人工智能在影像医学中的实际应用

刘佰伦

摘要：随着科技水平的进步，我国影像技术有了很大突破。在医疗领域影像医学是人工智能的主要应用方向之一。在日常诊疗工作中，影像检查的临床需求量巨大，但影像科医师数量的增长和临床经验的积累远不及影像数据的增长速度，AI与影像数据交叉融合，可减轻影像科医师处理海量影像数据的压力。目前，基于超声、X线、CT和MRI数据以深度学习技术为核心，已研发了多种AI辅助影像的定量分析算法，在临床得到广泛的应用，实现了疾病的早期诊断、精准治疗、疗效评估和预测，显著提高影像科医师处理影像信息的效率和准确性，可为临床诊疗提供定量依据。

关键词：人工智能；影像医学；实际应用

引言

随着人工智能技术的快速发展和应用，其已经逐渐赋能了各个领域，其中医学装备是人工智能技术赋能各种应用的重要领域之一。人工智能技术应用于医学装备，可以使医学装备具有更加智能、高效、精准的特性，从而提高医疗效率和疾病诊断的准确性，为患者带来更好的医疗体验和治疗效果。将人工智能技术运用到医学装备应用研发中，大大提高了医疗机构的服务能力和医疗质量，尤其是在近三年抗疫过程中，已经初步崭露头角。多家企业推出的新冠肺炎智能辅助诊断系统、病情评估系统、疾病预测系统，以及自动化机器人等产品在湖北等地的疫情救治中发挥出重要的作用。人工智能技术在抗疫中的应用效果，更加突出了工智能技术在医学装备领域的转化应用将对创新医疗服务模式、优化资源配置、提升服务效率、降低医疗费用等各方面的工作发挥着越来越重要的作用。因此，使用先进的人工智能技术对医学装备应用研发升级，可以最大程度满足医疗机构各阶段发展需求，提升医疗技水平与医院综合能力，推动医疗卫生领域全面发展。

1医学影像人工智能应用现状

近年来，人工智能（artificial intelligence, AI）技术在医学影像领域的发展与应用备受关注。在众多医疗健康领域中，医学影像的图像数据量大且采用全球标准统一的DICOM存储格式，有望成为AI最先实现突破的领域之一。

目前，AI在医学影像领域的临床应用主要在影像诊断环节，多集中于病变检出、识别，以及良恶性判断等。一方面，利用AI的感知与认知性能对医学影像进行识别,挖掘其重要信息，为经验不足的影像科医生提供帮助，从而提高阅片效率；另一方面，通过机器学习对大量影像数据和临床信息进行整合并训练AI系统，使其具备诊断疾病的能力，有利于降低影像科医生漏诊率。相比现有的影像科工作模式，AI系统不受外界因素的干扰并时刻保持高效连续的工作状态，有助于提升影像科医生阅片的效率和质量。

此外，近年来医学影像AI相关研究也备受关注，尤其在肿瘤领域的应用，包括肿瘤的定性、临床分级分期、基因分析、疗效评估和预后预测等。作为医学影像AI研究的重要内容，影像组学通过深度挖掘医学影像中的高通量特征来描述病变的生物学特点，进而实现无创、全面、动态量化病变的时间和空间异质性，对于疾病的精准诊疗、预后预测具有重要的临床价值。

2人工智能在影像医学中的实际应用

2.1人工智能在皮肤癌中的应用

根据美国癌症协会统计的报告可知，全世界每年患有皮肤癌的患者中大概是会出现232000个新病例以及55500个死亡病例。对于黑色素瘤而言，其发病早期诊治同晚期诊治的5年存活率数据分别达到了99%以及14%，表示如果能够早期诊断，基本上黑色素瘤能被完全治愈。传统使用的皮肤癌诊断主要是利用视觉诊断的方式实现初步的临床检查，随后对患者使用结肠镜检查、活检和组织病理学检查。从这个意义上说，深层的卷积神经网络显示它复盖了更多的恶性/良性皮肤癌和葡萄胎的皮肤镜图像。利用具有较高敏感性和较强特异性的深度学习卷积神经网络检测皮肤黑色素瘤，进而诊断皮肤癌。随机从国际黑色素瘤计算机视觉挑战数据集（n=379）中选择100张皮肤镜图像（50个黑色素瘤、44个面片和6个镜头），用于横截面研究和集成的独立自动检测与算法。使用皮肤科医生的图像识别黑色素瘤时，智能诊断系统的准确率的提升必定会直接提高医生的效率。

2.2人工智能在超声领域中的应用

超声医学进入大数据时代后,超声医学的AI技术越来越成熟,物联网在医学方面的应用也逐步扩大,AI与超声的结合正成为后起之秀。目前,超声智能诊断迅速发展,超声图像标准化采集成为了发展的重要一环。在互联网+的背景下,通过在实践应用中下功夫,结合大数据、人工智能、物联网等技术优化超声图像,将物联网、大数据、人工智能、5G新概念技术等交叉融合入医学超声影像,着手于提高超声图像采集质量、采集效率以及超声诊断的效率等优化,可为促进AI超声技术升级、超声医学发展等起到重要作用。长沙医学院医学影像学院创新地提出了在超声图像采集探头中植入压力传感器、定位传感器等设计,运用5G传输技术、大数据存储、人工智能分析,指导使用者采集的图像趋于符合诊断要求的标准图像。打造一款集数据采集、数据分析、数据反馈的超声智能探头,成为集数据采集、反馈、管理、分析于一体的深度融入学习的智能终端。在现阶段的研究中,长沙医学院医学影像学院已完成AI分析反馈指导系统,实现数据的采集和传输、储存后,在使用者给被检查对象扫描的过程中,AI系统实时地调取采集的数据在后台同步分析,快速获得计算机的辅助分析支持,基于动态图像实时在超声显示屏上输出AI算法分析的图像扫描手法获取的最优解,从而使得采集图像无限趋于符合诊断要求的标准图像。

2.3神经系统的应用

AI的客观性、准确性为自动分割技术发展和兴起奠定了基础，多项研究结果表明卷积神经网络模型能够很好地用于阿尔茨海默病、帕金森病早期诊断分类。大多数阿尔兹海默症的患者都有不同程度的海马区的萎缩，因此可以通过海马区的体积来诊断患者的病情严重程度，但由于海马区与其相邻结构在MRI图像上的灰度值很接近而且分割结果依赖于分割算法和预处理步骤，因此具有一定的难度性和耗时性。有学者提出了一种卷积神经网络模型，根据FreeSurfer算法进行训练，从固定大小的输入区域框中识别和分割海马，能在30s内分割单个T1大脑图像的双侧海马。

结语

基于医学影像构建的AI系统已在疾病诊疗方面展现出了巨大的应用潜能。然而，由于医学影像数据标准化程度不足、模型泛化能力不足、生物学可解释性差、医学“数据孤岛”与隐私保护等诸多难题，导致医学影像数据无法建立广泛连接、形成合力，难以发挥数据最大价值，从而严重阻碍了AI赋能医疗健康。因此，我们有必要引入新技术如（联邦或群体学习），使得在多中心之间无隐私数据交换的前提下共同构建AI模型成为可能，进而打破“数据孤岛”。同时，引入新理论，如FAIR数据管理准则，构建标准化医学影像数据库；对医学影像数据的采集、处理、使用以及管理等方面进行标准化描述，为医学影像AI技术落地提供标准化数据保障，可辅助AI技术落地疾病诊疗领域。我们确信通过整合新技术、新理论，构建高效的、泛化性强的疾病诊疗AI系统，有望实现疾病精准诊疗评估，可减轻医生临床负担，为病人提供更优质且低价的治疗服务并能增加医院的经济效益。在国内外学者的共同努力下，医学影像AI的发展前景依旧充满曙光。

参考文献

［1］中国电子技术标准化研究院.人工智能标准化白皮书2018版［R］.北京:中国电子技术标准化研究院,2018.

［2］国家发展改革委.促进健康产业高质量发展行动纲要（2019-2022年）［EB/OL］.[2021-08-10].

［3］李晓理,张博,王康,等.人工智能的发展及应用［J］.北京工业大学学报,2020,46(6):583-90.