人工智能醫學影像在胸部應用的機遇與挑戰

吳夢香，劉挨師（通訊作者）

（1 內蒙古醫科大學 內蒙古 呼和浩特 010000）

（2 內蒙古醫科大學附屬醫院影像診斷科 內蒙古 呼和浩特 010000）

1 AI概述

人工智能是當今計算機發展的代表性技術，與諸多學科相互交融滲透，是未來各個學科發展極具前景的方向。20 世紀末到21 世紀初，人工智能在醫學領域的應用發展迅速，其中以圖像數據為基礎的醫學影像也是AI 主要應用之一。其中以DL 在病灶檢出、自動分割、影像診斷決策和其他固定場景中的應用最為突出[2]。

1956 年John McCarthy 等在美國達特茅斯大學舉行的人工智能研討會上首先提出“人工智能”的概念。人工智能一般被認為是一門包括計算機學、統計學、數學和腦神經學等在內的交叉學科，它是能模仿人類認知功能并深度學習的計算機系統[3]。AI 能夠感知環境、執行模式識別、計劃一個適當的決策及歸納推理出一個一般性的原則。ML 是對AI 探索的延伸，被廣泛定義為計算機系統通過從大數據中提取一般模式來自主獲取特征并分類的能力，無需設計明確的規則進行編程。目的是找出大數據中隱藏的特征，并將數據分類，最終培養計算機識別模式和支持臨床診斷治療[4]。ANN 是靈活的數學算法模型，以研究人腦連接機制為特點，使用多種算法來識別大數據中的復雜的非線性關系，通過對原始輸入數據進行層層抽象，最終實現對不同模態數據的聚類和分類[5]。ANN 通過學習和訓練實現其智能，其學習、記憶和歸納功能使其在醫學影像領域具有良好的應用前景。DL 包含多個隱藏層，是一組試圖對數據中高級抽象特征進行建模的人工智能算法[6]。DL從原始數據出發，通過深層非線性網絡特征，自動學習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用現狀

2.1 肺結節和肺癌的篩查

AI 算法模型可全自動快速分割胸腔區域，準確定位疑似肺結節或者肺癌的病灶，可以大大減少放射科醫師的工作量。LIU[7]等學者提出的級聯雙路徑網絡（Cascaded Dual-Pathway Residual Network，CDP-ResNet）肺結節分割模型，結合了不同結節的多視圖和多角度特征，結果取得了較好的分割性能，并在對肺結節分割精度上略優于人類專家。計算機輔助檢測和診斷（computer-aided detection/diagnosis，CAD）作為AI 的“雛形”，在協助放射科醫師處理大量圖像數據方面具有獨特優勢，一項CAD 對肺結節檢測效能的研究表明其敏感度為93.8%，特異度為59%[8]，說明CAD 在肺結節篩查中雖然存在一些假陽性結節，但假陰性結節的出現明顯降低。

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價[9]。LI 等學者使用人工智能方法對乳腺X 線影像中的多類病灶進行檢測，包括腫塊、乳腺內淋巴結以及鈣化，結果顯示對乳腺內淋巴結的檢測效果最好，敏感性為83.1%，而鈣化的整體假陽性率非常低，尤其是環形鈣化的假陽性率僅為0.6%。Al-Masni 等研究的乳腺鉬靶攝影通過DL 及CNN 提取病灶影像組學特征，再連接神經網絡預測病灶良惡性，結果表明其判斷乳腺腫塊位置和良惡性的準確性分別為99.7%和97%，且對胸肌附近及腺體致密區域的腫塊檢出更具優勢。

目前MRI 紋理分析技術已經應用于乳腺疾病臨床研究，一項探討磁共振動態對比增強（dynamic contrast enhanced MRI，DCE-MRI）技術直方圖紋理參數在乳腺纖維瘤和浸潤性導管癌鑒別價值的研究發現直方圖紋理特征分析方法對兩者有鑒別價值。有研究通過 MRI 紋理特征分析技術將常規擴散加權成像（DWI）圖像的灰度值轉化為紋理信息，提取多種紋理特征，結果表明DWI 圖像部分紋理特征在乳腺浸潤性導管癌和乳腺纖維腺瘤之間也有鑒別診斷價值，進一步提高了MRI 乳腺癌的診斷準確率。

3 AI在胸部影像的機遇

3.1 AI 肺結節、肺癌機遇

國家癌癥中心發布的2018 年全國癌癥統計數據顯示肺癌發病率仍居榜首。肺癌發生早期無明顯臨床癥狀，不易被發現，因此常規胸部CT 體檢成為肺癌二級預防的首選檢查手段，而且胸部CT 已經逐漸成為常規體檢項目。肺CT 分辨率提高一方面有利于早期肺癌的發現和確診，另一方面也檢出更多的肺結節，增加了放射科醫師的工作量。深度學習和機器學習的人工智能最先在肺結節和肺癌影像圖像的識別、病變性質分析以及影像診斷方面應用。AI 在此方面的價值在于把影像診斷醫師從機械簡單的工作中解脫出來從而投入到疑難復雜的影像診斷和其他工作中以優化時間及醫師資源分配。同時肺結節高檢出率、肺癌高發病率為胸部人工智能技術提供數據支撐，好比是人工智能軟件的“能量石”。

3.2 AI 乳腺癌機遇

研究發現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 線攝影對微鈣化灶的檢出率較高，但對腫塊的檢出率受腺體致密程度的影響較大。然而對于人眼不易分辨的病灶，計算機結合DL 和CNN 可能具有比較好的分辨力。未來AI 可能在致密型乳腺內病灶檢出方面更具優勢。其次，我國女性以致密型乳腺為主，因此有必要建立符合我國女性標準的乳腺鉬靶數據庫，訓練適合致密型乳腺鉬靶AI 檢測與診斷系統?；蚣斑z傳因素也是乳腺癌的致病因素之一。乳腺癌影像組學基于機器學習及深度學習技術深度挖掘影像組學的特征，定量分析醫學影像圖像內隱形的分子與基因變化，為解決腫瘤異質性提供了思路，為乳腺癌靶向治療提供依據。

4 AI在胸部影像的挑戰

目前多數研究集中于檢測AI 模型對肺結節和肺癌的檢出率、診斷的準確性以及與不同級別放射科醫師的診斷一致性。研究證明，一些模型的篩查結果從統計學上要優于經驗豐富的影像科醫師；有研究顯示CNN 模型對良惡性肺結節分類的準確率達89.93%。但一組完整的胸部CT 圖像不僅僅是肺結節或者肺癌單一病種，在胸部CT 影像報告中需要全面、細致地觀察并描述所有的異常影像表現，目前尚無研究多病種的AI 模型。隨著當前肺癌檢出率升高，復查率也增加，放射科醫師需要對比兩次或者更多次的胸部圖像以動態觀察肺結節和肺癌發展情況及治療效果，增加了放射科醫師的工作量。另外測量病變大小時存在很大人為誤差，迫切需要穩定的、可重復性強的、對比速度快的人工智能系統，但目前在肺結節和肺癌先后影像對比方面尚未有開發的AI 模型。

當前乳腺癌人工智能研究多數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師診斷一致性有待進一步研究。隨著技術和算法的不斷完善，在病變良惡性鑒別診斷、乳腺癌術前分期、新輔助化療效果評估及復發轉移風險預測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。相信隨著醫學算法的完善和數據訓練，AI將為更多的乳腺癌患者帶來福音。

5 結語和展望

目前，多學科對疾病的認識已經從大體發展到分子病理乃至基因水平，影像科醫師無法用肉眼從圖像中挖掘疾病的分子基礎，諸多因素使得AI 應用于醫學影像不同器官和系統成為可能。目前AI 醫學影像在其他例如中樞神經系統、腹部和骨關節系統逐漸研究應用。未來，AI 醫學影像的發展要牢牢把握各系統和各器官的特殊性，尋找適合學科發展和研究的方向，促進人工智能影像醫學時代到來。