馬延軍 董云翔 楊 瀾 周煜萃 羅兆瑞 楊 茹

1.中國醫(yī)科大學臨床醫(yī)學三系，遼寧沈陽 110001；2.中國醫(yī)科大學智能醫(yī)學學院，遼寧沈陽 110001；3.中國醫(yī)科大學口腔醫(yī)學院，遼寧沈陽 110001；4.中國醫(yī)科大學附屬第一醫(yī)院心血管超聲科，遼寧沈陽 110001

人工智能（artificial intelligence，AI），是一種新興的、通過模仿人類思維和認知能力而實現(xiàn)實際操作的技術(shù)，本質(zhì)上屬于計算機科學，近些年正不斷在我們生活的各個領(lǐng)域發(fā)揮作用。超聲檢查是一種基于超聲波的診斷技術(shù)，目前已在醫(yī)院廣泛使用，在醫(yī)學影像學檢查中有著舉足輕重的地位。在科技不斷發(fā)展的過程中，人工智能已經(jīng)逐漸滲透超聲檢查并發(fā)揮了重要作用，其在檢查結(jié)果精確性、檢測效率等方面對原有的超聲檢測技術(shù)進行改進，使超聲檢測技術(shù)更加成熟。本文對現(xiàn)階段不同檢查部位的超聲檢測中人工智能發(fā)揮的作用及現(xiàn)狀進行綜述。

1 影像醫(yī)學方面的人工智能系統(tǒng)

1.1 人工智能

AI 是計算機科學領(lǐng)域的分支，通過計算機模擬人類的思維方式及思維過程，來實現(xiàn)計算機的更高層次應(yīng)用，AI 也被認為是20 世紀的三大尖端技術(shù)之一。近30 年來，人工智能迅速發(fā)展，廣泛應(yīng)用于諸多科學領(lǐng)域，為人們的生活方式帶來巨大改變。伴隨著AI 熱潮，達芬奇手術(shù)機器人、數(shù)字化手術(shù)導航、慢性病患者虛擬助理等產(chǎn)品的問世，使得人工智能在醫(yī)學領(lǐng)域上的發(fā)展與應(yīng)用吸引著越來越多人的關(guān)注。

1.2 計算機輔助診斷系統(tǒng)

計算機輔助診斷（computer aided diagnosis，CAD）系統(tǒng)是通過醫(yī)學影像處理技術(shù)及生理、生化手段，結(jié)合計算機分析計算，輔助發(fā)現(xiàn)病灶的醫(yī)學影像信息庫，可以有效改善影像質(zhì)量，降低誤診率及漏診率。在醫(yī)學影像重建、醫(yī)學影像分割、醫(yī)學影像融合等方面，已經(jīng)取得了較好的預期成果。

1.3 深度學習

深度學習（deep learning,DL）是目前機器學習領(lǐng)域中一個新的研究方向，具有廣闊的應(yīng)用前景。通過深度學習可以使機器模仿人類的思考方式，分析并解決復雜的圖像識別問題。伴隨著深度卷積神經(jīng)網(wǎng)絡(luò)技術(shù)的不斷發(fā)展，人工智能在計算機視覺領(lǐng)域上取得了顯著性的突破，同時也推動了人工智能對于超聲醫(yī)學影像數(shù)據(jù)的識別及深度學習。將人工智能合理運用到超聲醫(yī)學影像上可顯著提高臨床診斷效率及準確率，助力構(gòu)建數(shù)字智能醫(yī)療模式。因此，人工智能技術(shù)與影像醫(yī)學的結(jié)合有望改善傳統(tǒng)醫(yī)療的諸多困境，有效提高醫(yī)學影像對于疾病的篩查和診斷，對于現(xiàn)代化醫(yī)療具有重要的現(xiàn)實意義。

2 AI 在超聲醫(yī)學診斷方面的研究進展

2.1 AI 在甲狀腺超聲診斷中的應(yīng)用

甲狀腺超聲是診斷甲狀腺疾病的主要影像學手段，目前AI 在輔助甲狀腺超聲診斷方面取得了一定成果。其中，AI 在甲狀腺結(jié)節(jié)超聲診斷中應(yīng)用的最為廣泛，在甲狀腺結(jié)節(jié)分類及甲狀腺良性和惡性結(jié)節(jié)的鑒別診斷中已展現(xiàn)出良好的應(yīng)用前景。

Wang 等收集了2992 個甲狀腺超聲圖像，由2位高年資超聲醫(yī)師按照美國放射學會（American College of Radiology，ACR）的甲狀腺超聲分級方法（thyroid imaging reporting and data system，TI-RADS）分出TR4 及TR5 的超聲圖像。他們通過集成兩種基于DL 和傳統(tǒng)機器學習方法的AI 算法，開發(fā)了一種新的甲狀腺CAD 系統(tǒng)。該系統(tǒng)基于4 種已知的風險因素，建立了甲狀腺癌預測模型，從而提高對可疑結(jié)節(jié)的診斷準確性。Kwon 等的研究中描述了一種使用卷積神經(jīng)網(wǎng)絡(luò)進行超聲檢查的甲狀腺結(jié)節(jié)分類系統(tǒng)，可在超聲檢查中對甲狀腺結(jié)節(jié)進行分類及識別甲狀腺惡性腫瘤。在此項研究中使用了動態(tài)卷積神經(jīng)網(wǎng)絡(luò)（dynamic convolution neural network，DCNN），它是一種專門用于識別圖像模式的機器學習模型。相較于傳統(tǒng)的計算機輔助診斷系統(tǒng)，DCNN 可以自動學習有效的特征用于圖像分類，即使因相機鏡頭、光源、角度等因素導致圖像失真，系統(tǒng)依然可對圖像進行檢測和識別。而Chi 等進一步改良現(xiàn)有的深度卷積神經(jīng)網(wǎng)絡(luò)，使用GoogLeNet進行分類，并通過研究證實，GoogLeNet 可以提高甲狀腺結(jié)節(jié)分類準確性。Zhou 等提出了一個高度自動化的模型-深度學習甲狀腺影像組學（deep learning radiomics of thyroid，DLRT），用于超聲圖像中對良性和惡性甲狀腺結(jié)節(jié)進行鑒別診斷，該團隊收集了1750 個甲狀腺結(jié)節(jié)的圖像，分別使用基本的卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks，CNN）模型、遷移學習（transfer learning，TL）模型及新設(shè)計的DLRT 模型，并將他們的診斷準確性進一步與人類觀察者（1 名高級和1 名初級美國影像科醫(yī)生）進行比較，在內(nèi)部訓練隊列和外部驗證隊列中，與其他深度學習模型和人類觀察者相比，DLRT 顯示出最準確診斷能力，對于鑒別甲狀腺良、惡性結(jié)節(jié)具有良好的潛力。伴隨著AI 輔助醫(yī)學診斷的快速發(fā)展及應(yīng)用，AI 在甲狀腺超聲診斷領(lǐng)域的應(yīng)用將向更準確、更迅速、適應(yīng)性更強的方向發(fā)展。

2.2 AI 在乳腺超聲診斷中的應(yīng)用

乳腺超聲檢查是一種無創(chuàng)、準確的乳腺檢查手段，可用于乳腺良性和惡性腫瘤、乳腺增生及炎性疾病的診斷。超聲醫(yī)生通過應(yīng)用彩色多普勒、三維超聲成像、彈性成像、超聲聲學造影等技術(shù)，獲得乳腺超聲圖像并進行分析及診斷，輔助臨床醫(yī)生確定診療決策。AI 可以自動識別圖像信息，對圖像特征進行定量評估分析，提高超聲在乳腺病變診斷中的準確性。

目前，AI 在乳腺超聲中的應(yīng)用和研究多集中在基于二維超聲特征來區(qū)分良性和惡性乳腺腫塊。從乳腺成像報告和數(shù)據(jù)系統(tǒng)（breast imaging reporting and data system，BI-RADS）中識別有效的可計算特征，并通過不同的機器學習方法，可以用于區(qū)分良性和潛在的惡性病變。近年來，CAD 在圖像的處理和分割以及感興趣區(qū)域（region of interest，ROI）的選擇方面取得了很大進展。Feng 等提出了一種適應(yīng)性地利用相鄰信息的方法，可以有效提高超聲圖像上的乳腺腫瘤分割性能。Cai 等提出了一種基于相位一致性的二元模式紋理描述符，無論圖像灰度如何變化，該描述符均可以有效地評估和分類B 型超聲圖像。

傳統(tǒng)超聲圖像通常需要從超聲機器傳輸?shù)焦ぷ髡竞筮M行圖像再處理，而s-detect（DL 技術(shù)的一種）可以直接在超聲系統(tǒng)上識別和標記乳腺腫物。s-detect 是三星RS80A 超聲系統(tǒng)中配備的工具，其在DL 算法的基礎(chǔ)上根據(jù)BI-RADS 2003 或BI-RADS 2013 分類進行病灶分割、特征分析和描述，在自動或手動選擇ROI 后，立即對感興趣區(qū)域（腫物）給出良性或惡性的判斷。關(guān)于DL 軟件（deep learning software，DLS）在基于超聲圖像對乳腺癌進行分類診斷的回顧性研究發(fā)現(xiàn)，DLS 診斷乳腺癌的準確性與影像醫(yī)生相當，且DLS 可以比沒有經(jīng)驗的人類使用者更好、更快地學習。Zhang 等建立了一種DL 結(jié)構(gòu)，該結(jié)構(gòu)可以從剪切波彈性成像中自動提取圖像特征，他們也評估了DL 結(jié)構(gòu)在良性和惡性乳腺腫瘤的鑒別作用。Han 等使用卷積神經(jīng)網(wǎng)絡(luò)深度學習框架來區(qū)分通過超聲獲得的乳腺圖像的不同類型的病變和結(jié)節(jié)，該方法能夠在短時間內(nèi)對惡性病變進行分類，進而能夠幫助影像醫(yī)師鑒別、診斷惡性病變。

2.3 AI 在肝臟、膽囊超聲診斷中的應(yīng)用

最新研究表明，肝細胞癌（hepatocellular carcinoma，HCC）患者盡早進行聲像圖診斷（ultrasonographic，USG），將降低37%左右的死亡率，具有較好的成本效益。Tiyarattanachai 等使用大量臨床預先采集好的USG 圖像來開發(fā)和驗證AI 輔助的USG 圖像分析系統(tǒng)，用于檢測和診斷各種肝臟局灶性病變（focal liver lesion，F(xiàn)LL）。該系統(tǒng)是基于RetinaNet的CNN 架構(gòu)的AI 靜態(tài)圖像分析。CNN 使用大量臨床FLLs（包括肝細胞癌、囊腫、血管瘤、局灶性脂肪保留和局灶性脂肪浸潤）患者的回顧性圖像，通過改變置信閾值調(diào)整對疾病的檢出率，其總體檢出率、診斷敏感度和特異性分別為87.0%、83.9%和97.1%，F(xiàn)LL 的診斷準確率為88%～96%。因此，該系統(tǒng)在檢測和診斷各種FLL 方面表現(xiàn)出良好的性能，有助于臨床檢測和診斷HCC。Liu 等利用基于肝臟超聲圖像建立CNN 模型，與定向梯度直方圖和局部二元模式的低水平特征提取方法相比，DL 技術(shù)具有更好的分類準確率。但上述研究的訓練數(shù)據(jù)集僅進行了內(nèi)部測試，是否可以應(yīng)用于其他臨床患者還有待進一步研究。

膽囊疾病是臨床常見的上腹部不適的原因之一。超聲檢查可以觀察膽囊的形態(tài)大小情況、膽囊壁的厚度變化、膽囊內(nèi)是否有異物等。Zhou 等的研究采用CNN 和集成學習的AI 技術(shù)，使用臨床膽道閉鎖病例的超聲圖像數(shù)據(jù)，訓練隊列被隨機分成5個互補子集，其中4 個用于訓練CNN，另外一個子集用于驗證CNN。該系統(tǒng)在外部驗證數(shù)據(jù)集上的敏感度為93.1%，特異性為93.9%，可以準確地診斷膽道閉鎖。Chen 等通過對膽囊息肉（膽固醇和腫瘤病變）的經(jīng)腹高分辨率超聲檢查和病理結(jié)果的研究,開發(fā)了一種帶有AdaBoost 分類器的新型CAD 系統(tǒng)。研究中結(jié)合主成分分析和AdaBoost 算法提出超聲圖像分割算法，構(gòu)建鑒別腫瘤性和非腫瘤性膽囊息肉的計算機輔助診斷系統(tǒng)，其所提出的分割方法可精確勾勒膽囊區(qū)域輪廓，與超聲醫(yī)師人工識別圖像相比，該系統(tǒng)診斷結(jié)果準確率更高，診斷速度更快，有助于膽囊息肉的準確診斷。

2.4 AI 在內(nèi)鏡超聲診斷的應(yīng)用

超聲內(nèi)鏡（endoscopic ultrasonography，EUS）將內(nèi)鏡與超聲相結(jié)合，主要適用于消化道檢查，尤其在消化道腫瘤的診斷中發(fā)揮著不可忽視的作用。胃腸道間質(zhì)瘤（gastrointestinal stromal tumors，GISTs）和胃腸道平滑肌瘤（gastrointestinal leiomyomas，GILs）是最常見的胃腸道上皮下病變（subepithelial lesions，SELs）。GIST 為潛在惡性腫瘤，而GIL 是良性腫瘤，因此區(qū)分這兩種疾病對于治療尤為重要，但僅用EUS 圖像很難區(qū)分GIST 和GIL。若在EUS中引入AI 技術(shù)，或許可為SELs 的診斷提供新方向。Minoda 等將EUS-AI 和EUS 專家的診斷與SEL的病理結(jié)果一致性進行比較，發(fā)現(xiàn)EUS-AI 對于＜20mm 的SEL 診斷的準確性、敏感度和特異性均高于EUS 專家的診斷。2022 年，Hirai 等通過AI 對包括GIST 在內(nèi)的5 類疾病進行診斷，表明其具有比專家更高的診斷性能，可能有助于改善臨床中SELs的診斷。楊新天通過采集在組織學上被診斷為GIST 或GILs 的患者的EUS 圖像，使用DL 技術(shù)開發(fā)1 個基于EUS 的AI 系統(tǒng)用于鑒別這兩類腫瘤，通過EUS 和AI 的聯(lián)合診斷，內(nèi)鏡醫(yī)師對于兩種腫瘤的診斷準確率均有所提高。此外，在膽囊息肉狀病變與胰腺癌中，AI 與EUS 的結(jié)合亦表現(xiàn)出更高的敏感性和準確性。

2.5 AI 在心血管超聲診斷的應(yīng)用

心血管疾病（cardiovascular diseases，CVDs）已成為全球人群的主要死亡原因之一，而傳統(tǒng)預測CVDs 風險模型對于患者CVD 風險評估尚有一定局限性。AI 與傳統(tǒng)風險預測方法相結(jié)合，可進一步為心血管疾病風險預測提供更有力的幫助，即“綜合預測心血管疾病風險模型”。動脈粥樣硬化是CVDs 的主要原因，其可以導致心肌梗死或腦卒中等。臨床上評價動脈粥樣硬化程度的兩個主要指標是頸動脈內(nèi)膜中層厚度（carotid intima-media thickness，cIMT）和斑塊面積（plaque area，PA），將AI與頸動脈的超聲結(jié)合評估cIMT/PA分割方法已可用于心血管疾病/卒中風險監(jiān)測中。Skandha 等設(shè)計由3 種DL 分類范式組成的計算機輔助診斷系統(tǒng)，用于動脈粥樣硬化中斑塊組織分類和表征，研究結(jié)果表明結(jié)合AI 可有助于識別斑塊組織分類和表征。Biswas 等提出了一種基于AI 的方法，以cIMT和總PA 為指標聯(lián)合自動檢測測量壁厚和頸動脈斑塊，其對動脈粥樣硬化的診斷性能有所提高。此外，AI 技術(shù)亦應(yīng)用于超聲心動圖中輔助心臟功能評價。Salte 等使用基于DL 和AI 的新型運動估計技術(shù)通過追蹤心肌運動，對左心室整體縱向應(yīng)變進行全自動測量，進而測量評估心肌收縮功能。

2.6 AI 在胎兒超聲診斷的應(yīng)用

胎兒超聲心動圖檢查是先天性心臟病的主要篩查方法之一。胎兒心臟的生理結(jié)構(gòu)與成年人不同，胎兒身體的不自主活動、檢查醫(yī)師經(jīng)驗不足等因素都會影響胎兒超聲心動圖檢查的準確性。通過DL 構(gòu)建AI 系統(tǒng)與胎兒超聲心動圖檢查相結(jié)合，有助于提高檢查結(jié)果的準確性，在AI 的輔助下，經(jīng)驗不足的醫(yī)師也可以得到相對準確的檢查結(jié)果。

在胎兒面部檢測中，AI 也帶來了新的解決方案。通過胎兒面部檢測，可以預知新生兒是否存在顏面部結(jié)構(gòu)畸形等問題，早期診斷可以盡早采取治療措施。傳統(tǒng)的胎兒顏面檢測是以醫(yī)師為檢測的主體，在切面采集過程中，不同醫(yī)師的操作經(jīng)驗差異及主觀因素均會影響采集切面的標準性，進而對于胎兒面部畸形的判斷準確性產(chǎn)生影響。在AI 的輔助下，可提高胎兒顏面部超聲標準切面采集的準確性，同時提高圖像采集效率。

在早產(chǎn)兒死亡和新生兒患病的原因中，肺部發(fā)育不全一直是主要因素之一，因此對于胎兒肺部發(fā)育情況的評估，將有助于早產(chǎn)兒出生后診療決策的制定。目前針對胎兒肺部成熟情況的評估方法主要有羊水生化檢測、二維超聲檢測、灰階超聲直方圖檢測等，但以上方法或為有創(chuàng)手術(shù)、成本高且風險大，或受主觀因素影響、準確性難以得到保障。而基于AI 的定量超聲檢查的應(yīng)用，克服了以上的缺點，發(fā)揮了超聲檢查的無創(chuàng)性優(yōu)點，通過AI 的輔助，提高了診斷結(jié)果的敏感性、準確性。

3 總結(jié)與展望

目前的醫(yī)療行業(yè)中，超聲影像作為無侵入性、無輻射、便捷的檢查方法，在疾病診斷中發(fā)揮著重要的作用。而大多初始醫(yī)學影像數(shù)據(jù)，都需要醫(yī)生進行人工分析，大量的后期分析導致了醫(yī)生資源的浪費，同時這個過程也難免產(chǎn)生醫(yī)生主觀性判斷的錯誤，增加了疾病的誤診、漏診率。將AI 技術(shù)與超聲結(jié)合能夠提高超聲醫(yī)生的工作效率，提高疾病診斷的準確性。因此，如何將人工智能技術(shù)與傳統(tǒng)的超聲檢查技術(shù)相結(jié)合，將是未來研究的熱點問題。