季 冰，劉伶俐

(1 陸軍軍醫(yī)大學西南醫(yī)院放射科，重慶 400038，icerbox@126.com；2 陸軍軍醫(yī)大學基礎醫(yī)學院，重慶 400038)

人工智能(Artificial Intelligence，AI)是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門新的技術科學。它不僅是一門新興的交叉學科，涵蓋了計算機科學、統(tǒng)計學、腦神經(jīng)學、社會科學等諸多領域，更是一種新型的智能機器，語言和圖像識別、語言和圖像處理、專家系統(tǒng)、機器人等都屬于人工智能的范疇[1]。近些年來，隨著深度學習、計算機視覺、大數(shù)據(jù)等關鍵技術的突破，“人工智能+醫(yī)療”的投資熱度持續(xù)攀升，其應用研究更是涉及醫(yī)學影像、輔助診療、藥物研發(fā)、健康管理等多個領域，而醫(yī)學影像與人工智能的結合被認為是最具發(fā)展前景的領域。

1 人工智能在醫(yī)學影像領域的發(fā)展機遇

目前中國AI醫(yī)療企業(yè)主要集中在醫(yī)療影像相關領域，究其原因，主要緣于以下幾大機遇：

1.1 影像數(shù)據(jù)量大

數(shù)據(jù)是人工智能發(fā)展的關鍵要素之一。醫(yī)療數(shù)據(jù)中超過90%的數(shù)據(jù)來自于醫(yī)學影像，如X線、CT、MRI、超聲、病理等。隨著人口老齡化和民眾健康需求的增長，近年來我國醫(yī)療衛(wèi)生機構診療人數(shù)持續(xù)增加，從2010年的58.3億人次攀升至2017年的81.8億人次，年均漲幅超過5%[2-3]。作為疾病診斷與治療的重要依據(jù)，影像數(shù)據(jù)總量也隨之迅猛增長，年增長率高達30%～40%，單個大型醫(yī)療機構的年影像數(shù)據(jù)存儲量已超過1PB[4-5]。龐大的醫(yī)療市場和充足的影像數(shù)據(jù)為AI醫(yī)療的發(fā)展提供了動力和基礎。

1.2 臨床需求迫切

目前，我國醫(yī)療影像數(shù)據(jù)的分析幾乎全靠人工，醫(yī)師主要憑經(jīng)驗進行判斷。在影像數(shù)據(jù)飛速增長的同時，我國影像醫(yī)師年增長率只有4%[4]，為人工閱片帶來了極大挑戰(zhàn)。據(jù)國家衛(wèi)健委統(tǒng)計顯示，2013～2015年三年中，全國累計完成放射診療12.4億人次[6]。而中國放射從業(yè)人員約15.8萬人，其中放射醫(yī)師只有約8萬人，副主任醫(yī)師以上職稱的只有2萬人。由此推算，平均每位影像醫(yī)師每年需要處理5100多人次的報告，副高以上職稱的影像醫(yī)師由于有審核工作，診療人次將會更多[7]。影像醫(yī)師嚴重缺乏，長期處于超負荷工作狀態(tài)；而人工智能在醫(yī)學影像中的應用，有望減輕影像醫(yī)師的工作負擔，提高診斷效率和準確度。這為醫(yī)學影像AI的發(fā)展提供了臨床需求。

1.3 AI技術日趨成熟

過去，由于軟硬件條件不成熟，優(yōu)質數(shù)據(jù)資源短缺，人工智能并未實現(xiàn)廣泛應用。隨著算法、算力等基礎技術條件的日漸成熟，大數(shù)據(jù)在計算過程中積累了大量優(yōu)質、脫敏數(shù)據(jù)，數(shù)據(jù)存儲、分析和精準判斷決策能力提高；特別是深度學習、圖像識別、自然語言處理等技術的突破，驅動醫(yī)學影像識別的精度和準確度大幅提升[8]。因此，目前中國大多數(shù)AI醫(yī)療企業(yè)都以輔助診斷為主要業(yè)務，且多偏重于基于圖像識別技術的影像學、病理學和皮膚病學等領域[5]。

1.4 政府大力支持

2017年7月，國務院印發(fā)《新一代人工智能發(fā)展規(guī)劃》，從國家戰(zhàn)略層面對我國發(fā)展智能醫(yī)療作出了明確規(guī)劃，包括推廣應用人工智能治療新模式、新手段，建立快速精準的智能醫(yī)療體系，開發(fā)人機協(xié)同的手術機器人、智能診療助手等[9]。緊隨其后，科技部公布首批國家新一代人工智能開放創(chuàng)新平臺名單，明確指定騰訊公司為醫(yī)療影像平臺的建設者[10]。政府的大力支持，為醫(yī)學影像人工智能的發(fā)展提供了堅強保障。

2 人工智能在醫(yī)學影像領域的主要應用

人工智能在醫(yī)學影像的應用，主要是通過圖像識別和深度學習等技術，實現(xiàn)機器“看片”和“讀片”的功能。具體應用包括計算機輔助診斷、影像組學、影像基因組學等。

2.1 計算機輔助診斷

計算機輔助診斷系統(tǒng)(Computer Aided Diagnosis，CAD)，是影像學AI應用的重要內容，它是將圖像處理、計算機視覺、醫(yī)學圖像分析等有效結合，通過系統(tǒng)處理后對異常征象進行標注，以幫助醫(yī)生快速發(fā)現(xiàn)病灶，提高診斷的效率和準確率。CAD的研究，最早可追溯到20世紀60年代，但受技術水平的限制，研究進展較為緩慢。20世紀80～90年代，隨著計算機技術、數(shù)學算法及統(tǒng)計學的發(fā)展，基于機器學習和圖像處理技術的CAD在醫(yī)學影像診斷領域獲得了快速發(fā)展，針對不同疾病的CAD研究大量涌現(xiàn)[11]。2012年以后，由于深度卷積神經(jīng)網(wǎng)絡的興起、大量數(shù)據(jù)的累積和基于圖像處理器的計算能力大幅提升，深度學習在醫(yī)療圖像上的研究空前高漲[12]，從而使CAD的架構更為簡化，診斷更為精確。

目前，CAD可應用于多種影像技術對疾病的檢測和診斷，在肺結節(jié)和肺癌篩查、乳腺癌篩查和前列腺癌影像診斷中應用較廣，且表現(xiàn)較為突出[6]。一些CAD系統(tǒng)的性能已經(jīng)接近甚至超過放射科醫(yī)生。如2016年Liang 等[13]在50臺CT掃描設備上使用4種不同的CAD軟件，可檢出56%～70%易被放射科醫(yī)生漏診的結節(jié)。Patel等[14]利用自然語言處理軟件算法，可準確獲得乳腺癌患者乳腺X線攝影的關鍵特征，并與乳腺癌亞型進行關聯(lián)，其診斷速度是普通醫(yī)師的30倍，且準確率高達99%。但深度神經(jīng)網(wǎng)絡目前應用最好的是解決簡單任務，比如分類、識別、切割等，對于綜合性的診斷，仍需要具有領域知識的專家來參與[15]。

2.2 影像組學

影像組學(radiomics)源自于CAD，于2012年由荷蘭學者Lambin等[16]首次提出。作為一種大數(shù)據(jù)圖像分析方法，影像組學是從醫(yī)學影像中高通量地提取海量數(shù)據(jù)，并對數(shù)據(jù)信息進行深層次的挖掘、分析和解讀，以發(fā)現(xiàn)隱含在圖像中的額外信息，最高效地利用影像學檢查結果，實現(xiàn)臨床輔助決策[17]。其基本分析流程包括五個環(huán)節(jié): ①圖像采集：主要通過CT、MRI、PET等影像掃描方式采集圖像；②圖像分割：將影像中的異常組織(如腫瘤)或特定解剖組織(如海馬)等分割為1個或多個感興趣區(qū)域；③特征提?。簩Ω信d趣區(qū)域進行影像特征提取，主要包括強度、形狀、紋理、位置等特征；④量化分析：對上述特征進行統(tǒng)計分析，常用的分析方法有重復測量信度分析、主成分分析、相關性分析和隨機森林等；⑤模型構建：通過機器學習(深度學習)方法建立基于影像組學特征的預測和分類模型[17]。

影像組學突破了基于形態(tài)學及半定量分析的傳統(tǒng)影像醫(yī)學模式，可提供以往基因檢測或病理檢查才能提供的信息，對于臨床醫(yī)生從早期圖像中獲取診斷信息有著重要幫助。目前，國內外影像組學主要集中于腫瘤(如肺癌、乳腺癌、膠質母細胞瘤、肝癌等)的相關研究，包括腫瘤的定性診斷、分級分期、基因表型預測、治療方法選擇及療效預后評估等[18]。

2.3 影像基因組學

20世紀90年代初的基因組革命，推動著醫(yī)學研究從基因水平探究疾病的基礎機制，以實現(xiàn)精準醫(yī)療。傳統(tǒng)的基因分析手段依賴于有創(chuàng)的活檢取材或術后病理組織來進行，具有一定的風險和潛在的并發(fā)癥。相比之下，醫(yī)學影像具有非侵入性、高分辨率、時空連續(xù)性等特點，在展現(xiàn)復雜疾病表型差異的過程中具有獨特的優(yōu)勢?；诖?，2000年以來陸續(xù)有學者將基因組數(shù)據(jù)和影像數(shù)據(jù)關聯(lián)起來進行分析、挖掘，由此形成了新的研究方向，即影像基因組學(radiogen omics)[19-20]。影像基因組學與影像組學的細微區(qū)別在于，它不僅從影像數(shù)據(jù)(包括CT、MRI、PET等) 中提取能反應個體健康狀態(tài)的定量影像表型特征，還要從生物組學數(shù)據(jù)( 包括基因組、轉錄組學和表觀組學等) 中提取基因型特征，并通過人工智能技術完成基因型特征與定量表型特征的關聯(lián)與融合分析，從而更好地實現(xiàn)對疾病的非侵入式診斷、預后預測和療效評估，是目前生物醫(yī)學最有前景的研究領域之一[20]。

近年來，影像基因組學在腫瘤和精神疾病等復雜疾病的研究領域不斷發(fā)展，在腦腫瘤、肺癌、乳腺癌等方面均有所探索。當然，影像基因組學的數(shù)據(jù)分析和判斷，仍需要有經(jīng)驗的放射科醫(yī)師或專家才能完成，人的智力是主導成分，而計算機則幫助醫(yī)師計算和分析，提供有價值的信息。隨著研究的進一步深入，影像基因組學將在醫(yī)學領域尤其是癌癥研究工作中發(fā)揮更加積極的作用，并很有可能改變癌癥患者的診斷、治療和預后。

3 人工智能應用于醫(yī)學影像領域面臨的挑戰(zhàn)

3.1 數(shù)據(jù)質量問題

影像數(shù)據(jù)的質量決定了人工智能模型學習的結果，標準的影像數(shù)據(jù)和規(guī)范的數(shù)據(jù)標注是醫(yī)療影像AI發(fā)展的關鍵。然而，盡管當前我國醫(yī)療機構積累了大量的影像數(shù)據(jù)，但由于缺乏統(tǒng)一的標準和規(guī)范，并未實現(xiàn)影像圖像質量和格式的同質化。不同的醫(yī)療機構由于信息化建設水平不一，不同廠商、不同檔次的影像設備存在圖像質量、算法重建和參數(shù)設置的差異，即使同一臺設備，造影劑劑量、掃描層厚、成像深度和增益等也會對圖像產(chǎn)生影響，導致影像數(shù)據(jù)標準各異，圖片質量參差不齊。同時，影像數(shù)據(jù)必須經(jīng)過臨床經(jīng)驗豐富的醫(yī)生標注才能用于機器學習，但數(shù)據(jù)標注需要耗費大量時間和精力，高質量的、標注過的數(shù)據(jù)資源相對有限，加上醫(yī)院之間的數(shù)據(jù)共享和互通程度較低，真正能夠接觸并利用到大規(guī)模優(yōu)質醫(yī)療數(shù)據(jù)的開發(fā)者寥寥無幾。相當一部分AI企業(yè)用于訓練的數(shù)據(jù)只能來自有限的公開數(shù)據(jù)集或自備數(shù)據(jù)庫，存在著數(shù)據(jù)量過小、影像質量較低、標注不規(guī)范甚至標注錯誤等問題，勢必會影響機器學習的準確性和普適性。因此，發(fā)展醫(yī)學影像AI，圖像數(shù)據(jù)亟須規(guī)范化和標準化。

3.2 算法偏見問題

當前在醫(yī)學影像中應用最多的深度學習算法，使用了大規(guī)模的神經(jīng)網(wǎng)絡，包含了更多的計算隱層，具備強大的自我學習和自我編程能力，其復雜性和不確定性使得人工智能存在難以捉摸的“黑盒子”，即使是開發(fā)者本人，也很難解釋它的內部運作方式和某個具體行動背后的邏輯[21]。這種不透明性和不可解釋性，使得某些算法偏見難以被覺察。同時，當前深度學習算法并未實現(xiàn)真正意義上的“智能”，它只不過是基于高速運算能力和規(guī)模數(shù)據(jù)的模型而已，必須依賴大量已有的數(shù)據(jù)樣本，才能對新數(shù)據(jù)進行分析和預測。而醫(yī)生的診療信息一般會帶有自己的主觀意愿，這些不易覺察的價值偏好，潛藏在數(shù)據(jù)中用于人工智能訓練時，可能會在算法中被復制和放大，并通過特征提取、匹配用戶偏好進行推送，從而使數(shù)據(jù)產(chǎn)生偏倚[22]；另外，如前所述，用于機器學習訓練的數(shù)據(jù)量過小、質量欠佳以及數(shù)據(jù)挖掘解讀能力有限等，都有可能帶來數(shù)據(jù)偏差，從而影響診斷的準確性。

3.3 機器性能問題

目前，AI醫(yī)療的研究和開發(fā)在我國還處于起步階段。盡管不少研究或產(chǎn)品已在實驗室取得了驕人的成績，但由于大多數(shù)產(chǎn)品都是基于公開數(shù)據(jù)集訓練而來，不能反映真實的、復雜的臨床環(huán)境，一旦落地臨床應用，難以保持測試數(shù)據(jù)的高準確率，錯標、漏標、多標現(xiàn)象時有發(fā)生，需要臨床醫(yī)生花費大量時間精力進行標注和復查。同時，由于AI技術尚處于發(fā)展階段，某些技術尚未完全成熟，導致機器性能還不夠穩(wěn)定，同一AI模型應用于不同地域的醫(yī)院時，可能會出現(xiàn)數(shù)據(jù)差異，需要進行精細微調。另外，目前AI影像產(chǎn)品在單病種領域進展迅速，如在肺結節(jié)篩查、糖尿病、眼病、兒童骨齡檢測等諸多細分領域取得了顯著成績，但在復雜的臨床使用環(huán)境中依然面臨較大挑戰(zhàn)。例如，肺結節(jié)篩查只是胸部CT檢查的一小部分需求，大量的肺炎、肺結核、慢阻肺等疾病所造成的“同病異影、異病同影”現(xiàn)象依然難以檢出，使得AI的應用范圍非常局限[5]。這些都在一定程度上影響了臨床醫(yī)師的應用積極性。

3.4 隱私泄露問題

人工智能在醫(yī)學影像應用中，需要采集和挖掘患者的大量信息，包括患者的基本信息、健康狀況、疾病狀況、生物基因信息等，一旦泄露后果不堪設想。如保險公司在掌握個人病史的情況下，可能提高保險費用；用人單位可能把個人健康檔案作為是否聘用的重要依據(jù)等[23]?；颊唠[私泄露的風險主要來自于兩個方面：一是掌握數(shù)據(jù)的個人或機構主動泄露，如2016年，英國倫敦皇家自由醫(yī)院將大約160萬名患者的信息交給Deep Mind公司進行醫(yī)學研究，因未能充分保護患者隱私和數(shù)據(jù)來源的正當性受到質疑，被英國信息委員會勒令整改[24]。二是被他人非法竊取。因人工智能條件下患者信息被保存于云端或存儲器，任何人都有可能從中獲取信息，即使有加密措施也不能完全阻止信息的調取，如果管理不善，存在被非法竊取的可能性。因此，AI醫(yī)療應用中的信息安全和患者隱私保護將面臨巨大挑戰(zhàn)，急需建立相應的法律法規(guī)和倫理規(guī)范，對信息采集、傳遞、保管和應用加以有效監(jiān)管。

3.5 責任劃分問題

人工智能參與醫(yī)學影像診斷和治療，事實上承擔了部分醫(yī)師的工作，使得原有的醫(yī)患關系格局發(fā)生了變化，醫(yī)與患之間多了醫(yī)療人工智能平臺或系統(tǒng)，以及人工智能設計制造商，由此帶來了一系列責任劃分的問題。當出現(xiàn)誤診、漏診或在診療中發(fā)生系統(tǒng)故障，給患者的疾病診治和身體健康帶來損害時，到底該由誰來負責？尤其是隨著人工智能技術的發(fā)展，今后的人工智能將擁有越來越強大的智能，在醫(yī)療活動中將占據(jù)更加重要的角色，因此，有必要加強醫(yī)療人工智能背景下的風險責任規(guī)制，確?；颊吆凸姷慕】禉嘁妗Ｒ话阏J為，人工智能產(chǎn)品本身不具備承擔責任的能力，如果是因其質量問題導致醫(yī)療損失，應由其設計制造商負責[25]。而在診療過程中，醫(yī)師應始終擔負起主導責任，依靠科學的思維和臨床經(jīng)驗，起好審核和把關作用。

4 結束語

雖然醫(yī)學影像AI目前仍處于弱人工智能階段，只能代替醫(yī)生從事一些簡單的、重復的工作，但隨著技術的不斷進步，從弱人工智能過渡到強人工智能時代是值得期待的。同時，我們也應看到，醫(yī)學影像AI在發(fā)展過程中，還將面臨技術、倫理、法律等方面的諸多問題和挑戰(zhàn)，需要各方高度重視，采取措施加以規(guī)避和制約。如：制定相應的法律法規(guī)和倫理規(guī)范，厘清責任權屬，明確行為邊界，使醫(yī)療AI的研發(fā)和應用有所遵循；建立質控管理系統(tǒng)和監(jiān)管體系，規(guī)范影像數(shù)據(jù)的采集標準和格式，并對影像AI的算法設計、產(chǎn)品開發(fā)、數(shù)據(jù)保護和產(chǎn)品應用等進行全流程監(jiān)管；加強理論攻關和技術研發(fā)力度，鼓勵“醫(yī)”“工”聯(lián)合，使醫(yī)學影像AI更契合臨床需求，并在臨床實踐中推動人工智能技術不斷走向成熟和完善。