人工智能在醫療應用中的新進展

李 艷 楊國慶 雙嬌月

1.川北醫學院影像醫學與核醫學系，四川南充 637000；2.遂寧市中心醫院放射科，四川遂寧 629000

1956 年，美國科學家約翰·麥卡錫在達特茅斯(Dartmouth)大學第一次提出人工智能(AI)的概念[1]，標志著AI 時代的到來。AI 即在計算機科學、語言學、哲學、控制論等多學科研究基礎上發展起來的一門新興學科，在各個領域都被廣泛應用[2]。其中，醫學事業與人類息息相關，但面對急速增長的人口，各國醫療衛生環境相當嚴峻，醫生數量不足且水平參差不齊、醫療資源分布欠均等問題愈發嚴重，AI 有望解決這一系列的問題，同時也能為未來精準醫療打下堅實的基礎。由于AI 在影像、外科、病理中的應用較為廣泛，本文主要就AI 在這三個方面的最新進展進行綜述。

1 AI 相關概念

機器學習是AI 的子集，能夠憑借經驗學習識別和預測新數據[3]，深度學習是當前最具應用前景的機器學習算法，是AI 最重要的分支，可以依靠現有的海量數據自動提取深層特征，實現自主學習，然后獨立地分析圖像并得出診斷。卷積神經網絡(CNN)是一種特殊的深度神經網絡，由卷積層、池化層、全連接層構成，每一層的特征都由上一層的局部區域通過共享權值的卷積核激勵生成[4]。Goodfellow 提出的生成對抗網絡模型(GAN)同CNN 一樣都是深度學習的一種學習模型，它要同時訓練一個生成網絡G 和一個判別網絡D[5-6]，兩者通過不斷地學習來分別提升自己的判別能力和偽裝能力，構成一個動態的對抗過程，并在此過程中不斷優化。

2 AI+醫療

2.1 AI+影像

影像科是典型的大數據中心，圖像類型多種多樣，包括X 線、CT、MRI、US 等，隨著檢查方式的精細化水平不斷提高，產生的影像數據也不斷增多，由于人類視覺系統的注意廣度有限，各種醫學圖像中的小病灶可能被忽略，導致影像醫生的診斷不可避免地存在漏診、誤診等問題，這也促成了AI 輔助影像的迅速發展。目前，AI 基于影像的應用主要體現在疾病診斷、評估治療方案及規避檢查副作用等方面。

2.1.1 疾病診斷 疾病診斷主要包括病灶的定量及定性診斷。常見的急診病例如顱內出血與高死亡率和功能性殘疾相關[7]，出血量是判斷患者是否需行手術治療的指征[8]，也是患者30 d 生存率的最重要預測指標[9]，精確并穩定地計算腦血腫體積，有助于臨床醫師更好地把握病情。手動逐層分割是由影像專家對每張切片進行手動勾畫病灶區域，被認為是最接近真實值的表現[10-11]，但操作耗時且專業知識要求較高。Ironside 等[12-13]使用深度學習方法分別開發了基于CT 圖像的顱內出血和血腫周圍水腫體積分析的全自動分割算法，當對照手動分割方法測試時，全自動分割算法的血腫和血腫周圍水腫平均體積Dice 相似性系數分別為0.894和0.838，能夠客觀、準確地量化病灶。Kim 等[14]建立了基于病灶大小的logistic 模型和深度學習模型，結果顯示，深度學習模型的總體性能優于logistic 模型，在90%同樣高的靈敏度下AI 模型的特異度(88.2%)高于logistic 模型(52.9%)，評價深度學習模型在區分CT 圖像上浸潤性肺腺癌和良性結節中的作用，有助于指導肺部結節術前的切除策略。

2.1.2 評估治療方案 AI 對圖像的高靈敏度有助于評估患者的治療方案。腹主動脈瘤是一種危及生命的疾病[15-16]，目前唯一的治療方法是開放性或腔內修復[17-18]。治療的決定依賴于腹主動脈瘤生長和破裂風險的評估，這在實踐中很難評估。Lareyre 等[19]在一組40 例CTA圖像上進行測試，提出了一種全自動的檢測主動脈腔和腹主動脈瘤特征的軟件，包括血栓和鈣化的存在。結果顯示，與人類專家手工分割的結果有很好的相關性，每個患者的計算時間＜1 min。局部進展期直腸癌患者手術后，20%～25%的患者出現病理完全緩解，基于局部進展期直腸癌患者MR 圖像紋理特征的AI 模型可以幫助識別在治療結束時不會對治療產生反應的患者[20]，避免了無效治療。

2.1.3 規避副作用 基于釓的磁共振造影劑與腎源性系統性纖維化有關，腎源性系統性纖維化是一種嚴重、衰弱、有時危及生命的疾病。Gong 等[21]實現了一種基于CNN 的深度學習模型，能夠以比通常使用的釓劑量低10 倍的劑量獲取診斷質量圖像。此外，Lee 等[22]還證明可以在不進行實際掃描的情況下生成所需模式的圖像，例如從CT 數據創建MRI 圖像，這對于輻射預防是有益的。實驗采用280 對腰椎CT 和MRT2圖像，用GANs 從脊柱CT 合成MR 圖像。每張圖像的平均絕對誤差約21.19 像素，峰值信噪比約64.92 db，這是首次應用GANs 從CT 圖像合成脊柱MR 圖像。基于GANs 的醫學圖像合成是AI 在醫學成像中應用的一種新范式，有助于提高各類圖像的診斷價值并有效防止輻射。

2.2 AI+外科

2.2.1 手術注釋 AI 技術可以在醫學圖像和外科手術之間架起一座橋梁。手術是治療各類惡性疾病的主要方法，在手術過程中，在外科醫生的監視器上自動定位和突出重要的解剖結構，如輸尿管或主要血管，有助于提高手術的安全性，目前主要問題是缺乏訓練所需的注釋數據。Madad 等[23]提供了一個腹腔鏡婦科圖像的數據集SurgAI，共有461 個腹腔鏡圖像，以手工標注為參考，訓練的人工神經網絡對子宮、卵巢和手術器械的檢測準確率分別為97%、24%和86%，有助于外科醫生對手術結構的定位。AI 還可以從視頻中自動識別手術步驟，兩名專業外科醫生對腹腔鏡袖狀胃切除術視頻進行步驟注釋，采用深度神經網絡對88 例視頻進行分析并與外科醫生的注釋進行比較，準確率為85.6%[24]，提示手術視頻可以作為臨床中的病例分析或技術改進的數據源。

2.2.2 手術機器人 由于外科手術操作過程復雜且耗時長，對醫生的體力和耐心都是巨大的挑戰，當前有多種新型手術機器人正在研發中，以實現全景視野、遠程操作等。并且隨著5G 時代的到來，遠程手術必將成為未來的發展趨勢。其中，美國公司研發的達芬奇手術系統具有最廣泛的應用，外科醫生可以在互聯網和屏幕的協助下，通過三維視覺系統實時了解患者狀況，使用機械臂遠程操作手術[25]，消除因距離而導致的醫療水平隔閡，為實現遠程醫療進一步奠定基礎。Bolcal 等[26]報道了一例使用達芬奇手術系統成功經左室完全切除血栓的案例，通過手術區域的三維和10 倍放大視圖更好地顯示臟器，有效避免了相關的并發癥。

2.3 AI+病理

2.3.1 判斷病灶浸潤深度 由于個性化醫學的出現，病理學家的工作量和復雜性明顯增加，對于癌癥患者，腫瘤浸潤深度是影響患者治療選擇的關鍵因素。然而，人工判斷入侵深度具有主觀性，容易引起誤差。Nakagawa 等[27]開發了一種深度學習系統來評估淺表食管鱗癌，以804 例經病理證實的食管淺表鱗癌圖像作為訓練數據集，選取155 例患者的圖像作為驗證集。本系統對病理性黏膜下微浸潤(SM1)癌和黏膜下深部浸潤(SM2/3)癌的鑒別診斷靈敏度為90.1%，特異度為95.8%，陽性預測值為99.2%，陰性預測值為63.9%，準確率為91.0%。除陰性預測值外，其余指標均高于16 位經驗豐富的內鏡醫師。Tokai 等[28]以超過兩倍的數據量也證明了AI 在診斷食管淺表鱗癌的浸潤深度方面的良好性能，模型準確率高于內鏡，可用于食管鱗癌的診斷。

2.3.2 風險評估 近年來，在AI 協助下開發的風險評估模型有助于改善疾病的篩查，使已知高危人群的健康資源得到優化。Kurita 等[29]回顧性分析了85 例接受胰腺囊液分析的手術或穿刺標本，利用深度學習構造一種診斷算法。輸入CEA、CA19-9、性別、囊腫位置等因素，計算其惡性預測值。對于惡性囊性病變，AI 的靈敏度、特異度和準確率分別為95.7%、91.9%和92.9%，有利于良惡性病變的鑒別。癌癥亞型的診斷標準化可以更好地干預癌癥進展，延長患者生存期。Saillard 等[30]建立預測肝癌手術切除患者生存的AI 模型，并劃分為“低風險”和“高風險”的區域，高死亡風險的預測包括細胞異型性、血管間隙和大小梁結構模式。

3 小結與展望

3.1 小結

AI 技術以其高度的靈敏度及準確率可以在人類不可能達到的水平上，對現代醫療環境中產生的大量臨床數據進行快速而詳細的分析，不僅可以區分患者疾病的輕、重、緩、急，還能全方位地定性病灶并給出準確完整的治療方案，允許更精確的干預。AI 的發展推動了醫學事業的進步，但現階段的AI 尚處于萌芽時期，各大醫院間信息共享程度低，影像質量和標準不統一，高質量的數據較難獲取，而現有的在線公共數據集還遠不能滿足訓練所需，以致多樣性差，測試集相對單一。再者，醫療工作不僅涉及專業的醫療技術，也需要結合一系列復雜的細節觀察，更包含著人與人之間的情感交流，而單靠閱讀文獻得出的醫療方案不足以讓人信服。因此，AI 在醫療領域將始終以提高醫療效率和準確性輔助工具的形式存在，是人類醫生的得力助手，能夠增強醫生診斷的信心。

3.2 展望

推動未來AI 發展的關鍵是醫學與AI 復合型人才，改善臨床醫生、科學家和工程師之間的團隊合作是未來努力的方向，經濟和體制支持將是發展此類項目的一個重要保障。如何提高數據的使用效率，鼓勵醫工結合共同投入AI 的研究，開發成本低、可靠性高的AI 系統迫在眉睫，另外期待國家出臺更多的激勵措施，理清醫療大數據資源的所有權和具體使用方法，讓寶貴的數據資源不再閑置浪費。