黃子星， 宋彬

醫(yī)療數(shù)據(jù)中有90%來自于醫(yī)學(xué)影像[1]，且呈逐年增長趨勢，而放射科醫(yī)生的增長速度和工作效率不足以應(yīng)對這樣的數(shù)據(jù)快速增長趨勢。今天的放射科醫(yī)生每天都被大量的影像數(shù)據(jù)所困擾，面臨著巨大的壓力。同時，成像技術(shù)的發(fā)展進(jìn)一步推動了影像學(xué)的進(jìn)步，表現(xiàn)在獲取更高分辨率圖像的能力，讓更小的解剖結(jié)構(gòu)和異?？梢暬６鲜龀上窦夹g(shù)的進(jìn)步增加了每位患者的平均圖像數(shù)量。圖像數(shù)量在大量增加，但放射科醫(yī)生沒有大量增加，因此只有增加更多的工作量來解讀這些圖像，一方面，這些圖像復(fù)雜、數(shù)量龐大，遠(yuǎn)超過放射科醫(yī)生解釋它們的能力；另一方面，目前大部分醫(yī)學(xué)影像數(shù)據(jù)仍然需要人工分析，疲勞、分心、圖像質(zhì)量不理想、病變細(xì)微且復(fù)雜等都會影響到放射醫(yī)生對疾病的診斷。

人工智能(artificial intelligence，AI)的概念在1956年首次被提出來，是一門包括計算機(jī)科學(xué)、數(shù)學(xué)等多種學(xué)科在內(nèi)的交叉科學(xué)，目的是研究開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)。隨著影像成像技術(shù)和計算機(jī)技術(shù)的進(jìn)步及二者的有機(jī)結(jié)合，人工智能在各種影像任務(wù)如風(fēng)險評估、檢測、診斷、預(yù)后和治療反應(yīng)中的潛在使用價值逐漸被寄予厚望，各種研究也隨之迅速增加。本文就人工智能在腹部影像學(xué)領(lǐng)域的發(fā)展歷程、目前的現(xiàn)狀及未來的展望做簡要介紹。

腹部影像研究的現(xiàn)狀

相對于頭部、胸部領(lǐng)域，腹部影像的人工智能研究不算多，目前大多數(shù)關(guān)于腹部影像的研究主要關(guān)注定位和分割，包括肝臟，脾臟和腎臟的器官容量；肝臟、胰腺、前列腺、子宮、膀胱、直腸等的分割。在肝臟和腎臟中也有學(xué)者進(jìn)行了自動腫瘤檢測、腫瘤體積測定和腫瘤分割的研究。對于腹部腫瘤淋巴結(jié)轉(zhuǎn)移和腹膜種植的評估也展示了有希望的結(jié)果。

1.腹部多器官分割

利用影像圖像的多器官分割是計算機(jī)輔助診斷和手術(shù)計劃的重要步驟。然而，由于圖像量大，放射科醫(yī)師手動勾畫器官耗時且可重復(fù)性差的。同時由于個體差異、器官大小、和相對位置的變化使分割過程大大復(fù)雜化，且腹部器官之間的差異不顯著以及器官之間復(fù)雜的空間三維關(guān)系，使得利用臨床獲得影像對腹部多器官進(jìn)行自動分割一直是一個具有挑戰(zhàn)的問題。

過去多圖譜分割(Multi-atlas segmentation，MAS)方法已經(jīng)取得了一些成果。目前有一些研究在腹部多器官自動分割方面進(jìn)行了更進(jìn)一步探索性工作。基于MAS的采用選擇性和迭代的性能水平評估(selective and iterative method for performance level estimation，SIMPLE)可以提高多器官分類的表現(xiàn)[2]。使用統(tǒng)計模型和多圖譜標(biāo)簽融合(multi-atlas label fusion，MALF)的分割方法需要對象間圖像配準(zhǔn)，但腹部器官之間尚沒有更高準(zhǔn)確度的配準(zhǔn)方法，有學(xué)者將深度學(xué)習(xí)與MALF結(jié)合，不再需要配準(zhǔn)過程，也具有較高的腹部多器官分割準(zhǔn)確性[3]。近年來完全卷積神經(jīng)網(wǎng)絡(luò)(fully convolutional neural network，F(xiàn)CNN)在CT掃描的腹部器官分割中產(chǎn)生了極好的結(jié)果[4]。另有相似的研究采用FCNN，并通過時間隱式多相演化方法進(jìn)一步細(xì)化，結(jié)果證明了其在臨床應(yīng)用中的潛力，具有穩(wěn)健性和高效性[5]。有學(xué)者在用于CT成像的FCNN基礎(chǔ)上，在MRI T2加權(quán)上探索分割腹部器官的適用性，結(jié)果顯示FCNN具有相當(dāng)?shù)臐摿6]。

對腹部MRI體素內(nèi)不相干運(yùn)動(intravoxel incoherent motion，IVIM)數(shù)據(jù)采用機(jī)器學(xué)習(xí)允許無模型(model-free)方法確定組織類型，而無需對潛在生理學(xué)進(jìn)行先驗假設(shè)，該技術(shù)可用于腹部器官的分割或健康和病理組織之間的區(qū)分[7]。

圖1 利用卷積神經(jīng)網(wǎng)絡(luò)從平掃、動脈晚期、門脈早期、延時期CT肝臟影像中自動提取關(guān)鍵特征并同時實現(xiàn)肝臟病灶的病理分類。

圖2 基于多期CT影像及深度卷積神經(jīng)網(wǎng)絡(luò)實現(xiàn)病灶的自動檢出及病灶自動分割。

身體組織成分的變化是衰老的主要表現(xiàn)，但是常規(guī)影像難以對其深入研究。CT掃描可觀察到的腹部組織中與年齡相關(guān)的變化，使用機(jī)器學(xué)習(xí)以黑盒模型的方式檢測和量化這些變化。與傳統(tǒng)使用特定分子生物標(biāo)記物相比，該技術(shù)有利于跟蹤生物衰老的影響并預(yù)測不良結(jié)果。機(jī)器學(xué)習(xí)作為分析醫(yī)學(xué)圖像的工具可以洞察發(fā)生老化的組織變化，并且進(jìn)一步將這些變化與其代謝和功能后果聯(lián)系起來[8]。

2.肝臟

自動肝臟分割在肝臟疾病的分析中起著重要作用，是計算機(jī)輔助肝臟手術(shù)計劃中的基本任務(wù)。由于復(fù)雜的背景，模糊的邊界，不均勻的外觀和高度變化的肝臟形狀，自動和準(zhǔn)確的分割仍然是非常具有挑戰(zhàn)性的任務(wù)。有研究已經(jīng)設(shè)計了許多方法來克服這些挑戰(zhàn)，但是仍然需要改進(jìn)這些方法以獲得期望的分割精度。一種基于單塊線性檢測的CT圖像肝臟提取快速算法，需要迭代，計算時間和復(fù)雜性大大降低。另外，初始化在算法中并不重要，因此提高了算法的準(zhǔn)確性和特異性。圖像分割的結(jié)果接近醫(yī)生的手動分割結(jié)果[9]。還有一種深度學(xué)習(xí)算法，對圖形分割細(xì)化，可以在CT掃描中自動分割肝臟。該方法包括兩個主要步驟：①使用3D卷積神經(jīng)網(wǎng)絡(luò)(CNN)同時進(jìn)行肝臟檢測和概率分割；②利用圖形切割和先前學(xué)習(xí)的概率圖對初始分割的精確度細(xì)化。這種方法是完全自動的，無需任何用戶交互。其定量結(jié)果表明，該方法對于臨床實踐中的肝體積估計是有效且準(zhǔn)確的[10]。有學(xué)者提出了一種基于三維CNN和全局優(yōu)化表面演化的自動分割框架，定量驗證和比較表明該方法準(zhǔn)確有效，適用于臨床[11]。

肝纖維化是慢性肝炎發(fā)展的主要指標(biāo)，可以通過幾個階段來衡量。對于不同非侵入性手段，對其程度的正確評估是當(dāng)前主要關(guān)注的問題。在支持向量機(jī)(SVM)的基礎(chǔ)上進(jìn)一步演化算法，研究結(jié)果表明具有一定的區(qū)別纖維化程度的能力[12]。肝纖維化可以通過基于放大的CT圖像的深度學(xué)習(xí)模型進(jìn)行分級，來自訓(xùn)練有素的深度學(xué)習(xí)模型的評分顯示與組織病理學(xué)肝纖維化分期中度相關(guān)，在臨床應(yīng)用前需要進(jìn)一步改進(jìn)[13]。最新的研究使用基于CT圖像開發(fā)和驗證用于肝纖維化分期的深度學(xué)習(xí)系統(tǒng)，可以較為準(zhǔn)確進(jìn)行肝纖維化分期[14]。MRI也有類似研究，最近對釓塞酸二鈉增強(qiáng)的肝臟MRI的肝膽期圖像采用深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)模型，顯示出在肝纖維化分期中具有較高的診斷效能[15]。

CT圖像中肝臟腫瘤的分割可用于肝癌的診斷和治療。此外，準(zhǔn)確評估腫瘤體積有助于診斷和療效評估。一種半自動分割方法利用可變形表面模型中的機(jī)器學(xué)習(xí)方法可以處理高度可變的數(shù)據(jù)，推動了使用更多數(shù)據(jù)和更深層神經(jīng)網(wǎng)絡(luò)的機(jī)器學(xué)習(xí)進(jìn)一步研究腫瘤分割[16]。CNN在動態(tài)增強(qiáng)CT上對肝臟腫塊的鑒別診斷具有較高的診斷價值(圖1)。肝臟是轉(zhuǎn)移的好發(fā)部位，一旦檢測到肝轉(zhuǎn)移，尋找原發(fā)腫瘤就是必須的過程，這可能會耗時并且需要多次檢查。基于CT影像基礎(chǔ)的決策支持系統(tǒng)，采用機(jī)器學(xué)習(xí)的手段，顯示出能對不用來源的肝轉(zhuǎn)移灶進(jìn)行分類的能力[17]。在SVM基礎(chǔ)上改進(jìn)的一些方法，也展示出能有效的檢測[18]及鑒別肝臟腫瘤[19]。在肝臟腫瘤的治療隨訪觀察中，一種基于CT圖像的CNN方法，能穩(wěn)定的自動進(jìn)行腫瘤分割，準(zhǔn)確計算體積，以滿足RECIST指南[20](圖2)。隨訪中，除了對腫瘤大小的評估，還需檢測有無新發(fā)腫瘤病灶，一種基于FCNN的新方法通過自動準(zhǔn)確地跟蹤已知腫瘤并在后續(xù)掃描中檢測新腫瘤，實現(xiàn)了簡化的放射科醫(yī)師友好工作流程，該工作流程可能比現(xiàn)有工作流程更加準(zhǔn)確和可靠[21]。除了檢出、分割、診斷肝臟腫瘤，最新的一項研究以影像組學(xué)結(jié)合機(jī)器學(xué)習(xí)方法預(yù)測肝癌經(jīng)動脈化療栓塞治療后的生存情況，結(jié)果顯示可以有效的預(yù)測經(jīng)動脈化療栓塞治療后肝癌患者的生存率[22](圖3)。

圖3 影像組學(xué)結(jié)合機(jī)器學(xué)習(xí)預(yù)測經(jīng)動脈化療栓塞治療后肝癌患者的生存情況。

肝血管分割在肝臟手術(shù)計劃的血管結(jié)構(gòu)分析中起著重要作用。一種基于極端學(xué)習(xí)機(jī)(extreme learning machine，ELM)的肝血管分割方法能有效地分割肝臟血管腹 CT圖像，并達(dá)到良好的準(zhǔn)確性、敏感度和特異度[23]。

3.胰腺

作為小而柔軟且柔韌的腹部器官，胰腺在其形狀和體積方面表現(xiàn)出非常高的患者間解剖變異性。這抑制了傳統(tǒng)的自動分割方法實現(xiàn)高精度，特別是與其他器官(例如肝臟，心臟或腎臟)相比。近年來有一些研究取得了不錯的進(jìn)展。首先是對胰腺增強(qiáng)掃描門靜脈期圖像采用判別學(xué)習(xí)用于構(gòu)建胰腺組織分類器，使得自動胰腺分割成為可能[24]。后來有學(xué)者使用多級深度卷積網(wǎng)絡(luò)(multi-level deep convolutional networks)對胰腺CT圖像進(jìn)行分割[25]。以及對胰腺CT圖像經(jīng)過隨機(jī)森林(RF)分類、DCNN分類，最后采用多圖譜標(biāo)簽融合(MALF)方法，獲得較好的準(zhǔn)確性[26]。最新的方法有基于兩階段的三維CT體積自動化系統(tǒng)：胰腺定位和胰腺細(xì)化分割。三維CT掃描中定位胰腺，為更精細(xì)的分割步驟提供可靠的邊界框。第二個分割階段在計算的邊界框內(nèi)運(yùn)行，并整合深度學(xué)習(xí)的器官內(nèi)部和邊界圖的語義線索，最終的結(jié)果明顯優(yōu)于之前的研究[27]?；趫D像決策融合過程與DCNN相結(jié)合的模型，對MRI掃描的胰腺分割也顯示出較好的結(jié)果[28]。

4.消化道

有學(xué)者采用SVM方法在胃鋇餐中診斷胃炎[29]以及基于DCNN的胃炎檢測方案評估胃炎/非胃炎[30]，顯示出較好的臨床前景。通過DCNN進(jìn)行結(jié)腸炎檢測和診斷對于將來的臨床應(yīng)用是準(zhǔn)確和有希望的[31]。在MRI圖像上采用主動學(xué)習(xí)(AL)框架，并將其與半監(jiān)督學(xué)習(xí)(SSL)相結(jié)合，對克羅恩病的組織進(jìn)行分割，顯示出有較好的潛力[32]。

胃癌的淋巴結(jié)轉(zhuǎn)移是長期存活的重要預(yù)后因素，但是胃常用的幾種成像技術(shù)不能令人滿意地評估胃癌淋巴結(jié)狀態(tài)，它們不能同時具有高敏感度和特異度，SVM具有解決這個復(fù)雜問題的潛力[33]。局部晚期直腸癌的治療涉及放化療，然后進(jìn)行全直腸系膜切除術(shù)。放化療后的完全反應(yīng)是長期局部控制的準(zhǔn)確替代指標(biāo)。預(yù)測治療前的完全反應(yīng)特征是保守治療的重要一步。有研究建立了一個深度神經(jīng)網(wǎng)絡(luò)(DNN)模型正確預(yù)測了該多中心隊列中80%的新輔助直腸放化療后的完全反應(yīng)，有助于確定哪些患者可以從保守治療中獲益，而不是根治性切除[34]。

5.泌尿系統(tǒng)

腎快速自動分割方法包括兩個主要部分：腎皮質(zhì)的定位和腎臟成分的分割。在腎皮質(zhì)相定位中，應(yīng)用3D廣義霍夫變換(generalized hough transform，GHT)和3D主動外觀模型(active appearance models，AAM)完全結(jié)合的方法來定位腎皮質(zhì)。在腎成分階段的分割中，提出了一種改進(jìn)的隨機(jī)森林(RF)方法，基于定位階段的結(jié)果將腎分成四個成分。該方法具有較高的準(zhǔn)確性和極短的計算時間[35]。

在腎臟病變的應(yīng)用方面，有研究采用CNN全自動檢測腹部CT掃描中的腎囊腫[36]，可用于腎臟偶發(fā)囊性病灶的篩查中。乏脂肪的腎臟血管平滑肌脂肪瘤和腎細(xì)胞癌的鑒別一直是臨床的難點，有學(xué)者開發(fā)出自動深部特征分類(deep feature classification，DFC)方法，能提高腹部增強(qiáng)CT鑒別兩者的能力[37]。

圖4 人工智能的腹部影像鏈及在臨床的應(yīng)用鏈。

展望

從已有的研究來看，腹部影像的人工智能研究主要是最近幾年時間快速發(fā)展起來的。目前的研究主要是利用CT數(shù)據(jù)，而利用MRI數(shù)據(jù)研究較少。多數(shù)研究的樣本量也不大，結(jié)果的可靠性尚需更多驗證。研究的器官主要集中在肝臟，其他器官相對較少。研究目的以器官分割和病灶分割為主，在病灶的定性診斷、定量分析方面較少。

未來人工智能在腹部影像研究中可以開展的工作還有很多，例如：腹部疾病的早期篩查；病灶的病理亞型判定；多維數(shù)據(jù)包含影像、臨床檢查數(shù)據(jù)的深度挖掘，以尋找與腹部疾病機(jī)制相關(guān)的影像指標(biāo)并揭示機(jī)制的運(yùn)行規(guī)律；對重大腹部疾病的療效評估與預(yù)測，為早期干預(yù)、優(yōu)化治療手段提供幫助；此外，人工智能還可以應(yīng)用在量化成像的圖像質(zhì)量提高、量化參數(shù)的準(zhǔn)確性提高領(lǐng)域，比如腹部由于受到呼吸的影響，量化參數(shù)圖準(zhǔn)確性經(jīng)常打了折扣，而基于CNN的深度學(xué)習(xí)技術(shù)可以學(xué)習(xí)呼吸運(yùn)動的規(guī)律，從源頭去除因呼吸造成的量化參數(shù)計算不準(zhǔn)確的影響，從而實現(xiàn)腹部疾病量化分析與評估。

影像學(xué)在推動醫(yī)學(xué)進(jìn)入數(shù)字化時代方面發(fā)揮了主導(dǎo)作用，現(xiàn)在有機(jī)會成為探索人工智能醫(yī)學(xué)應(yīng)用的先驅(qū)者。當(dāng)前以數(shù)字形式存檔的數(shù)以千萬計的影像學(xué)報告和數(shù)十億張圖像，體現(xiàn)了“大數(shù)據(jù)”的概念，構(gòu)成了人工智能研究所需的基礎(chǔ)。

以下幾個方面將有助于未來的人工智能影像研究：①國家和國際影像數(shù)據(jù)共享網(wǎng)絡(luò)；②可用于測試和比較人工智能程序的參考病例(已有臨床結(jié)果)數(shù)據(jù)集；③滿足人工智能應(yīng)用的成像協(xié)議的標(biāo)準(zhǔn)化；④用于描述和報告人工智能應(yīng)用程序的通用詞典。

人工智能的根本問題是放射科的人工智能應(yīng)用是否可以增加價值，其包括：發(fā)現(xiàn)新知識，從影像檢查中提取更多、更好的信息，以更低的成本為患者取得更好的結(jié)果，為放射科醫(yī)師建立更加高效的工作流程和提高工作滿意度。隨著醫(yī)療保健數(shù)據(jù)的日益普及和大數(shù)據(jù)分析方法的迅速發(fā)展，使人工智能在醫(yī)療保健領(lǐng)域的成功應(yīng)用成為可能。在相關(guān)的臨床問題的指導(dǎo)下，強(qiáng)大的人工智能技術(shù)可以解開大量數(shù)據(jù)中隱藏的臨床相關(guān)信息，進(jìn)而有助于臨床決策的制定。具體而言就是用人工智能去解決影像鏈與臨床應(yīng)用鏈的問題(圖4)。影像鏈指影像醫(yī)學(xué)的技術(shù)支撐，包括圖像采集與圖像后處理、數(shù)據(jù)挖掘；臨床應(yīng)用鏈指影像信息在臨床的應(yīng)用，包括了疾病篩查與早期診斷、預(yù)測、治療、療效評估與監(jiān)測。

現(xiàn)在有些學(xué)者在討論在未來人工智能醫(yī)生是否最終將取代人類醫(yī)生。我們相信，在可預(yù)見的將來，人類醫(yī)生將不會被機(jī)器所取代，但是人工智能絕對可以協(xié)助醫(yī)生在影像學(xué)的某些功能領(lǐng)域做出更快、更好的臨床決策。