李卓君

【摘要】目前在醫(yī)學行業(yè)，人工智能與醫(yī)療技術的結(jié)合已經(jīng)成為了熱門領域，它可以解決醫(yī)療行業(yè)上的諸多難題，因此在醫(yī)學領域，智能識別技術正逐步得到驗證與優(yōu)化，“智慧醫(yī)療”正在不斷地發(fā)展和完善，并逐漸出現(xiàn)在人們身邊。而圖像識別是基于統(tǒng)計理論、神經(jīng)網(wǎng)絡以及聚類等多種分類方法，通過變換和特征提取將處在維數(shù)較高的測量空間的表示模式轉(zhuǎn)換成維數(shù)較低的特征空間的表示模式，再通過訓練樣本集來訓練分類的過程。本文將主要就醫(yī)療領域影像診斷缺口、圖像識別在醫(yī)學領域醫(yī)療方面的應用、圖像識別技術的介紹以及如何提高圖像識別的識別能力來介紹通過圖像識別技術為基礎的智能醫(yī)療影像輔助診斷技術。

【關鍵詞】智能醫(yī)療;圖像識別;智能醫(yī)療影像

【中圖分類號】R4;G644.5 ? 【文獻標識碼】A ? 【文章編號】2026-5328（2021）12--02

1 智能影像輔助診斷技術的產(chǎn)生

1.1產(chǎn)生的原因

首先，國內(nèi)醫(yī)生資源相對匱乏，加速了智能影像技術的產(chǎn)生。相比于美國、英國、日本等發(fā)達國家，我國醫(yī)學人員人數(shù)在全國總數(shù)的占比較少，醫(yī)生平均需要診斷的病人數(shù)量與醫(yī)生人數(shù)嚴重失衡，并且我國的醫(yī)療資源的總體水平相比于其他發(fā)達國家也呈現(xiàn)較低狀態(tài)。據(jù)數(shù)據(jù)統(tǒng)計，我國醫(yī)學影像數(shù)據(jù)的年增長率約為30%，而進行閱片的醫(yī)生總數(shù)同年增長率約為4.1%，相差25.9%[1]。由此可見，在我國進行閱片的醫(yī)生人數(shù)的增長遠小于醫(yī)學影像數(shù)據(jù)的增長，這就使得醫(yī)生無法及時查看和分析影像數(shù)據(jù)，造成數(shù)據(jù)堆積，產(chǎn)生了極大的醫(yī)療診斷缺口。

其次，機器在特定環(huán)境下的識別速度已經(jīng)遠超人類水平。由于人眼的信息捕捉范圍和人類對信息處理的速度存在生物學上的限制，而機器不受這些限制，所以在信息捕捉的準確性、完整性和及時性上，機器的能力已經(jīng)可以達到甚至超過人類水平。智能機器已經(jīng)具備目標的精準分類和識別能力，因此可以由機器幫助醫(yī)生進行輔助判斷，一方面降低了醫(yī)生人工閱片的人力損耗，另一方面提高了病灶識別的準確度和速度，實現(xiàn)了降低人力成本和提升工作效率的雙重收益。

1.2產(chǎn)生的意義

病理分析對發(fā)現(xiàn)、治療與監(jiān)測傳染性疾病有著至關重要的作用，對于癌癥等疾病而言，正確的病理歸類和判斷腫瘤分期對疾病的治療有著高效的指導作用，并且可以用來預測病情演化。現(xiàn)如今人們對健康生活的追求不斷提高，各項健康體檢、疾病篩查數(shù)量不斷增加，影像科醫(yī)生的工作量也日漸繁重，由于長期從事高負荷的工作，不可避免地導致視覺疲勞的產(chǎn)生，將一些非病變的病灶誤診為病變， 或者將一些良性病變誤診為惡性。而缺乏正確的判斷又會導致病人的病理結(jié)果出現(xiàn)嚴重偏差，可能會影響病人的護理，使病人出現(xiàn)漏診、誤診或延期治療的不良情況。據(jù)統(tǒng)計， 醫(yī)學影像的疾病誤診率可達到10%～30%[2]。由此可見，對于當今社會而言僅僅依靠傳統(tǒng)的人工解讀醫(yī)學影像的方式已經(jīng)很難滿足日益增長的影像科診療需求，因此，借助圖像智能識別技術輔助影像醫(yī)生進行診斷勢在必行。

2 智能影像輔助診斷技術的實現(xiàn)

2.1 病理圖像識別

在影像診斷過程中，正確判斷病情是最核心的部分之一，病癥識別結(jié)果的準確率與病灶特征提取的好壞有著直接關系[3]。在2015年前后，深度學習不斷得到認同，并在短時間內(nèi)飛速發(fā)展。由于深度學習幾年來的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡得到了廣泛的認可并飛速發(fā)展。近幾年卷積神經(jīng)網(wǎng)絡的研究不斷深入、不斷成熟，我國的卷積神經(jīng)網(wǎng)絡擁有積累大量深度數(shù)據(jù)和快速計算的能力。在醫(yī)學影像領域，在結(jié)合卷積神經(jīng)網(wǎng)絡之后，不僅降低了計算機結(jié)構的復雜度，也在一定程度上大幅提高了其識別的精確度。在本文的智能影像輔助診斷系統(tǒng)中，采用的是輕量化卷積神經(jīng)網(wǎng)絡（ShuffleNet）來對病灶進行提取。

2.2卷積神經(jīng)網(wǎng)絡介紹

卷積神經(jīng)網(wǎng)絡現(xiàn)如今已經(jīng)發(fā)展的非常完善了，目前已經(jīng)提出了各種卷積方法幫助機器進行更加快速、更為高效、精確度更高的學習。淺層學習是依靠人的經(jīng)驗提取出特征信息，也就是說模型的輸入是人工通過經(jīng)驗提取出來的特征信息，只能用來分類和預測，通過網(wǎng)絡模型學習后獲得的是單層特征，是不具有層次結(jié)構的，沒有學習的過程。而深度學習則是通過訓練讓機器自主的將特征信息從訓練模型中提取出來，對原始數(shù)據(jù)進行逐層的特征變換，將原始空間的數(shù)據(jù)特征變換到新空間，自動地學習得到層次化的特征表示，將原始的輸入逐層轉(zhuǎn)化得到淺層、中層、高層特征，直到達到最終的任務目標。人們通過傳統(tǒng)的不斷疊加網(wǎng)絡層數(shù)來提高 CNN 的性能，由于層數(shù)的不斷增加，導致需要訓練的參數(shù)增多，如果直接采用的經(jīng)典算法進行訓練，例如BP算法，誤差逆?zhèn)鞑バ枰?jīng)過很多層，從而導致發(fā)散一直無法收斂，不僅導致神經(jīng)網(wǎng)絡參數(shù)量和計算量十分巨大，訓練出來的網(wǎng)絡效果也變得很差，還不利于模型的存儲，使網(wǎng)絡計算效率大幅下降。因此本文采用的是輕量化神經(jīng)網(wǎng)絡。

2.3輕量化卷積神經(jīng)網(wǎng)絡

輕量級卷積神經(jīng)網(wǎng)絡和移動終端神經(jīng)網(wǎng)絡加速框架發(fā)展迅速。通過創(chuàng)建新的神經(jīng)網(wǎng)絡計算方法來減少網(wǎng)絡參數(shù)，卷積神經(jīng)網(wǎng)絡可以更好地部署在移動終端設備上。輕量化卷積神經(jīng)網(wǎng)絡就是在不損失精確度的前提下，降低卷積計算量，即通過提升權值共享和稀疏連接兩點性能，使卷積神經(jīng)網(wǎng)絡對比于全連接網(wǎng)絡大大減少了參數(shù)量，神經(jīng)網(wǎng)絡處理能力與泛化性也得到了提高。本文采用的輕量化卷積模型是ShuffleNet。

2.4 ShuffleNet

ShuffleNet[4]是將MobileNet卷積再進行分組卷積。MobileNet的卷積思想通過逐深度卷積（depthwise conv） 和逐點卷積（pointwise conv， 也就是1x1卷積）將計算量再次壓縮.雖然能將傳統(tǒng)的3x3的卷積核的計算量直接壓縮到1x1的運算量，但仍有提升空間。即對 1x1卷積進行分組卷積， 這就是ShuffleNet。該方法的核心是采用可分解的深度可分卷積，不僅可以降低模型的計算復雜度，還可以減小模型的規(guī)模。

3 存在的問題

3.1 未實現(xiàn)網(wǎng)絡化結(jié)構

就理論而言，一個完整的智能影像輔助診斷系統(tǒng)應實現(xiàn)患者癥狀的全方面檢測。而現(xiàn)如今，雖然智能影像診斷技術較為成熟，但都僅局限于某個單一病種，不同的病種需要針對不同的病理特征單獨進行算法訓練和設計開發(fā)。而且，智能影像輔助診斷技術的核心是診斷的準確性，如何在短時間內(nèi)快速識別同一張影像圖下的不同病種;如何實現(xiàn)不同模態(tài)數(shù)據(jù)、實現(xiàn)多模態(tài)融合的網(wǎng)絡化系統(tǒng)結(jié)構;雖然智能影像輔助診斷系統(tǒng)只是用來輔助醫(yī)生診斷的手段之一，我們還是要有效減少醫(yī)生的工作負荷，如何避免一旦不同的病種出現(xiàn)相似的病理特征，智能影像輔助診斷系統(tǒng)的紊亂現(xiàn)象。由此可見，智能影像輔助診斷系統(tǒng)的魯棒性需要提高。

3.2缺乏數(shù)據(jù)互通機制

智能醫(yī)學圖像診斷的準確性與輸入圖像數(shù)據(jù)的質(zhì)量有很大關系。而影像高質(zhì)量數(shù)據(jù)的獲取是目前最難攻克的難題[5]。

1、大量高質(zhì)量的圖像數(shù)據(jù)主要集中在發(fā)展較好的地區(qū)，并主要集中于各地的三甲醫(yī)院，而且由于醫(yī)療數(shù)據(jù)涉及病人隱私，不同醫(yī)療機構的數(shù)據(jù)很少實現(xiàn)共享，因此缺乏有效的數(shù)據(jù)互通機制。

2、中國的區(qū)域性發(fā)展導致地區(qū)與地區(qū)、省份與省份之間醫(yī)療機構所使用的設備、技術、劑量不盡相同，我國也沒有較為統(tǒng)一的完善的醫(yī)療數(shù)據(jù)庫系統(tǒng)，雖然各地在學術上能進行溝通，但在機構與機構之間很少有數(shù)據(jù)上的交流，這導致了智能影像輔助診斷系統(tǒng)沒有統(tǒng)一的訓練樣本。

3、大多數(shù)國內(nèi)醫(yī)療數(shù)據(jù)存在于獨立的醫(yī)療衛(wèi)生機構中，多數(shù)人認為數(shù)據(jù)的共享不利于醫(yī)療機構專業(yè)技術的保密，缺乏共享數(shù)據(jù)的動機。

所以應該擁有一個較為統(tǒng)一的醫(yī)療數(shù)據(jù)平臺用來提供高質(zhì)量的影像數(shù)據(jù)，加強算法研究。樣本數(shù)據(jù)質(zhì)量越高，深度學習算法的結(jié)果越準確。只要做好醫(yī)療大數(shù)據(jù)共享的頂層設計，規(guī)范數(shù)據(jù)標準，打破數(shù)據(jù)共享的壁壘，就能突破一些醫(yī)療領域上的空白。

3.3訓練樣本不統(tǒng)一

在算法訓練實現(xiàn)的過程中，需要大量的監(jiān)督。因為在智能影像輔助診斷技術的識別精確度上，監(jiān)督學習起著至關重要的作用。首先在獲取的數(shù)據(jù)樣本方面，各個機構獲得的數(shù)據(jù)僅來自于單個區(qū)域，在數(shù)據(jù)上就已經(jīng)出現(xiàn)了數(shù)量和質(zhì)量的不同。其次，深度學習需要為過去的經(jīng)驗手動標記訓練集。在醫(yī)學領域，有許多從經(jīng)驗中獲得的病理特征，需要更多的監(jiān)督。如果訓練集中數(shù)據(jù)的質(zhì)量和規(guī)模不均衡，沒有有效的監(jiān)督學習，很容易導致智能圖像輔助診斷結(jié)果的準確率較低。目前國家仍然缺乏完整、權威的質(zhì)控和評價體系，因此，應對智能圖像輔助診斷系統(tǒng)加強規(guī)范;加強訓練數(shù)據(jù)集標注及量化方法;加強智能影像輔助診斷產(chǎn)品算法訓練過程中的監(jiān)管，避免產(chǎn)品在實際應用中出現(xiàn)較大偏差。從而增加患者對醫(yī)療人工智能的信任，促進醫(yī)療人工智能的順利實施和可靠應用，提高人工智能的可信度。

3.4缺乏保護和監(jiān)管

就傳統(tǒng)意義上而言，由于病人信息安全等因素，各個不同的醫(yī)療機構的數(shù)據(jù)不應公開化，所以各個醫(yī)療機構的數(shù)據(jù)不愿開放和分享是正常行為，這也導致了智能影像輔助診斷系統(tǒng)無法得到進一步突破。但我國大量的數(shù)據(jù)樣本對于智能影像輔助診斷技術的算法訓練十分可觀。如何解決數(shù)據(jù)的共享的同時保護病人信息的安全性則需要有效的保護和監(jiān)管機制，有以下幾種途徑：

1、加強醫(yī)療智能影像輔助診斷行業(yè)法律法規(guī)制定：制定醫(yī)療數(shù)據(jù)隱私保護條例，明確醫(yī)療機構、相關企業(yè)等主體在采集、使用、共享、傳輸醫(yī)療數(shù)據(jù)時應遵守的規(guī)則，以及泄露隱私的處罰，強調(diào)條例的可操作性。

2、產(chǎn)品開發(fā)組織數(shù)據(jù)庫的圖像質(zhì)量要規(guī)范、可追溯;要保護患者隱私，避免數(shù)據(jù)泄露，共享醫(yī)療數(shù)據(jù)。

3、通過合理的數(shù)據(jù)共享機制，建立標準化、大樣本的數(shù)據(jù)中心，為人工智能培訓提供高質(zhì)量的數(shù)據(jù)，使其在醫(yī)療領域的應用更加可能。規(guī)定各醫(yī)療機構和產(chǎn)品開發(fā)機構簽署數(shù)據(jù)安全保障協(xié)議，旨在將數(shù)據(jù)樣本只在醫(yī)療機構和產(chǎn)品開發(fā)機構內(nèi)部進行共享，而對外嚴格保密。制定數(shù)據(jù)隱私保護法規(guī)和標準，研究人工智能責任歸屬研究醫(yī)生、人工智能企業(yè)在人工智能產(chǎn)品輔助醫(yī)生診療過程中各自承擔的責任界定。

4 結(jié)論

目前智能影像輔助診斷技術已有了初步的進展，在某些病灶的提取和判斷上也已經(jīng)擁有了成熟的經(jīng)驗，但是體系仍然不夠完善，需要建立健全的體系來實現(xiàn)醫(yī)學領域的更大突破。

參考文獻：

[1]唐志強，卓瑪，魏巍.智能醫(yī)學影像發(fā)展現(xiàn)狀和挑戰(zhàn)[J].現(xiàn)代醫(yī)藥衛(wèi)生，2020，36（17）：2754-2757

[2]Michael L Wilson，Shahin Sayed; Susan Horton，Kenneth A Fleming.Artificial intelligence can augment global pathology initiatives – Authors' reply[J].《The Lancet Global Health》，2018

[3]姜軒.基于深度學習的場景圖像分類算法研究[D].北京：北京郵電大學，2019.

[4]Andrew G. Howard，Menglong Zhu，Bo Chen，Dmitry Kalenichenko，Weijun Wang，Tobias Weyand，Marco Andreetto，Hartwig AdamMobileNets： Efficient Convolutional Neural Networks for Mobile Vision Applications[J/OL].2017.

[5]Sumant Ugalmugle，Rupali Swain，By 2027， the market value of acne drugs will exceed US $13.1 billion[J].Global Market Insights，2020.10，1557-1558

基金項目：大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目資助（202110709037）

1477501705212