王霄英

2017年北美放射學(xué)會(huì)(RSNA)上展示了許多新技術(shù)、新知識(shí)，其中最大的熱點(diǎn)是人工智能(artificial intelligence，AI)，它不是通常意義上的影像學(xué)成像技術(shù)，而被認(rèn)為是目前影像領(lǐng)域最重要的潛在創(chuàng)新應(yīng)用。行業(yè)專家和影像專家對(duì)AI的感受和判斷并不一致，不乏有“AI是對(duì)影像醫(yī)生職業(yè)的威脅”的觀點(diǎn)，也有AI行業(yè)專家認(rèn)為影像醫(yī)生將有可能被替代[1]。目前主流的觀點(diǎn)認(rèn)為醫(yī)學(xué)影像工作的復(fù)雜性，特別是在影像服務(wù)過(guò)程中，影像專家與臨床專家的合作、影像專家對(duì)患者提供的咨詢服務(wù)等，決定了影像醫(yī)生并不會(huì)輕易地被替代。同時(shí)，影像專家也充分認(rèn)識(shí)到，拒絕和焦慮不會(huì)發(fā)揮任何自我保護(hù)的作用，應(yīng)主動(dòng)積極的接納AI，利用它來(lái)提升現(xiàn)有的服務(wù)質(zhì)量。影像醫(yī)師既是影像信息的生產(chǎn)者、管理者，又可成為影像與臨床信息的整合者，借助AI拓展新的服務(wù)領(lǐng)域，有助于提高影像醫(yī)生在醫(yī)學(xué)服務(wù)中的核心地位。要做到這一點(diǎn)，作為影像專業(yè)的從業(yè)者，應(yīng)盡快了解AI背后的技術(shù)，利用各種機(jī)會(huì)將其納入醫(yī)療實(shí)踐中，使患者真正受益。

以下是本人參會(huì)的部分體會(huì)和感想，需特別說(shuō)明的是，筆者以外行的身份去評(píng)價(jià)其他專業(yè)的進(jìn)展，所述內(nèi)容必有一定的局限性和片面性，文中提及的知識(shí)、概念等不免有謬誤之處，懇請(qǐng)專家批評(píng)指正。

AI在醫(yī)學(xué)影像中的探索過(guò)程

1.AI技術(shù)概述

AI是指利用計(jì)算機(jī)系統(tǒng)完成一些通常需要人類智力才能完成的任務(wù)，如視覺(jué)感知、語(yǔ)音和文字識(shí)別、決策制定等。AI是計(jì)算機(jī)科學(xué)的一個(gè)分支，與大數(shù)據(jù)等領(lǐng)域相互交叉，涉及內(nèi)容廣泛，如計(jì)算機(jī)視覺(jué)(computer vision)、自然語(yǔ)言處理(natural language processing)、語(yǔ)音識(shí)別(speech recognition)等，同時(shí)還包括機(jī)器人學(xué)、專家系統(tǒng)、知識(shí)圖譜、推理機(jī)等。

2.醫(yī)學(xué)領(lǐng)域的AI研究歷史

醫(yī)學(xué)領(lǐng)域的AI研究并不是一個(gè)新的概念，將AI應(yīng)用于科學(xué)研究的思路已提出數(shù)十年，只是近幾年才實(shí)現(xiàn)了少數(shù)的臨床應(yīng)用案例。在AI的發(fā)展過(guò)程中，其方法學(xué)和研究方向均發(fā)生了較大的轉(zhuǎn)變。早期的研究方向主要是知識(shí)工程(knowledge engineering)，如專家系統(tǒng)、計(jì)算機(jī)輔助臨床決策支持系統(tǒng)、定性建模和推理等。近年來(lái)由于計(jì)算能力的提高、計(jì)算方法的優(yōu)化、數(shù)據(jù)量的增大，AI研究由知識(shí)驅(qū)動(dòng)轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動(dòng)，技術(shù)手段則以機(jī)器學(xué)習(xí)(machine learning)和數(shù)據(jù)挖掘(data mining)為主。

在AI演變的同時(shí)，近年來(lái)的醫(yī)學(xué)模式亦發(fā)生了變化。與傳統(tǒng)的經(jīng)驗(yàn)醫(yī)學(xué)模式不同，目前臨床決策的主流模式是基于循證醫(yī)學(xué)和臨床實(shí)踐指南。在群體和社會(huì)方面，全世界范圍內(nèi)慢性疾病人群日益增長(zhǎng)，醫(yī)療保健成本上升，醫(yī)療服務(wù)與醫(yī)保支付的矛盾也日益顯著。所以，當(dāng)前AI在醫(yī)學(xué)領(lǐng)域主要研究的問(wèn)題是：指南和規(guī)范的應(yīng)用、機(jī)器學(xué)習(xí)、語(yǔ)義學(xué)技術(shù)和生物信息學(xué)等。在醫(yī)學(xué)影像這個(gè)分支，從20世紀(jì)90年代初開(kāi)始，圖像和信號(hào)處理及自然語(yǔ)言處理等引起了較多關(guān)注[2]。與此同時(shí)，迅速興起的CT、MRI技術(shù)較二維成像(如X線)產(chǎn)生更大量的數(shù)據(jù)，且圖像性質(zhì)多樣、更難以解讀。早期AI主要研究基于模型的分割和分類、基于知識(shí)的病灶檢出等，現(xiàn)今則是以數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)最常用。

醫(yī)學(xué)影像工作是高強(qiáng)度的技術(shù)性工作，醫(yī)務(wù)人員在日常工作中要準(zhǔn)確、高效地完成大量的臨床檢查。目前新一代AI系統(tǒng)已逐漸顯示出越來(lái)越強(qiáng)的能力，有望從根本上改變這種狀態(tài)，從而引起行業(yè)內(nèi)外的廣泛興趣。

醫(yī)學(xué)影像AI研究的現(xiàn)狀

1.醫(yī)學(xué)影像AI研究?jī)?nèi)容以影像診斷為主

2017年RSNA學(xué)術(shù)交流中使用機(jī)器學(xué)習(xí)進(jìn)行影像診斷的研究幾乎涵蓋所有影像診斷亞專業(yè)，近年來(lái)已有不少類似的文獻(xiàn)報(bào)道，如乳腺疾病[3]、肺部疾病[4]、神經(jīng)系統(tǒng)疾病[5]、骨關(guān)節(jié)系統(tǒng)疾病[6]、心血管系統(tǒng)疾病[7]和體部疾病[8]等。這些研究通常的思路是：收集一定數(shù)量的圖像，經(jīng)過(guò)標(biāo)注后(少量研究中不標(biāo)注)，使用機(jī)器學(xué)習(xí)得到優(yōu)化的算法模型參數(shù)(多數(shù)為卷積神經(jīng)網(wǎng)絡(luò))，經(jīng)過(guò)驗(yàn)證和測(cè)試，最終以較高的預(yù)測(cè)效能識(shí)別某種疾病，得到影像診斷。除影像診斷外，也有少數(shù)AI研究涉及影像技術(shù)[9]、結(jié)構(gòu)式報(bào)告[10]等方面，影像與其他相關(guān)學(xué)科的關(guān)聯(lián)應(yīng)用也偶有提及[11]。

2.AI效能的臨床驗(yàn)證尚不充分

當(dāng)前醫(yī)學(xué)影像AI測(cè)試過(guò)程中的方法缺陷多很明顯，應(yīng)通過(guò)更科學(xué)的試驗(yàn)對(duì)其宣稱的效能進(jìn)行評(píng)價(jià)[12]。在RSNA上報(bào)告的研究通常為小樣本初步探索，多缺乏真實(shí)臨床場(chǎng)景中的驗(yàn)證。雖然AI影像診斷的研究中基本都有驗(yàn)證過(guò)程，但應(yīng)注意，AI研究中定義的“驗(yàn)證(validation)”階段與傳統(tǒng)的醫(yī)學(xué)影像研究中的驗(yàn)證試驗(yàn)是不同的，AI的驗(yàn)證通常是指模型優(yōu)化過(guò)程中參數(shù)的微調(diào)過(guò)程。AI研究中定義的“測(cè)試(test)”階段是驗(yàn)證模型效能的過(guò)程，常用ROC曲線和校準(zhǔn)曲線作為評(píng)價(jià)指標(biāo)。理論上來(lái)說(shuō)，以少量訓(xùn)練數(shù)據(jù)集內(nèi)部的樣本進(jìn)行測(cè)試是可行的，但在醫(yī)療工作中，很難保證提交做預(yù)測(cè)分析的實(shí)際病例與訓(xùn)練所用的數(shù)據(jù)集來(lái)源于同一總體，所以臨床醫(yī)生多主張用訓(xùn)練集外部的新數(shù)據(jù)進(jìn)行測(cè)試，且確認(rèn)AI模型的性能時(shí)，還要結(jié)合疾病表現(xiàn)譜和疾病流行情況進(jìn)行綜合考慮。如果有可能，AI效能驗(yàn)證試驗(yàn)設(shè)計(jì)的主要終點(diǎn)應(yīng)為可評(píng)測(cè)的臨床結(jié)局，研究AI是否可以改善臨床結(jié)局是最有意義的，但當(dāng)前極少研究能提供這方面的證據(jù)。

3.AI應(yīng)用于臨床的倫理和法規(guī)問(wèn)題尚待解決

當(dāng)前醫(yī)學(xué)影像AI的能力是很弱的，其輸出的結(jié)果僅對(duì)醫(yī)生的診斷提供幫助，最終決策仍由醫(yī)生決定，所以臨床應(yīng)用的倫理問(wèn)題尚不突出。但在其他AI預(yù)測(cè)能力較強(qiáng)的領(lǐng)域，關(guān)于AI“自我意識(shí)”的風(fēng)險(xiǎn)和倫理問(wèn)題已引起關(guān)注?？梢灶A(yù)見(jiàn)，如果未來(lái)醫(yī)學(xué)影像AI能力超越專家，同時(shí)將AI與智能硬件結(jié)合，其輸出的結(jié)果直接處理人體疾病時(shí)，AI以什么樣的邏輯做出決策應(yīng)有明確的規(guī)定，否則必將帶來(lái)倫理風(fēng)險(xiǎn)，而我們現(xiàn)在就應(yīng)有所警醒和準(zhǔn)備[13]?，F(xiàn)階段關(guān)于醫(yī)學(xué)影像AI臨床驗(yàn)證的法規(guī)問(wèn)題，是RSNA上廠家和業(yè)內(nèi)專家的共同關(guān)注熱點(diǎn)。AI與傳統(tǒng)醫(yī)療器械明顯不同，且不同AI產(chǎn)品和服務(wù)之間的差距也很大，當(dāng)前監(jiān)管機(jī)構(gòu)還沒(méi)有定義明確的AI臨床驗(yàn)證方法，這對(duì)AI實(shí)際進(jìn)入臨床應(yīng)用是不利的。隨著AI引入臨床路徑中，支付體系將發(fā)生怎樣的變化，也是各方面關(guān)注的重要問(wèn)題。

4.非傳統(tǒng)醫(yī)療行業(yè)的資本和技術(shù)大量涌入帶來(lái)正反兩方面的影響

RSNA上有不少AI初創(chuàng)公司亮相，許多互聯(lián)網(wǎng)和信息產(chǎn)業(yè)的標(biāo)志性企業(yè)也投入到AI研發(fā)中。在大會(huì)交流的論文中，有相當(dāng)多的AI研究是由企業(yè)發(fā)起的。資本的巨大投入對(duì)AI的發(fā)展無(wú)疑是有益的——可吸引人才、凝聚資源、促進(jìn)AI成果快速轉(zhuǎn)化。但也要注意到，醫(yī)學(xué)的進(jìn)步有其自身規(guī)律，短期內(nèi)大量資本的投入未必能帶來(lái)醫(yī)學(xué)進(jìn)步的質(zhì)變。在資本的裹挾下，對(duì)有些研究結(jié)果的過(guò)度解讀和不當(dāng)宣傳，反而不利于學(xué)術(shù)本身的發(fā)展。

5.AI發(fā)展中的問(wèn)題遠(yuǎn)多于答案

AI研究進(jìn)展迅速，顯示其潛在的臨床應(yīng)用價(jià)值，RSNA期間所有AI會(huì)場(chǎng)的交流均引起參與者極大的興趣。但實(shí)際上，AI發(fā)展中給我們帶來(lái)的問(wèn)題遠(yuǎn)遠(yuǎn)多于答案[14]。除了技術(shù)問(wèn)題，我們更關(guān)心：AI能否解決醫(yī)療實(shí)踐中的“痛點(diǎn)”，減輕醫(yī)生負(fù)擔(dān)，提升服務(wù)患者的效果？ AI僅僅是預(yù)測(cè)，還是真正能夠改善患者的臨床結(jié)局？AI會(huì)加強(qiáng)還是減弱醫(yī)生與患者的溝通？AI會(huì)剝奪一些醫(yī)生的工作和/或降低醫(yī)生的價(jià)值(降低醫(yī)生的收入)嗎？醫(yī)生過(guò)度依賴AI是否會(huì)降低技術(shù)水平？醫(yī)生群體對(duì)AI接受度的不同，是否會(huì)造成醫(yī)生相對(duì)地位的改變？

醫(yī)學(xué)影像AI臨床研究的方向

AI研究方向的維度很多，在臨床實(shí)用的方向上，建立適合AI研究的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)、將AI植入實(shí)際工作中做出決策以及優(yōu)化工作流程等，都大有可為。

1.建立適合AI研究的標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)和場(chǎng)景

缺乏大量的、標(biāo)準(zhǔn)的、有臨床結(jié)局的影像數(shù)據(jù)，是AI研究的難點(diǎn)之一。雖然中國(guó)絕大多數(shù)醫(yī)院并不缺少數(shù)字化圖像，但大量的病例資料并不一定能轉(zhuǎn)換為可供AI訓(xùn)練和驗(yàn)證的數(shù)據(jù)。大數(shù)據(jù)在氣象、金融、實(shí)驗(yàn)物理、電信、軍事偵察和商業(yè)信息等多個(gè)領(lǐng)域的應(yīng)用，得益于其標(biāo)準(zhǔn)化的數(shù)據(jù)定義和數(shù)據(jù)結(jié)構(gòu)。醫(yī)療服務(wù)中，電子健康記錄、基因測(cè)序、數(shù)字成像、可穿戴設(shè)備等提供了多維的、海量的、但通常非結(jié)構(gòu)化、非標(biāo)準(zhǔn)化的患者健康數(shù)據(jù)，對(duì)這些數(shù)據(jù)進(jìn)行分析和利用的難度顯而易見(jiàn)。為了將醫(yī)學(xué)影像數(shù)據(jù)順利地納入AI研究，需要提取影像的“組學(xué)”數(shù)據(jù)并與臨床數(shù)據(jù)相結(jié)合；需要深入地研究影像資料的數(shù)據(jù)結(jié)構(gòu)和索引結(jié)構(gòu)，并將其用于分布式和/或并行計(jì)算；需要將不同維度的數(shù)據(jù)納入統(tǒng)一的新模型；需要對(duì)海量的、不均勻數(shù)據(jù)集設(shè)計(jì)檢索語(yǔ)言等。除了橫斷面的數(shù)據(jù)分析，還應(yīng)具備多時(shí)間維度的聯(lián)機(jī)分析處理、時(shí)間數(shù)據(jù)倉(cāng)庫(kù)設(shè)計(jì)、時(shí)間數(shù)據(jù)挖掘和可視化、綜合挖掘和分析環(huán)境等方面的開(kāi)發(fā)。自上而下地組織這些跨學(xué)科研究是非常困難的，較實(shí)際的解決方案是先從某個(gè)小的、簡(jiǎn)單的、數(shù)據(jù)結(jié)構(gòu)清晰的領(lǐng)域建立數(shù)據(jù)庫(kù)并發(fā)起研究[15]，沿著公認(rèn)的本體框架逐步外推到不同領(lǐng)域，最終形成完整的數(shù)據(jù)結(jié)構(gòu)。

2.將AI植入實(shí)際工作中做出決策

將AI研究融入循證醫(yī)學(xué)和臨床實(shí)踐指南中，可使臨床實(shí)踐直接受益[16]。醫(yī)療服務(wù)過(guò)程中的決策，是在醫(yī)患充分溝通的基礎(chǔ)上，參考循證醫(yī)學(xué)研究證據(jù)和各種指南而做出的，堅(jiān)持這一點(diǎn)對(duì)醫(yī)患雙方都是最有益的。但是循證醫(yī)學(xué)的發(fā)展提供了日益更新的證據(jù)，其應(yīng)用場(chǎng)景更加細(xì)分，證據(jù)的數(shù)量也越來(lái)越大，同時(shí)各種規(guī)范和指南也層出不窮，醫(yī)務(wù)工作者在繁忙的日常醫(yī)療服務(wù)中持續(xù)進(jìn)行知識(shí)更新是一項(xiàng)艱苦的任務(wù)[17]。隨著電子病歷系統(tǒng)在臨床實(shí)踐中的廣泛應(yīng)用，AI在證據(jù)確認(rèn)和臨床決策支持方面有望提供實(shí)際的幫助。但是目前影像診斷AI的輸出結(jié)果中，多是對(duì)影像特征進(jìn)行識(shí)別和分類，如果能進(jìn)一步將影像特征與現(xiàn)有指南、證據(jù)等整合，在計(jì)算機(jī)視覺(jué)分析輸出結(jié)果的基礎(chǔ)上，增加醫(yī)生認(rèn)可的臨床信息，納入指南的判斷邏輯，則可基于規(guī)則做出決策，能明顯提升AI對(duì)醫(yī)生的服務(wù)效果。

3.將AI用于影像業(yè)務(wù)流程的優(yōu)化

除了用于影像診斷中，AI更應(yīng)該盡可能地用于影像業(yè)務(wù)流程的優(yōu)化。在過(guò)去幾十年中，工程技術(shù)界的工作流建模和業(yè)務(wù)流程優(yōu)化使生產(chǎn)效率和質(zhì)量得到明顯提升。醫(yī)療領(lǐng)域的傳統(tǒng)業(yè)務(wù)模式使業(yè)務(wù)的數(shù)據(jù)化存在一定困難，業(yè)務(wù)的規(guī)范化也不夠，從而對(duì)數(shù)據(jù)采集和分析造成極大困難。幸運(yùn)的是，為適應(yīng)信息時(shí)代的各種要求，醫(yī)療業(yè)務(wù)的數(shù)據(jù)規(guī)范化程度正逐步提高，AI可以嘗試對(duì)管理水平較高的、醫(yī)療行為較規(guī)范的、信息化較完善的、覆蓋范圍明確且局限的業(yè)務(wù)進(jìn)行分析和優(yōu)化。與臨床其他業(yè)務(wù)流程相比，醫(yī)學(xué)影像檢查過(guò)程就是這樣一種流程，有可能用AI來(lái)輔助管理影像檢查業(yè)務(wù)的各個(gè)方面，如基于決策的流程管理、時(shí)間限制、運(yùn)行模式切換、異常情況預(yù)警和處理、隱私和安全保護(hù)等，以規(guī)范影像檢查業(yè)務(wù)，提高影像服務(wù)的價(jià)值[18]。 如果AI能對(duì)影像業(yè)務(wù)流程進(jìn)行管理和優(yōu)化，則是對(duì)整體影像服務(wù)平臺(tái)的提升，其價(jià)值遠(yuǎn)遠(yuǎn)大于對(duì)單個(gè)疾病的診斷預(yù)測(cè)。

總之，醫(yī)學(xué)影像專業(yè)與其他領(lǐng)域一樣，傳統(tǒng)的方法和意識(shí)形態(tài)均面臨深層次的挑戰(zhàn)。目前多數(shù)學(xué)者認(rèn)為，最好的認(rèn)知能力是人類專家大腦與AI的組合，其能力超過(guò)任何單獨(dú)的系統(tǒng)[19]。不論是外因還是內(nèi)因，都驅(qū)使影像醫(yī)師必須立即投入到這項(xiàng)新技術(shù)的學(xué)習(xí)和應(yīng)用中。AI也許很快就能取代影像醫(yī)生完成一部分工作，也有潛力使我們將來(lái)的一部分工作得到提升，只有在AI的幫助下開(kāi)拓新的服務(wù)領(lǐng)域，借助AI實(shí)現(xiàn)對(duì)醫(yī)療服務(wù)的創(chuàng)新，才能保證影像醫(yī)生擁有更美好的未來(lái)。

[1] Hinton G.Geoff Hinton:on radiology.(video) YouTube website.www.youtube.com/watch?v=2HMPRXstSvQ.Published November 24，2016.Accessed Dec 23，2017.

[2] Peek N，Combi C，Marin R，et al.Thirty years of artificial intelligence in medicine (AIME) conferences:a review of research themes[J].Artif Intell Med，2015，65(1):61-73.

[3] Wiemker R，Dharaiya ED，Bülow T.Informatics in radiology:hesse rendering for computer-aided visualization and analysis of anomalies at chest CT and breast MR imaging[J].Radiographics，2012，32(1):289-304.

[4] Lakhani P，Sundaram B.Deep learning at chest radiography:automated classification of pulmonary tuberculosis by using convolutional neural networks[J].Radiology，2017，284(2):574-582.

[5] Hainc N，F(xiàn)ederau C，Stieltjes B，et al.The bright，artificial intelligence-augmented future of neuroimaging reading[J].Front Neurol，2017，8:489.DOI:10.3389/fneur.2017.00489.eCollection 2017.

[6] Berg HE.Will intelligent machine learning revolutionize orthopedic imaging?[J].Acta Orthop，2017，88(6):577.DOI:10.1080/17453674.2017.1387732.

[7] Slomka PJ，Dey D，Sitek A，et al.Cardiac imaging: working towards fully-automated machine analysis & interpretation[J].Expert Rev Med Devices，2017，14(3):197-212.

[8] Yasaka K，Akai H，Kunimatsu A，et al.Liver fibrosis:deep convolutional neural network for staging by using gadoxetic acid-enhanced hepatobiliary phase MR images[J].Radiology，2017，14:171928.DOI:10.1148/radiol.2017171928.

[9] Swerdlow DR，Cleary K，Wilson E，et al.Robotic arm-assisted sonography:review of technical developments and potential clinical application[J].AJR，2017，208(4):733-738.

[10] Prevedello LM，Erdal BS，Ryu JL，et al.Automated critical test findings identification and online notification system using artificial intelligence in imaging[J].Radiology，2017，285(3):923-931.

[11] O'Sullivan S，Holzinger A，Zatloukal K，et al.Machine learning enhanced virtual autopsy[J].Autops Case Rep，2017，7(4):3-7.

[12] Park SH，Han K.Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction[J].Radiology，2018，8:171920.DOI:10.1148/radiol.2017171920.

[13] Davies J.Program good ethics into artificial intelligence[J].Nature，2016，538(7625).DOI:10.1038/538291a.

[14] Miller DD，Brown EW.Artificial intelligence in medical practice:the question to the answer?[J].Am J Med，2018，131(2):129-133.DOI:10.1016/j.amjmed.2017.10.035.Epub 2017 Nov 7.

[15] 吳靜云，張曉東，王蕊，等.前列腺M(fèi)RI影像生物樣本庫(kù)的建設(shè)探索[J].腫瘤影像學(xué)，2016，25(02):123-126.

[16] 王霄英.重視影像信息學(xué)工具的利用和研發(fā),提升影像服務(wù)價(jià)值[J].放射學(xué)實(shí)踐，2016，31(12):1118-1119.

[17] 杜婧，王霄英.ACR影像報(bào)告及數(shù)據(jù)系統(tǒng)介紹[J].放射學(xué)實(shí)踐，2016，31(04):331-335.

[18] 王霄英.加強(qiáng)醫(yī)學(xué)影像規(guī)范化——提升影像服務(wù)價(jià)值[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2016，32(12):1795-1798.

[19] Gil Y，Greaves M，Hendler J，et al.Artificial intelligence.Amplify scientific discovery with artificial intelligence[J].Science，2014，346(6206):171-172.DOI:10.1126/science.1259439.