机器学习在放射学中的应用及其未来影响

机器学习在放射学中的应用及其将来影响Abstract：机器学习技术的最新进展和将来前景在医学成像中提供了有前途的应用。机器学习含有改善放射工作流中各个环节效果的潜力，涉及订单调度和分诊、临床决策支持系统、成果及其解释、后解决和剂量估算、检查质量控制、放射学报告。在本文中，作者回想了机器学习和人工智能技术在诊疗放射学中的应用实例。另外，针对这些技术在放射学中的将来影响和自然延伸进行了讨论。1、机器学习的最新进展为涉及医学影像学在内的工业和应用提供了但愿。在数据科学的创新中，机器学习是一类使计算机能够像人类同样学习和提取或分类模式的技术和研究，机器能够进一步分析更多的数据集，并从人类可能无法做到的数据中提取特性。机器学习近来的研究和发展方向是，在现在和将来将其用于诊疗成像。在这篇综述中，首先介绍机器学习的“广义”和“狭义”定义，然后介绍如何将机器学习应用于成像解释并使其得到发展。第二，我们将提供机器学习在诊疗放射学中的应用实例。第三，我们将讨论机器学习技术在临床应用中的重要障碍和挑战。最后，我们将讨论机器学习在放射学和除了放射学以外的其它医学领域中将来的发展方向。2、（1）机器学习的定义：机器学习是一种使电脑含有学习能力却又不依赖于直接的编码规则的数据科学办法。机器学习能够创立能够进行学习和预测的算法。与基于规则的算法相比，机器学习运用了对大数据集和新数据集的增加的曝光，并含有根据经验进行改善和学习的能力。（2）机器学习方略：根据任务的不同，机器学习普通分为三大类：监督、无监督和强化学习。3、在监督学习过程中，需要将数据标签提供应训练集（在训练过程中有监督），预期输出普通先由使用者提供数据标签，作为算法的真实答案（类似金原则）。算法的目的普通是使机器学习将输入映射到输出的普通规则（即让机器学会传递函数）。算法的目的普通是学习将输入映射到输出的普通规则。在机器学习中，地面真理指的是假定为真的数据。在无监督学习中，不给学习算法提供数据标签。机器学习任务的目的是在数据中找到隐藏的构造，并将数据分离成簇或组。在强化学习中，计算机程序在动态环境中执行特定任务，与此同时，计算机接受正和负强化（如与对手玩游戏）的反馈。强化学习是指，在没有明确的规则指导下，机器通过本身与环境的交互成果进行自我学习和提高。监督和unsupervisedexamplesof学习技术是提供在图2。机器学习范式能够使用合成的监督和unsupervised办法与增强反馈环。有监督和无监督学习技术的实例如图2所示。一种机器学习模式也能够同时使用有监督反馈和无监督办法的与增强反馈回路的组合。（）人工神经网络4、人工神经网络是机器学习中的重要应用，是一种统计和数学的办法。该网络是在生物神经系统解决大量信息的方式的基础上发展起来的，网络中有大量高度互连的解决元件，称为互连解决元件，称为神经元、结点或细胞。一种人工神经网络的构造涉及：一种输入层，一种或者多个“隐层”，以及一种输出层。每一种隐层由一套神经元构成，其中的每一种神经元都与前一层的全部神经元相连接。每个连接用加权值来量化。为了使网络产生对的的输出（例如，对图像的检测成果进行对的的检测和分类），需要通过输入训练集对网络进行训练，给每一种神经元之间的连接一种恰当的权重。人工神经网络中的学习能够是监督的、部分监督的或者完全无监督的。深度学习和卷积神经网络5、深度学习（也称为深度构造化学习、分层学习或深度机器学习）是人工神经网络算法的一种子集，它包含不止一种隐层（普通更多，因此是“深”）。换言之，深度学习算法是基于一种试图在数据中提取更高级抽象的特性进行学习的算法。机器学习的一种典型应用是图像目的记别。可在网上获得含有深度学习的目的记别的例子以及神经网络中的不同层次的分析细节。6、深度学习模型能够被归类为典型的（或正常的）网络，其采用向量形式（一维）输入（例如：非构造化输入）或卷积神经网络（CNNS），其采用二维或三维形状输入（即构造化输入）。考虑到图像中相邻像素或体素之间的构造信息，CNNs医学图像分析中得到了极大的关注（成为研究热点），特别是对图像的特性提取。7、卷积是一种在信号或滤波信号中寻找模式的数学运算。卷积神经网络由一种输入、输出层和多个隐层构成，这些隐层（卷积）对输入进行滤波从而获得有用的信息。卷积神经网络的隐层普通由卷积层、池化层、完全连接层和归一化层构成。8、CNNs的重要参加者是卷积层，它由被称为核的过滤元件构成。池化层（或降采样）用于减少空间维度，进而改善计算性能，同时也减少了过分匹配的机会。CNNs（图4）是现在医学成像中最惯用的机器学习技术。迁移学习9、迁移学习是一种把解决先前任务获取的知识，应用于新的、不同但是有关任务中的机器学习办法。迁移学习使得我们能够将已经存在的标注数据用于一种新的有关任务。例如：在ImageNet网站中（HTTP://www-IMA-NET.ORG），一种预先训练来进行非医学图像的分类和识别的CNN，已被用于CT扫描成果中对肺肿瘤的特性提取和病人的生存预测。ImageNet是一种大型图像数据库，库中的图像已通过手工标注图像中的对象。ImageNet大规模视觉识别挑战赛是一种年度的竞赛，该比赛中各类软件通过对的识别和分辨图像中目的的办法进行竞争。非医学图像分析得到的知识被迁移用于医学图像的分析。迁移学习为机器学习在不同领域的快速发展发明了良好的契机。机器学习数据集10、普通状况下，机器学习的应用需要采用一种训练-测试系统。抱负条件下，需要训练、测试和验证三个数据集。其中，训练数据集用于拟合模型。在训练过程中，算法通过样例进行学习。验证集采用单独的数据评定进行模型拟合的评定和模型参数的调节。大多数培训办法倾向于过分训练数据，意味着能够找到适合训练数据集的的模型，但是通用性不好。因此，通过执行训练和验证的持续迭代来优化算法并避免过拟合。在测试集中，在最初机器学习算法建模完毕之后，最后模型能够应用于独立的测试数据集，以评定算法的性能、精确性和通用性。用于深度神经网络机器学习的开放源代码工具11、在掌握了适宜的基础知识后，能够采用相对简朴的低成本软件来进行机器学习。现在又许多能够进行深度学习的开源工具。机器学习在独立软件开发人员、数据科学家和公司实体中变得流行，如谷歌将机器学习技术民主化。为什么是现在？计算能力和数据的收敛性12、基于大规模并行并行解决芯片架构的重要图形解决单元，与并行计算办法（历史上可用于图形渲染和游戏）相结合，使人工神经网络的性能大幅度提高，使真正的深度学习成为可能。另外，公司积累了涉及医学图像在内的大量数字数据，数字化已经发展几十年。并且，尚有许多可用于机器学习的开源的算法，如CAFE、TRAP和TUNSOFLUM（见表1）。并且有大量的训练数据能够使用，例如generalizedImageNet。为什么机器学习很强大13、从根本上说，机器学习是强大的，由于它不是“易碎的”。一种基于规则的办法暴露于现实世界时可能会被打破，由于真实世界经常会出现某些程序员使用的规则所定义算法中未包含的示例。运用机器学习，系统能够基于它的训练集简朴地使用统计来逼近响应最多的成果，这意味着它是灵活的。另外，机器学习是一种强大的工具，由于它是通用的，用于自驾车汽车的办法和用于医学影像判读是相似的。机器学习的通用性使其能够在涉及医学在内的不同领域快速扩展。机器学习与人工智能13、与机器学习相比，人工智能（或机器智能）能够通过计算机执行更广泛的人工智能，如问题解决，规划，知识表达，语言解决，或“学习”。因此，机器学习是人工智能的一种。例如，基于规则的算法，如计算机辅助诊疗就是一种人工智能，它在乳腺摄影中已经使用了几年，但其并不是机器学习的一种类型。然而，计算机辅助诊疗包含很广泛，能够将机器学习也纳入其中。根据定义来看，机器学习算法是通过经验而非规则来自动改善。机器学习在越来越多的例子中得到应用，事实上，现在有许多人工智能的应用都用到了机器学习。机器学习在诊疗影像学中的应用14、即使大多数文献都集中研究机器学习在检测放射学成果中的作用，但机器学习也有可能改善放射学工作流中的不同环节（表2），以下章节所述。病人登记和筛选15、机器学习技术增进智能调度能够优化患者的排班并减少患者的由于不参加医疗和放射学预约而错过护理可能性。EfrenFlores博士在马萨诸塞州总医院（波士顿，Mulk）领导的一种项目是使用机器学习和预测分析来识别那些由于未能如约参加放射治疗的高危患者。该小组正在开发个性化的解决方案，以减少错过护理的机会。16、另外，有研究提出将机器学习应用于病人安全检查（17）或加强安全报告（18），这在放射学实践中有潜在的应用价值（例如，MRI安全检查或对比剂的管理）。图像获取17、机器学习能够使图像系统智能化。基于机器学习的数据解决办法含有能够减少成像时间的潜力。尚有，智能成像系统能够减少不必须的图像、改善位置、同时协助优化成果的特性。例如，一种智能MR成像系统能够识别病变，并建议修改检查的序列，从而优化成果中的病变特性。成果的自动检测18、机器学习能够很快地在放射医学影像领域的成果自动检测中产生反响。例如，有研究证明了能够将机器学习应用于类似肺结节和甲状腺结节等偶然的成果提取。进一步的研究证明，机器学习可被用于检测某些核心性的成果，如气胸（图6）、骨折、器官裂伤和中风。19、机器学习算法被用于计算机辅助检测和计算机辅助诊疗已有几十年。在乳腺X线摄影中，计算机辅助诊疗已经显示出其有效性。但矛盾的是，计算机辅助诊疗可能会被某些乳腺癌患者无视，限制其临床应效益。20、乳腺癌筛查是最有望将机器学习纳入放射学实践的第一种领域。多项研究成果已经表明其诊疗价值，机器学习技术在不同乳房成像中得到应用，涉及：乳腺X线摄影、美国、MRI、断层合成。21、人们对于机器学习在肺结节的检测、分类和管理中的作用越来越感爱好。例如，肺结节分类的深度学习系统是在经验丰富的人类观察者之间的差别中进行的。机器学习算法也有助于减少检测肺结节的假阳性成果（20）。近来的Kakle数据科学碗看到将近10000名参加者争夺100万美元的奖金；竞争者通过识别可能在1年内被诊疗为肺癌的候选者来获得高水平的体现()。一项后续挑战已经被提出，目的是将这些模型引入经验丰富的人类观察者的临床观察差别()。22、骨龄分析和基于医学成像的解剖年纪的自动拟定对于儿科放射学和内分泌学含有相称大的实用价值。Synho博士和他的同事们创立了一种算法，根据输入的儿科患者的手部照片精确地描述骨龄。23、机器学习的其它潜在应用场景涉及：线检测（43）、MRI中的前列腺癌检测（44～46）、冠状动脉钙化分数的测定（47）、或脑损伤的检测和分割。检查成果的自动解释24、对医学成像（正常或异常）检测成果的解释需要高水平的专家知识，经验以及基于每一种临床状况下的临床判断。一种简朴的例子是腹腔内游离空气，对于术后患者这可能是一种正常的发现，但对于一种近来没有手术的病人则是核心的发现。对于机器来说，作为独立的图像解释器，需要广泛获取数据导出的知识。基于解释的系统已经得到开发，用于发现危及生命的异常的图像（如颅内出血），即使该系统是用于优先研究一种工作清单，而不是通过最后的阅读进行研究。25、某些研究成果表明，机器学习能够改善对检查成果的解释，从而辅助放射科医生工作。基于机器学习的乳腺MR图像特性提取能够改善对检查成果的解释，进而改善对乳腺癌的诊疗。基于肺结节的影像学特性（如轮廓、纹理、边沿等语义特性）的机器学习办法，能够提高肺癌结节的预测和诊疗的精确性。自动临床决策支持和检查合同26、机器学习技术能够进一步增强放射学决策支持工具。研究表明，即使在复杂和不拟定的环境中，人工智能仿真框架也能做出近似最优的人类决策。智能临床决策支持系统能够提高护理质量和成像效率，并减少检查草案中的不良事件或错误的可能性。后解决：图像分割、登记和量化27、随着更多的成像数据变得可用，在机器学习协助下，医学成像已经在图像的后解决方面获得了相称大的进展，如图像配准、分割和量化。智能医学成像范式是数据驱动的，并倾向于从医学图像中学习有用的临床信息。从医学图像提取有关临床数据需要精确的图像配准和分割。某些研究已经将机器学习的办法应用于图像分割，例如在乳房X光摄影（56）、身体器官（35）、或关节和肌肉骨骼组织的MR图像中对乳房密度进行分割。28、机器学习也能够用于模态间的图像合成，例如，能够使用从对应的MR图像中生成的对抗网络来预计CT图像。对抗生成网络是使用两个互相竞争的神经网络模:产生噪声数据的噪声发生器模型和分辨真实数据和噪声的鉴别器模型。在训练过程中，鉴别器模型学习更加好地分辨噪声数据与真实数据。与其它神经网络相比，对抗生成网络在图像生成任务中体现出优秀的性能。29、图像配准普通用于多模态覆盖，如PET/CT配准和图像的比较或减影。深度学习能够在耗时的手动轮廓和图像配准中发挥相称大的作用，并且可能遭受内部或内部差别的影响。有研究无监督深度学习在脑MR图像变形配准中的应用。30、机器学习可用于横截面成像中三维构造的定量评定。Wang等人使用基于美国有线电视新闻网的算法精确地分割CT图像上的脂肪组织体积。脑MRI解剖分割也已通过使用深度学习算法来划定和定量评定脑构造和病变。图像定量分析31、受过训练的观察者（例如，有经验的放射科医师）被认为是基于任务的医学图像质量评价的参考原则。然而，评价大量的图片需要耗费医生很长的一段时间。为理解决这个问题，机器学习（也被称为模型的数值观察员观察员）已发展成为一种用于图像的质量评定人类观察者的替代品。模型观察器可应用于低剂量CT迭代重建的参数优化和图像质量评价。32、研究者已经尝试使用深度学习进行自动图像质量的评价。例如，肝脏MRI图像的质量自动评定已经得到实现。33、近来的研究表明，神经网络算法可应用于从低剂量的CT图像降噪。训练对抗网络能够改善卷积神经网络的产生与常规剂量CT图像质量相似的图像的能力。自动放射剂量预计34、机器学习可用于CT数据集的器官特异性分类和器官辐射剂量估算。近来的一项研究显示，采用卷积神经网络分类器对CT数据中器官和特定器官的辐射剂量进行分类，精确率超出高于96%。运用神经网络进行自动辐射剂量估算在放射肿瘤学领域已经得到了更多的应用，它在诊疗放射学中也含有类似的应用潜力。例如，一种用于MRI的前列腺癌放射治疗计划中机器学习的框架显示，风险器官受到辐射的剂量减少，同时癌变组织受到辐射剂量的增加。放射学报告与分析35、机器学习技术在自然语言解决中得到了广泛的应用。运用自然语言解决从自由文本放射学报告中提取数据有助于质量确保和性能监测，以及临床决策支持的大规模测试。自然语言解决器能够从叙述性的放射学报告中提取影像学体现和器官测量值，并对提取的测量值进行分类。这可觉得解决医疗数据的其它机器学习应用程序提供放射输入数据。机器学习技术还可用于从放射学报告中提取术语，以提高质量和分析。机器学习和自然语言解决算法能够协助跟踪放射科医师的建议，并减少后续建议通信中断的可能性。自动数据集成和分析36、在电子病历中，存在来自多个数据源的异构数据池（称为多视图数据）。不同来源的数据吞吐量很高，涉及病史和进展统计，实验室成果，病理报告和图像，放射学报告和图像，基因组学以及医疗统计系统的安全报告。这些数据的可用性为数据挖掘提供了前所未有的机会，但也带来了异构数据源集成的挑战（例如，成像数据与文本数据）。能够将多个机器学习技术（例如核办法，矩阵分解模型和基于网络的融合办法）应用于数据集成和分析。重要的障碍和挑战37、收集高质量的地面实况数据、开发可推广和诊疗精确的技术以及工作流的集成是在放射学实践中采用机器学习所面临的重要挑战。机器学习性能：普通但不总是需要大数据集38、谷歌的PeterNorvig（anAmericancomputerscientist）证明，大量数据能够克服机器学习算法的局限性。窄范畴机器学习算法可能不需要大量训练数据，但可能需要高质量的地面实况训练数据。在医学成像分析中，与其它类型的机器学习同样，所需的数据量在很大程度上取决于要执行的任务。例如，分段任务可能只需要一小组数据。另首先，性能分类任务（例如，将肝脏病变分类为恶性与良性）可能需要更多标签示例，这也可能在很大程度上取决于要分辨的分类器的数量。39、源数据中的混淆元素可能造成机器学习算法的失败。由于神经网络缺少大量特定特性，因此罕见的发现或特性也可能是其弱点，因此容易出现不精确的状况。40、方差和偏差是可能造成机器学习算法性能差的问题。偏差是算法中的错误假设，这可能造成错过关联（欠拟合）。高方差能够使算法过分地学习数据并开始拟合随机噪声（过分拟合）。最优模型不仅精确地表达训练数据，并且能够推广到看不见的数据。过分拟合的算法对训练数据的微小变化反映过分。因此，该算法在训练数据上体现良好，而在新数据上体现不佳。过分拟合是机器学习中的重要挑战，特别是当模型过于复杂时。地面实况注释41、广泛的地面真理注释往往需要对机器学习算法进行适宜的训练。多个技术公司和学术研究项目依靠训练有素的放射科医师在放射学报告和图像上的注释，这被认为是真理（金原则）。需要大量的劳动力成本、时间和资源来合理的实施这些项目。另外，验证过程必须是高度鲁棒性的，否则，该算法可能会被过分拟合到特定的数据子子集。定义原则42、合理地开发人工智能工具需要定义原则化用例和注释工具。这些使用案例需要与临床实践、医学成像中人工智能方面的法律、法规以及道德问题保持一致。美国放射学数据科学研究所的临床专家组与其它医学专业学会一起，正在定义这些原则化用例。().43、另外，原则办法能够使图像注释在不同的信息技术系统以及数据通信和交换的软件应用程序之间得到交互操作。美国国家癌症研究所的注释和图像标记模型为图像和图像特性的注释提供了一种可能的原则办法。监管和工作流程整合44、基于机器学习的算法现在尚未较好地集成到图像存档和通信系统工作站中。许多系统包含并需要单独的工作站或网络节点来发送图像方便进行分析。在放射信息学价值链的生态系统中，需要做更多的工作来更加好地结合新颖的机器学习技术。可能需要为机器学习算法与现有系统的互操作性设立原则。供应商和研究人员都必须致力于创立平台，方便不停学习和升级机器学习算法。需要通过接触更多数据，根据模型中的可能变化不停更新机器学习算法。45、将机器学习整合到临床环境中的重要一步是获得美国食品和药品管理局（FDA）的同意。在临床使用机器学习应用程序之前，应向FDA提交有关算法开发和临床验证的特定信息。临床验证研究应当与人类专家达成充足的一致性。FDA在管理该软件方面面临挑战，其现在正在为机器学习应用开发适宜的监管途径。例如，一种机器学习算法被设计用于找到人眼无法观察的数据中的关联，人类专家验证对于该算法含有挑战性，。另一种例子是继续在顾客手中学习并且随着时间的推移体现更加好的算法。这含有挑战性，由于FDA需要确保算法的性能将持续改善并且不会下降。FDA可能需要针对像“黑匣子”这样只提供临床建议或软件的应用采用不同的监管办法，这是医疗保健专业人员能够独立审查建议的基础。解读人工智能的黑匣子46、就其本质而言，机器学习开发了无法用简朴的术语来解释的复杂高维功效。在识别潜在因素和逻辑很重要的领域（例如医疗保健）中被接受使得机器学习的可解释性成为重要挑战之一。现在，当学习无人监督时，解构机器决策因素的可见性有限。国防高级研究计划局正在进行诸如解释人工智能计划之类的工作，方便能够更加好地理解基于人工智能和机器学习的算法是如何得出其结论。()。47、视觉明显性是一种能够感知的质量，这使某些物品能够从邻居中脱颖而出并立刻引发我们的注意。视觉明显性图能够突出图像中的区域，这些区域已经吸引了人类观察者的注意力以执行分类任务。明显性图可觉得机器学习模型提供“可解释性”并提高检测成果的精确性。放射科医生的工作视角和法医学问题48、需要监控用于临床诊疗和决策的机器学习系统的性能。医生将获得医疗诊疗和治疗的全部权交给患者。在出现医疗错误的状况下，机器学习系统的制造商和开发人员可能不负责任，由于根据定义，计算机正在以开发人员不懂得的方式基于数据集学习和重新学习。机器学习软件提供的临床建议可能需要由专业的医疗保健人员进行审查，他们可能会也可能不会同意该软件提供的建议。更加好的是，应当向医疗保健专业人员提供这些建议的基础，并进行审查。在可预见的将来，机器学习不会取代放射科医师。相反，这些技术有望协助放射科医师，增强放射工作流程，并提高放射科医师的诊疗精确性。机器学习系统能够协助识别呢些普通能够规避人眼的模式和关联。现在，许多人工智能系统正在开发相称明显的任务，这些任务对人类来说几乎没有挑战。如果集中考虑放射科医生所面临的挑战，人工智能系统能够增加更多价值。医学放射学与医学放射学的将来发展方向49、大量电子病历数据的可用性允许创立跨学科数据池。机器学习从这些大数据中提取知识，并产生可用于个体成果预测分析和临床决策的输出。这可觉得个性化医学（或精确医学）开辟道路，其中基因、环境和每个人生活方式因素等个体差别都被用来考虑疾病防止，治疗和预后。跨学科合作与精确医学50、机器学习模型在过去几年中得到快速发展。

谷歌近来展示了一种多