朱文珍， 胡瓊潔

人工智能(Artificial intelligence，AI)是基于計算機來模擬人類的思維過程和智能行為的一門學科，隨著AI技術(shù)的發(fā)展，目前已成為涉及計算機科學、心理學、哲學和語言學等多學科交叉的一門新興前沿學科[1,2]。近幾年來隨著深度學習算法的出現(xiàn)、計算能力的指數(shù)級增長、豐富的大數(shù)據(jù)資源和基于訓練的自主學習方法，以及計算機具有條件反射等類腦能力而發(fā)展出復雜人工智能，使得新一代AI技術(shù)迎來了爆發(fā)式的發(fā)展和應用。人工智能賦能醫(yī)療行業(yè)，在虛擬醫(yī)師助理、病歷與文獻分析、藥物研發(fā)、基因測序和影像輔助診斷、精準醫(yī)學等方面都取得了令人驚喜的成果。其中，醫(yī)學影像與人工智能的結(jié)合是最具發(fā)展前景的領域。2012年以后，隨著深度卷積神經(jīng)網(wǎng)絡技術(shù)的興起和應用，AI在計算機視覺領域的發(fā)展取得了突破。計算機視覺基于圖像識別，可以對醫(yī)學影像數(shù)據(jù)進行深入分析，獲取更多有價值的信息。通過大量數(shù)據(jù)的訓練和學習，使其分析能力不斷提升，從而在精準診斷方面顯示出廣闊的應用前景。目前在腫瘤檢出、自動結(jié)構(gòu)式報告、定性和定量診斷、腫瘤提取和放療靶器官勾畫等方面已有較多的臨床應用和研究[1,2]。當人工智能方法作為輔助醫(yī)師的工具無縫集成到臨床工作流程中時，通過提供預先篩選的圖像和確定的特征可更準確地進行影像學評估，且可重復性高，能顯著提高工作效率，減少誤診和漏診，并可對療效進行監(jiān)測[1-3]。

人工智能在腫瘤影像學領域的應用及研究

人工智能尤其是深度學習算法在醫(yī)學影像領域應用最為成熟的為腫瘤影像，在腫瘤的預防、早期發(fā)現(xiàn)、診斷和干預、預后評估等方面提供了可能[1,2,4]。在腫瘤影像學中，人工智能在三個主要的臨床任務中發(fā)揮了巨大的作用，即腫瘤的檢測、表征和監(jiān)測[2]。

1.腫瘤的檢測

在傳統(tǒng)的臨床工作流程中，放射科醫(yī)師依靠視覺感知來識別圖像上可能的異常，依靠知識、經(jīng)驗和對正常影像表現(xiàn)的理解，在一定程度上屬于主觀決策。近年來，多項研究表明使用人工智能軟件后影像科醫(yī)師對病灶的檢出能力明顯提高[1,5]，其中在肺結(jié)節(jié)檢出的臨床應用已經(jīng)較為成熟。Jeon等[6]的研究中7位影像醫(yī)師先獨自對134份胸部CT影像進行閱片，后參考CAD自動檢測結(jié)果進行修改，結(jié)果表明在CAD輔助下結(jié)節(jié)的平均發(fā)現(xiàn)率從最初的77%提升到了84%。Lee等[5]發(fā)現(xiàn)CAD對孤立性結(jié)節(jié)的診斷敏感度高于醫(yī)生肉眼觀察。2018年，Silva等[7]對基于意大利多中心肺癌篩查數(shù)據(jù)庫中的2303例使用人工智能軟件，其GGN檢出率達90.2%(175/194)。Kooi等[8]利用卷積神經(jīng)網(wǎng)絡(CNNs) 深度學習檢測乳腺鉬靶X線攝影中的病變，其具有較高的敏感性，與人類閱讀水平相近。此外，AI對MRI腦轉(zhuǎn)移瘤和前列腺病變的檢出同樣具有較高的靈敏度[9,10]。在模式識別的背景下，具有可疑圖像特征的區(qū)域AI可突出顯示并呈現(xiàn)給閱片者，從而有效避免對病灶的遺漏，因此AI可應用于人群的初始腫瘤篩查。但需要指出是，目前的AI軟件都是針對特定的應用迭代定制的，因此需要仔細權(quán)衡其特異性，放射科醫(yī)師必須對其輸出結(jié)果進行仔細評估。如何在保證較高敏感性的同時有效降低檢測的假陽性率，是AI未來研究的重點之一。

2.表征

表征，又稱為特征描述，是泛指病灶分割、腫瘤診斷和分期及基因組學的特定術(shù)語[2]。這些任務是通過量化病灶的影像學特征(如大小、范圍和內(nèi)部結(jié)構(gòu)等)來完成的。對人類無法解釋的腫瘤的大量特征，通過人工智能的方法，可進行復雜的非線性關系分析，來發(fā)現(xiàn)各變量間的相關性[1,2]。人工智能技術(shù)可以自動識別病灶的各種特征，同時將它們作為圖像的生物標志。這些生物標志可應用于臨床決策和對腫瘤的干預，包括風險評估、鑒別診斷、預后評估和治療反應的監(jiān)測等[2,4]。對器官和病變組織進行特異和準確的分割至關重要。在腫瘤放療過程中，必須精確地分割腫瘤和非腫瘤組織的范圍，才能制訂精確的放療計劃。有研究表明，在基于超聲和MRI的病灶分割任務中，深度學習技術(shù)與放射科醫(yī)師的表現(xiàn)不相上下[11-15]。

對于腫瘤良惡性的鑒別，人工智能同樣表現(xiàn)出其優(yōu)勢。以目前研究較為成熟的肺結(jié)節(jié)為例，由于良性和惡性結(jié)節(jié)的CT表現(xiàn)具有相似性，使得人類很難準確預測肺部病灶的良惡性。Awai等[16]研究提取了結(jié)節(jié)的大小、密度、形狀、鈣化體積和空腔體積，開發(fā)了新的AI結(jié)節(jié)分析系統(tǒng)，對結(jié)節(jié)的惡性概率打分，對31個直徑小于3cm的肺結(jié)節(jié)進行驗證，結(jié)果顯示它可以顯著提高低年資影像醫(yī)生的診斷準確度。Wu等[17]利用CT圖像定量紋理特征能夠很好地區(qū)分良惡性肺結(jié)節(jié)。此外，近年來，不少學者利用人工智能方法探討腫瘤的病理亞型與影像學的相關性。Coroller等[18]通過建立深度學習模型進行1級腦膜瘤與2、3級腦膜瘤的鑒別。我們的研究團隊Zhang等[19]利用基于機器學習多參數(shù)MRI直方圖和紋理特征優(yōu)化了膠質(zhì)瘤病理分級以及判定腫瘤增殖程度。人工智能在腫瘤分期，如腫瘤淋巴結(jié)轉(zhuǎn)移(TNM)的研究也取得了一些突破。對于PET-CT中淋巴結(jié)轉(zhuǎn)移的分類任務，深度學習比放射科醫(yī)師具有更高的敏感性，但特異性較低[20]。Kirienko等[21]利用卷積神經(jīng)網(wǎng)絡實現(xiàn)了肺癌基線PET/CT TNM中T參數(shù)的自動評估，可作為輔助肺癌患者分期的工具。

人工智能在腫瘤基因組學方面的研究近年來也取得了突飛猛進的發(fā)展。我們的研究團隊Su等[22]研究表明多模態(tài)MRI影像組學能夠有效預測膠質(zhì)瘤亞型和KI-67水平，預測膠質(zhì)瘤的生物學行為。此外基于MRI紋理分析可區(qū)分星形細胞瘤與1p/19q共缺失少突膠質(zhì)細胞瘤兩種類型低級別膠質(zhì)瘤[23]。Korfiatis等[24]發(fā)現(xiàn)MRI紋理特征可作為預測膠質(zhì)母細胞瘤MGMT甲基化狀態(tài)的生物標志物。Chang等[25]利用卷積神經(jīng)網(wǎng)絡實現(xiàn)了在MRI圖像判斷低級別與高度膠質(zhì)瘤IDH狀態(tài)的可能。Yang等[26]和Wang等[27]均證實了深度學習模型可無創(chuàng)預測肺腺癌EGFR突變狀態(tài)，為臨床決策提供幫助。

3.腫瘤治療監(jiān)測

疾病監(jiān)測對腫瘤的診斷和治療反應的評估至關重要。人工智能在監(jiān)測腫瘤隨時間的變化方面也發(fā)揮著作用，無論是在自然史上還是在治療反應中?；谌斯ぶ悄艿谋O(jiān)測方法能夠捕捉到隨著時間的推移病灶的大量不同圖像的鑒別特征，包括紋理的細微變化和對象內(nèi)部的異質(zhì)性，這些特征超出了人類讀者所能測量到的[2]。我們的研究團隊Zhang等[28]發(fā)現(xiàn)常規(guī)MRI圖像紋理分析能準確預測低度膠質(zhì)瘤的早期惡性轉(zhuǎn)化。CT影像紋理特征異質(zhì)性參數(shù)能夠預測非小細胞肺癌的第一輪化療效果[29]。但該領域仍處于起步階段，將成為未來研究的方向。除了成像，微創(chuàng)生物標記物，如循環(huán)腫瘤DNA也正在開發(fā)，可用于腫瘤的診斷和疾病的縱向跟蹤[30]。微創(chuàng)生物標記物結(jié)合醫(yī)學影像圖像，再基于人工智能的綜合診斷，為更準確地評估預后和實時監(jiān)測疾病提供精準的醫(yī)學依據(jù)。

人工智能在醫(yī)學影像學其它領域的應用

人工智能在非腫瘤性疾病的篩查、診斷與鑒別診斷及預后評估等方面也顯示出一定的臨床價值。Lee等[31]設計了具有區(qū)域異常表征的可解釋阿爾茨海默病診斷模型。此外，研究發(fā)現(xiàn)人工智能技術(shù)可對更薄的皮層厚度及更小的海馬亞區(qū)進行鑒別診斷[32]。Chilamkurthy等[33]研究發(fā)現(xiàn)深度學習算法可以準確地識別需要緊急干預治療的頭部CT異常表現(xiàn)，包括各種類型的顱內(nèi)出血、顱骨骨折和中線移位等，這為自動分診提供了可能。相關學者應用深度學習網(wǎng)絡實現(xiàn)腦外傷急診患者全自動檢測系統(tǒng)，有助于放射科和急診科醫(yī)師減少診斷時間和人為錯誤[32]。Cheng等[34]應用深度學習算法可實現(xiàn)骨盆X線髖部骨折的檢測和可視化，可能有助于緊急篩查和評估。此外，Tao等[35]基于深度學習方法實現(xiàn)了準確和全自動量化多中心電影MR圖像左心室的功能。

人工智能有望影響臨床放射工作流程中的其它基于圖像的任務，包括圖像采集之后的預處理步驟，以及隨后的報告和綜合診斷。深度學習模式可以顯著改善圖像質(zhì)量。Xu等開發(fā)了一個完全卷積編碼器-解碼器網(wǎng)絡，采用跳過連接和殘差學習策略來恢復PET-MRI高分辨率[32]。Ardila等[36]通過隨訪驗證訓練和病理佐證，建立一個端到端方法，回顧性使用輸入的CT數(shù)據(jù)來執(zhí)行定位和肺癌風險分類任務，該模型具有重要的潛在臨床意義，可提高工作流程的效率和診斷一致性。人工智能自動化報告可以形成更標準化的術(shù)語，提高工作效率。Wang等[37]研究提示基于深度學習的智能排版和結(jié)構(gòu)化報告系統(tǒng)可優(yōu)化臨床影像工作全流程，顯著提升影像科的工作效率和診斷準確性。然而，目前自動化報告缺乏嚴格和統(tǒng)一的的標準，尚需在今后進一步完善。

人工智能在醫(yī)學影像領域面臨的挑戰(zhàn)

1.標準化數(shù)據(jù)和數(shù)據(jù)庫的建立

數(shù)據(jù)仍然是人工智能系統(tǒng)最核心和最關鍵的組成部分，包括圖像存檔和通信系統(tǒng)(picture archiving and communication systems,PACS)和醫(yī)學數(shù)字成像和通信(digital imaging and communications in medicine，DICOM)在內(nèi)的圖像數(shù)據(jù)標準化存儲便于訪問和檢索。然而，這些數(shù)據(jù)很少在標簽、注釋、分隔和質(zhì)量保證等方面進行整理，醫(yī)療數(shù)據(jù)的管理需要訓練有素的專業(yè)人員，時間和成本上都很昂貴，成為了開發(fā)自動化臨床解決方案人工智能模型的一個主要瓶頸[2]。標準化數(shù)據(jù)，特別是多種成像模式和解剖位置的數(shù)據(jù)，在醫(yī)學領域尤其重要[38]。公開的醫(yī)療數(shù)據(jù)量越來越多，這是一個令人鼓舞的進步，但是我們不僅需要增加公開訪問的數(shù)據(jù)庫，而且需在性能、普遍性和可重復性方面進行優(yōu)化。同時鼓勵大學或者大學機構(gòu)、專業(yè)團體和政府機構(gòu)克服某些基本的技術(shù)、法律和倫理問題，共享經(jīng)過驗證的數(shù)據(jù)，促進智能合作[1,39]。

2.人工智能深度學習模式——“黑匣子”

另一個限制是人工智能深度學習模式對特定結(jié)果的可解釋性及對失敗的預知能力[1,2]。深度學習直接從數(shù)據(jù)中學習識別圖像中有助于預測結(jié)果的特定特征，其是高度假設的，導致缺乏對深度學習如何得出某些結(jié)論的理解。由于缺乏透明性，因此很難預測故障或?qū)⑻囟ńY(jié)論廣泛地推廣到不同的成像硬件、掃描協(xié)議和患者群體。毫不奇怪，許多應用于影像學的無法解釋的人工智能深度學習系統(tǒng)被稱為“黑匣子”。

3.數(shù)據(jù)安全和倫理問題

使用患者數(shù)據(jù)來訓練這些人工智能系統(tǒng)可能會引發(fā)數(shù)據(jù)安全和隱私方面的倫理問題。符合《健康保險可攜性與責任法》的存儲系統(tǒng)促進了更嚴格的隱私保護。相關研究探索了一種系統(tǒng)，它可以讓多個實體不共享輸入數(shù)據(jù)集，只共享訓練過的模型的情況下聯(lián)合訓練AI模型[40]。

此外，當前人工智能工具的一個共同特點是能較好地執(zhí)行單一任務，無法處理多個任務。放射科醫(yī)生是人工智能培訓過程中的關鍵要素，貢獻知識并監(jiān)督效率，然而真正懂人工智能的醫(yī)生相對較少。我們影像科醫(yī)師需要充分利用這些資源，促使AI成為更好的工具，發(fā)揮他們最大的作用。只有這樣，我們才能做到不僅能監(jiān)督結(jié)果，還能采用驗證手段來解釋其背后的原因，以及發(fā)現(xiàn)潛在的、可能被忽視的隱藏信息，更高效地服務于臨床。