吳夢(mèng)香，劉挨師（通訊作者）

（1 內(nèi)蒙古醫(yī)科大學(xué) 內(nèi)蒙古 呼和浩特 010000）

（2 內(nèi)蒙古醫(yī)科大學(xué)附屬醫(yī)院影像診斷科 內(nèi)蒙古 呼和浩特 010000）

1 AI概述

人工智能是當(dāng)今計(jì)算機(jī)發(fā)展的代表性技術(shù)，與諸多學(xué)科相互交融滲透，是未來(lái)各個(gè)學(xué)科發(fā)展極具前景的方向。20 世紀(jì)末到21 世紀(jì)初，人工智能在醫(yī)學(xué)領(lǐng)域的應(yīng)用發(fā)展迅速，其中以圖像數(shù)據(jù)為基礎(chǔ)的醫(yī)學(xué)影像也是AI 主要應(yīng)用之一。其中以DL 在病灶檢出、自動(dòng)分割、影像診斷決策和其他固定場(chǎng)景中的應(yīng)用最為突出[2]。

1956 年John McCarthy 等在美國(guó)達(dá)特茅斯大學(xué)舉行的人工智能研討會(huì)上首先提出“人工智能”的概念。人工智能一般被認(rèn)為是一門包括計(jì)算機(jī)學(xué)、統(tǒng)計(jì)學(xué)、數(shù)學(xué)和腦神經(jīng)學(xué)等在內(nèi)的交叉學(xué)科，它是能模仿人類認(rèn)知功能并深度學(xué)習(xí)的計(jì)算機(jī)系統(tǒng)[3]。AI 能夠感知環(huán)境、執(zhí)行模式識(shí)別、計(jì)劃一個(gè)適當(dāng)?shù)臎Q策及歸納推理出一個(gè)一般性的原則。ML 是對(duì)AI 探索的延伸，被廣泛定義為計(jì)算機(jī)系統(tǒng)通過(guò)從大數(shù)據(jù)中提取一般模式來(lái)自主獲取特征并分類的能力，無(wú)需設(shè)計(jì)明確的規(guī)則進(jìn)行編程。目的是找出大數(shù)據(jù)中隱藏的特征，并將數(shù)據(jù)分類，最終培養(yǎng)計(jì)算機(jī)識(shí)別模式和支持臨床診斷治療[4]。ANN 是靈活的數(shù)學(xué)算法模型，以研究人腦連接機(jī)制為特點(diǎn)，使用多種算法來(lái)識(shí)別大數(shù)據(jù)中的復(fù)雜的非線性關(guān)系，通過(guò)對(duì)原始輸入數(shù)據(jù)進(jìn)行層層抽象，最終實(shí)現(xiàn)對(duì)不同模態(tài)數(shù)據(jù)的聚類和分類[5]。ANN 通過(guò)學(xué)習(xí)和訓(xùn)練實(shí)現(xiàn)其智能，其學(xué)習(xí)、記憶和歸納功能使其在醫(yī)學(xué)影像領(lǐng)域具有良好的應(yīng)用前景。DL 包含多個(gè)隱藏層，是一組試圖對(duì)數(shù)據(jù)中高級(jí)抽象特征進(jìn)行建模的人工智能算法[6]。DL從原始數(shù)據(jù)出發(fā)，通過(guò)深層非線性網(wǎng)絡(luò)特征，自動(dòng)學(xué)習(xí)并組合低層特征形成更高層次的、更抽象的特征。

2 AI在胸部影像的研究應(yīng)用現(xiàn)狀

2.1 肺結(jié)節(jié)和肺癌的篩查

AI 算法模型可全自動(dòng)快速分割胸腔區(qū)域，準(zhǔn)確定位疑似肺結(jié)節(jié)或者肺癌的病灶，可以大大減少放射科醫(yī)師的工作量。LIU[7]等學(xué)者提出的級(jí)聯(lián)雙路徑網(wǎng)絡(luò)（Cascaded Dual-Pathway Residual Network，CDP-ResNet）肺結(jié)節(jié)分割模型，結(jié)合了不同結(jié)節(jié)的多視圖和多角度特征，結(jié)果取得了較好的分割性能，并在對(duì)肺結(jié)節(jié)分割精度上略優(yōu)于人類專家。計(jì)算機(jī)輔助檢測(cè)和診斷（computer-aided detection/diagnosis，CAD）作為AI 的“雛形”，在協(xié)助放射科醫(yī)師處理大量圖像數(shù)據(jù)方面具有獨(dú)特優(yōu)勢(shì)，一項(xiàng)CAD 對(duì)肺結(jié)節(jié)檢測(cè)效能的研究表明其敏感度為93.8%，特異度為59%[8]，說(shuō)明CAD 在肺結(jié)節(jié)篩查中雖然存在一些假陽(yáng)性結(jié)節(jié)，但假陰性結(jié)節(jié)的出現(xiàn)明顯降低。

2.2 乳腺癌篩查及鑒別

乳腺X 線攝影篩查是唯一被證實(shí)能降低乳腺癌死亡率的影像檢查方法。在可觸及腫塊之前平均1.7 年查出乳腺癌，病死率降低20%，因此AI 乳腺癌篩查最先應(yīng)用于乳腺X 線攝影，以提高微鈣化和腫塊檢出；其次是腫塊良惡性分類、分子分型及新輔助效果評(píng)價(jià)[9]。LI 等學(xué)者使用人工智能方法對(duì)乳腺X 線影像中的多類病灶進(jìn)行檢測(cè)，包括腫塊、乳腺內(nèi)淋巴結(jié)以及鈣化，結(jié)果顯示對(duì)乳腺內(nèi)淋巴結(jié)的檢測(cè)效果最好，敏感性為83.1%，而鈣化的整體假陽(yáng)性率非常低，尤其是環(huán)形鈣化的假陽(yáng)性率僅為0.6%。Al-Masni 等研究的乳腺鉬靶攝影通過(guò)DL 及CNN 提取病灶影像組學(xué)特征，再連接神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)病灶良惡性，結(jié)果表明其判斷乳腺腫塊位置和良惡性的準(zhǔn)確性分別為99.7%和97%，且對(duì)胸肌附近及腺體致密區(qū)域的腫塊檢出更具優(yōu)勢(shì)。

目前MRI 紋理分析技術(shù)已經(jīng)應(yīng)用于乳腺疾病臨床研究，一項(xiàng)探討磁共振動(dòng)態(tài)對(duì)比增強(qiáng)（dynamic contrast enhanced MRI，DCE-MRI）技術(shù)直方圖紋理參數(shù)在乳腺纖維瘤和浸潤(rùn)性導(dǎo)管癌鑒別價(jià)值的研究發(fā)現(xiàn)直方圖紋理特征分析方法對(duì)兩者有鑒別價(jià)值。有研究通過(guò) MRI 紋理特征分析技術(shù)將常規(guī)擴(kuò)散加權(quán)成像（DWI）圖像的灰度值轉(zhuǎn)化為紋理信息，提取多種紋理特征，結(jié)果表明DWI 圖像部分紋理特征在乳腺浸潤(rùn)性導(dǎo)管癌和乳腺纖維腺瘤之間也有鑒別診斷價(jià)值，進(jìn)一步提高了MRI 乳腺癌的診斷準(zhǔn)確率。

3 AI在胸部影像的機(jī)遇

3.1 AI 肺結(jié)節(jié)、肺癌機(jī)遇

國(guó)家癌癥中心發(fā)布的2018 年全國(guó)癌癥統(tǒng)計(jì)數(shù)據(jù)顯示肺癌發(fā)病率仍居榜首。肺癌發(fā)生早期無(wú)明顯臨床癥狀，不易被發(fā)現(xiàn)，因此常規(guī)胸部CT 體檢成為肺癌二級(jí)預(yù)防的首選檢查手段，而且胸部CT 已經(jīng)逐漸成為常規(guī)體檢項(xiàng)目。肺CT 分辨率提高一方面有利于早期肺癌的發(fā)現(xiàn)和確診，另一方面也檢出更多的肺結(jié)節(jié)，增加了放射科醫(yī)師的工作量。深度學(xué)習(xí)和機(jī)器學(xué)習(xí)的人工智能最先在肺結(jié)節(jié)和肺癌影像圖像的識(shí)別、病變性質(zhì)分析以及影像診斷方面應(yīng)用。AI 在此方面的價(jià)值在于把影像診斷醫(yī)師從機(jī)械簡(jiǎn)單的工作中解脫出來(lái)從而投入到疑難復(fù)雜的影像診斷和其他工作中以優(yōu)化時(shí)間及醫(yī)師資源分配。同時(shí)肺結(jié)節(jié)高檢出率、肺癌高發(fā)病率為胸部人工智能技術(shù)提供數(shù)據(jù)支撐，好比是人工智能軟件的“能量石”。

3.2 AI 乳腺癌機(jī)遇

研究發(fā)現(xiàn)致密型乳腺是乳腺癌的病因之一，而致密性腺體容易掩蓋病灶，致使致密型腺體早期乳腺癌的漏診率較高。乳腺X 線攝影對(duì)微鈣化灶的檢出率較高，但對(duì)腫塊的檢出率受腺體致密程度的影響較大。然而對(duì)于人眼不易分辨的病灶，計(jì)算機(jī)結(jié)合DL 和CNN 可能具有比較好的分辨力。未來(lái)AI 可能在致密型乳腺內(nèi)病灶檢出方面更具優(yōu)勢(shì)。其次，我國(guó)女性以致密型乳腺為主，因此有必要建立符合我國(guó)女性標(biāo)準(zhǔn)的乳腺鉬靶數(shù)據(jù)庫(kù)，訓(xùn)練適合致密型乳腺鉬靶AI 檢測(cè)與診斷系統(tǒng)?；蚣斑z傳因素也是乳腺癌的致病因素之一。乳腺癌影像組學(xué)基于機(jī)器學(xué)習(xí)及深度學(xué)習(xí)技術(shù)深度挖掘影像組學(xué)的特征，定量分析醫(yī)學(xué)影像圖像內(nèi)隱形的分子與基因變化，為解決腫瘤異質(zhì)性提供了思路，為乳腺癌靶向治療提供依據(jù)。

4 AI在胸部影像的挑戰(zhàn)

目前多數(shù)研究集中于檢測(cè)AI 模型對(duì)肺結(jié)節(jié)和肺癌的檢出率、診斷的準(zhǔn)確性以及與不同級(jí)別放射科醫(yī)師的診斷一致性。研究證明，一些模型的篩查結(jié)果從統(tǒng)計(jì)學(xué)上要優(yōu)于經(jīng)驗(yàn)豐富的影像科醫(yī)師；有研究顯示CNN 模型對(duì)良惡性肺結(jié)節(jié)分類的準(zhǔn)確率達(dá)89.93%。但一組完整的胸部CT 圖像不僅僅是肺結(jié)節(jié)或者肺癌單一病種，在胸部CT 影像報(bào)告中需要全面、細(xì)致地觀察并描述所有的異常影像表現(xiàn)，目前尚無(wú)研究多病種的AI 模型。隨著當(dāng)前肺癌檢出率升高，復(fù)查率也增加，放射科醫(yī)師需要對(duì)比兩次或者更多次的胸部圖像以動(dòng)態(tài)觀察肺結(jié)節(jié)和肺癌發(fā)展情況及治療效果，增加了放射科醫(yī)師的工作量。另外測(cè)量病變大小時(shí)存在很大人為誤差，迫切需要穩(wěn)定的、可重復(fù)性強(qiáng)的、對(duì)比速度快的人工智能系統(tǒng)，但目前在肺結(jié)節(jié)和肺癌先后影像對(duì)比方面尚未有開(kāi)發(fā)的AI 模型。

當(dāng)前乳腺癌人工智能研究多數(shù)停留在檢出病灶方面，病變定性及分子分型研究較少，診斷靈敏度、特異度及與放射科醫(yī)師診斷一致性有待進(jìn)一步研究。隨著技術(shù)和算法的不斷完善，在病變良惡性鑒別診斷、乳腺癌術(shù)前分期、新輔助化療效果評(píng)估及復(fù)發(fā)轉(zhuǎn)移風(fēng)險(xiǎn)預(yù)測(cè)等方面還有廣闊的研究空間。乳腺鉬靶人工智能模型在乳腺癌侵及皮膚厚度、范圍及程度方面的決策也有待研究。相信隨著醫(yī)學(xué)算法的完善和數(shù)據(jù)訓(xùn)練，AI將為更多的乳腺癌患者帶來(lái)福音。

5 結(jié)語(yǔ)和展望

目前，多學(xué)科對(duì)疾病的認(rèn)識(shí)已經(jīng)從大體發(fā)展到分子病理乃至基因水平，影像科醫(yī)師無(wú)法用肉眼從圖像中挖掘疾病的分子基礎(chǔ)，諸多因素使得AI 應(yīng)用于醫(yī)學(xué)影像不同器官和系統(tǒng)成為可能。目前AI 醫(yī)學(xué)影像在其他例如中樞神經(jīng)系統(tǒng)、腹部和骨關(guān)節(jié)系統(tǒng)逐漸研究應(yīng)用。未來(lái)，AI 醫(yī)學(xué)影像的發(fā)展要牢牢把握各系統(tǒng)和各器官的特殊性，尋找適合學(xué)科發(fā)展和研究的方向，促進(jìn)人工智能影像醫(yī)學(xué)時(shí)代到來(lái)。