫瘤異質(zhì)性，增強(qiáng)動(dòng)力學(xué)和灌注分析評(píng)估腫瘤血管生成。結(jié)果顯示189 個(gè)基因與87 個(gè)MRI 特征相關(guān)(P＜0.05)。BI-RADS 中腫塊的不規(guī)則形與HOXA5 和STC2 的高表達(dá)有關(guān)。腫塊實(shí)質(zhì)與SNORD46，SNORA38 和SNORA71B 的高表達(dá)相關(guān)。經(jīng)提取紋理和灌注參數(shù)與乳腺癌的snoRNAs相關(guān)。研究證明了利用BI-RADS和定量變量對(duì)乳腺癌形態(tài)學(xué)、異質(zhì)性和新生血管進(jìn)行多參數(shù)MRI 分析，可以反映與治療和預(yù)后相關(guān)的遺傳學(xué)變化。MRI 衍生的影像組學(xué)具有評(píng)估腫瘤微環(huán)境預(yù)測(cè)預(yù)后和耐藥的潛力，可為乳腺癌治療提供更好的精準(zhǔn)用藥。

基于機(jī)器學(xué)習(xí)的腫瘤影像組學(xué)能夠預(yù)測(cè)不同級(jí)別癌前病變，指導(dǎo)術(shù)中腫瘤切除。馬薩諸塞州總醫(yī)院的Dania Daye 等采用基于機(jī)器學(xué)習(xí)的放射組學(xué)模型預(yù)測(cè)胰腺導(dǎo)管內(nèi)乳頭狀黏液腫瘤(intraductal papillary mucinous neoplasm，IPMN)的級(jí)別。109 例被分為低級(jí)別IPMN 組(伴有低或中度不典型增生，n=48)和高級(jí)別IPMN 組(高級(jí)別或侵襲性，n=61)，并收集臨床生物學(xué)變量。所有腫瘤圖像均在延遲期進(jìn)行半自動(dòng)容積分割，提取112個(gè)影像組學(xué)特征?；颊弑环譃橛?xùn)練集(n=88)和測(cè)試集(n=22)。運(yùn)用基于隨機(jī)森林的機(jī)器學(xué)習(xí)進(jìn)行特征提取。ROC 用于評(píng)價(jià)構(gòu)建的機(jī)器學(xué)習(xí)模型性能。單因素回歸顯示4 個(gè)特征(2 個(gè)一階特征和2 個(gè)形狀特征)與中低級(jí)別不典型增生IPMN 獨(dú)立相關(guān)(Wald 檢驗(yàn)均P＜0.04)?；陔S機(jī)森林的機(jī)器學(xué)習(xí)模型在低級(jí)別IPMN 預(yù)測(cè)方面表現(xiàn)良好(AUC 為0.83)，特異度為76%，敏感度為82%。證實(shí)了術(shù)前CT 定量腫瘤放射學(xué)特征可有效識(shí)別低級(jí)別IPMN 患者。低、中級(jí)別癌前病變可隨訪觀察，高級(jí)別癌前病變則及時(shí)切除。

隨時(shí)間推移進(jìn)展是惡性腫瘤主要生物行為標(biāo)志。法國(guó)Therapixel 創(chuàng)始人兼首席科學(xué)家Pierre Fillard 團(tuán)隊(duì)采用AI比較前后兩次乳腺X線檢查的差異以區(qū)分良惡性病變。在100%陽(yáng)性預(yù)測(cè)值(PPV)時(shí)，AI 的參考敏感度為12.5% (95%CI：8.3%～17.6%)，AI 的時(shí)間敏感度為22.7% (95%CI：19.2%～27%)，增益敏感度為10.2% (95%CI：4.4%～15%)。研究證實(shí)基于時(shí)間的AI可以有效區(qū)分復(fù)雜良性病例與癌癥病例。

3.5 自動(dòng)化智能測(cè)量

在傳統(tǒng)放射工作模式下，對(duì)病灶反復(fù)手動(dòng)測(cè)量、半自動(dòng)標(biāo)注、肉眼比對(duì)往往浪費(fèi)大量時(shí)間，嚴(yán)重降低放射醫(yī)生工作效率，增加時(shí)間成本。智慧醫(yī)療時(shí)代背景下，腫瘤精準(zhǔn)評(píng)估對(duì)臨床療效評(píng)價(jià)和方案調(diào)整具有重要價(jià)值。美國(guó)麻省理工學(xué)院的Jay Biren Patel 等采用自動(dòng)深度學(xué)習(xí)方法對(duì)腦轉(zhuǎn)移瘤進(jìn)行全自動(dòng)分割和縱向評(píng)估，根據(jù)神經(jīng)腫瘤腦轉(zhuǎn)移反應(yīng)評(píng)估標(biāo)準(zhǔn)進(jìn)行自動(dòng)量化，在847 個(gè)數(shù)據(jù)集上自動(dòng)分割轉(zhuǎn)移灶。對(duì)比專業(yè)放射醫(yī)生和預(yù)測(cè)模型的轉(zhuǎn)移灶測(cè)量值，組內(nèi)相關(guān)系數(shù)(intraclass correlation coefficient，ICC)為0.88。提示深度學(xué)習(xí)能加快對(duì)顱腦轉(zhuǎn)移灶的準(zhǔn)確測(cè)量，輔助量化臨床治療反應(yīng)。

希伯來大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院的Leo Joskowicz 等采用基于自動(dòng)容量同步深度學(xué)習(xí)分類方法監(jiān)測(cè)肝轉(zhuǎn)移灶的變化，進(jìn)行自動(dòng)識(shí)別和綜合量化，分析兩次CT 增強(qiáng)圖像病變體積變化，與標(biāo)準(zhǔn)獨(dú)立檢測(cè)方法進(jìn)行比較。前后比較法比獨(dú)立單次法的準(zhǔn)確率明顯提高：直徑＞5 mm病灶準(zhǔn)確率由5.5%上升為24.1%；直徑＞10 mm的病灶準(zhǔn)確率由2.2%上升為20.5%。研究結(jié)果提示，AI能提升肝轉(zhuǎn)移瘤體積變化測(cè)量的準(zhǔn)確性。

圖像分割和基于分割的量化分析是目前心血管領(lǐng)域AI應(yīng)用最廣泛的環(huán)節(jié)，冠心病術(shù)后冠脈再狹窄風(fēng)險(xiǎn)評(píng)估是本次RSNA 年會(huì)心血管領(lǐng)域臨床關(guān)注的重點(diǎn)。美國(guó)梅奧診所的Emily Koons 等采用HRPCD-CT 掃描置入冠狀動(dòng)脈支架的患者，利用深度CNN 算法減少噪聲、優(yōu)化圖像質(zhì)量，測(cè)量冠狀動(dòng)脈支架內(nèi)徑，與優(yōu)化前測(cè)量值比較。優(yōu)化前圖像：支架存在開花偽影，導(dǎo)致支架壁增厚，而管腔內(nèi)徑相應(yīng)縮小，造成管腔內(nèi)徑被低估40%左右?；贑NN 構(gòu)建的模型不僅提高空間分辨率，而且減少圖像偽影。在不失真的情況下，CNN 將圖像噪聲降低了44% (差異＜0.6%)。采用CNN 去噪算法能準(zhǔn)確評(píng)估冠狀動(dòng)脈是否存在再狹窄。

利用MRI 進(jìn)行椎管狹窄評(píng)分時(shí)，放射醫(yī)生之間測(cè)量常有差異，AI 自動(dòng)量化分級(jí)有助于病情客觀評(píng)價(jià)。韓國(guó)中央大學(xué)的JinHyeong Park 等采用基于三維深度學(xué)習(xí)對(duì)腰椎椎管狹窄(lumbar spinal stenosis，LSS)進(jìn)行全自動(dòng)分級(jí)，以減少人工測(cè)量誤差。收集5426例患者的矢狀位T1WI、T2WI和橫斷位T2WI 序列，定位每個(gè)脊柱運(yùn)動(dòng)功能單元(L1/2 至L5/S1)，并將LSS分為1級(jí)(無/輕度)、2級(jí)(中度)和3級(jí)(重度)。數(shù)據(jù)集以7∶1∶2 的比例被隨機(jī)分成訓(xùn)練集、驗(yàn)證集和測(cè)試集，利用生成的模型識(shí)別L1/2 至L5/S1 椎間盤。結(jié)果顯示模型診斷1、2、3級(jí)椎管狹窄的AUC分別為0.94、0.84、0.96，區(qū)分不同分級(jí)椎管狹窄的敏感性和特異性可接近?？漆t(yī)生。

基于AI 的圖像自動(dòng)標(biāo)注測(cè)量，不僅減少測(cè)量誤差，也有助于年輕醫(yī)生的診斷。韓國(guó)首爾蔚山大學(xué)的Seung Min Ryu等利用級(jí)聯(lián)CNN 在足部站立側(cè)位上自動(dòng)識(shí)別標(biāo)志點(diǎn)，進(jìn)行足部畸形(扁平足和弓足)診斷。隨機(jī)選取1050 例足部X 檢查數(shù)據(jù)作為訓(xùn)練集，150 例作為測(cè)試集。使用視覺幾何組(visual geometry group)圖像標(biāo)注器，逐例識(shí)別出25 個(gè)解剖標(biāo)志，以平均絕對(duì)距離(mean absolute distance)、足畸形角[包括距骨第一跖骨角(talo-first metatarsal angle)和跟骨傾斜角(calcaneal pitch angle)]作為模型預(yù)測(cè)指標(biāo)的評(píng)價(jià)金標(biāo)準(zhǔn)。比較高年資?？漆t(yī)生與初級(jí)醫(yī)生的標(biāo)注結(jié)果，結(jié)果表明CNN 模型指導(dǎo)下初級(jí)醫(yī)生標(biāo)注表現(xiàn)更佳，AI 能夠幫助年輕醫(yī)生更好地識(shí)別解剖標(biāo)志。

4 局限與挑戰(zhàn)

4.1 數(shù)據(jù)“黑盒”

全球COVID-19疫情持續(xù)蔓延，利用AI分析肺部圖像以檢測(cè)COVID-19 肺炎的研究大量涌現(xiàn)，但也暴露出數(shù)據(jù)選擇、使用及分析過程不透明、模型偏離實(shí)際等問題。來自名古屋大學(xué)醫(yī)院放射科的Rintaro Ito 團(tuán)隊(duì)提出，增加人工智能研究檢查核對(duì)表將有助于減少這些不足。

4.2 AI模型假陽(yáng)性

蘇格蘭東北部乳腺篩查服務(wù)中心臨床主任Gerald Lip博士強(qiáng)調(diào)AI 在正式投入使用前，需要評(píng)估其檢測(cè)效能。雖然許多國(guó)家已開發(fā)乳腺癌篩查系統(tǒng)，但都存在不同程度的局限。高誤報(bào)率將導(dǎo)致不必要的手術(shù)、醫(yī)療成本上升和患者焦慮的加劇。美國(guó)夏威夷大學(xué)癌癥中心的Lambert Leong 等采用深度學(xué)習(xí)模型對(duì)25 096 例乳腺陰性X 線數(shù)據(jù)進(jìn)行研究，并與包含臨床危險(xiǎn)因素(包括乳腺密度)的模型進(jìn)行基準(zhǔn)評(píng)分對(duì)比，構(gòu)建的深度學(xué)習(xí)模型在癌癥篩檢方面表現(xiàn)欠佳。

4.3 AI管理：隱私與法律責(zé)任

AI 研究需要大量數(shù)據(jù)，而這些數(shù)據(jù)的管理以及如何避免患者隱私泄露也成為今年的議題。斯坦福大學(xué)的David B.Larson教授提出，為了更長(zhǎng)遠(yuǎn)的公共利益，去除個(gè)人信息后的臨床數(shù)據(jù)應(yīng)當(dāng)作為公開資源，傳統(tǒng)意義上的“擁有”數(shù)據(jù)概念將被改變。紐約大學(xué)放射學(xué)系人工智能副主任Yvonne W.Lui 指出，為了降低患者隱私泄露的風(fēng)險(xiǎn)，醫(yī)療機(jī)構(gòu)應(yīng)通過與制造商合作，避免將可識(shí)別的數(shù)據(jù)置于DICOM 字段中，通過優(yōu)化協(xié)議及更有效的去除個(gè)人信息手段，開發(fā)更安全的數(shù)據(jù)共享方式。

5 總結(jié)

隨著AI逐漸融入影像，人們對(duì)AI的態(tài)度逐漸趨于理性，對(duì)數(shù)據(jù)涉及的倫理和隱私問題也愈發(fā)關(guān)注。全新放射工作模式下，放射醫(yī)生不僅需要明白AI能夠帶來的價(jià)值，也需要了解其局限性。芝加哥大學(xué)放射學(xué)教授兼放射信息學(xué)副主席Paul J. Chang博士指出，AI的市場(chǎng)仍有待開發(fā)，醫(yī)療機(jī)構(gòu)對(duì)AI要求越來越高。臨床對(duì)放射學(xué)提出更多和更高的要求，期望融合多模數(shù)據(jù)進(jìn)行綜合診斷評(píng)估，并期待結(jié)果更加精準(zhǔn)。筆者認(rèn)為，隨著技術(shù)持續(xù)革新，放射醫(yī)生對(duì)AI 的要求不再滿足于提高工作效率，實(shí)現(xiàn)圖像測(cè)量的半自動(dòng)化或全自動(dòng)化，而是能在工作過程進(jìn)一步完成訓(xùn)練和測(cè)試、智能遷移等復(fù)雜任務(wù)。

作者利益沖突聲明：本文所有作者均無利益沖突。