关于AI与医学影像诊断碰撞后的机遇与挑战综述

关于AI与医学影像诊断碰撞后的机遇与挑战综述摘要：近年来随着人工智能（ArtificialIntelligence，AI）迅猛发展，其在医学影像学的研究和应用受到越来越多的关注，与传统的医学影像诊断相比，人工智能采用深度学习在诊断方面拥有突出优点，其能够辅助医师诊断，有效减少人工诊断的误诊、漏诊，提高了诊断的效率。但是目前AI医学影像诊断人处于起步阶段，仍有数据链不全、图像质量不高、公开数据过少等问题叩待解决，本文就AI医学影像结合现状浅谈AI与医学影像诊断的机遇与挑战。关键词：人工智能；医学影像；大数据；深度学习中图分类号：文献标识码：文章编号：ReviewofopportunitiesandchallengesafterthecollisionbetweenAIandmedicalimagingdiagnosisAbstract:inrecentyears,withthedevelopmentofartificialintelligence(AI),thedevelopmentofartificialintelligence(AI)isbecomingmoreandmoreimportantWiththerapiddevelopmentofAI,moreandmoreattentionhasbeenpaidtotheresearchandapplicationofAIinmedicalimaging.Comparedwiththetraditionalmedicalimagingdiagnosis,AIhasoutstandingadvantagesindiagnosis,whichcanassistdoctorsindiagnosis,effectivelyreducethemisdiagnosisandmisseddiagnosisofartificialdiagnosis,andimprovetheefficiencyofdiagnosis.However,atpresent,AImedicalimagingdiagnosticianisstillinitsinfancy,andtherearestillsomeproblemstobesolved,suchasincompletedatalink,lowimagequality,andtoofewpublicdata.ThispaperdiscussestheopportunitiesandchallengesofAIandmedicalimagingdiagnosisbasedonthecurrentsituationofAImedicalimagingcombination.Keywords:artificialintelligence;medicalimaging;bigdata;deeplearning前言：人工智能(Artificialintelligence，AI)是通过计算机来模拟人类思维过程的一门学科，随着人工智能的发展，现已发展成为一门涉及计算机科学、医学、视觉感知、语音文字识别等多学科交叉的新兴前沿学科。与此同时，随着现今计算机算法的优化、算力的提升和大数据科学的革新和进步，医疗AI产业在全球范围内得到迅速发展。尤其，近年来，随着机器学习、深度学习、卷积神经网络、自然语言处理等前沿技术的快速发展，使得AI在医学影像诊断方面的发展和推广得到越来越多的关注。1.传统人工医学影像诊断的缺点据了解，目前大多数医学影像数据都要依靠医学影像医师进行诊断分析，而人工分析往往导致误诊率高等问题。（1）我国当前约有8万多名影像科医师，而每年需要承担的影像图像的诊断工作量却达到约14.4亿多张。[1]而且，随着计算机技术、电子工程学的发展，此种需求还在不断增加，我国医学影像数据以每年30%的速率增长，与之相对的是放射科医师的年增长速却只有4%，其间的差距是26%[2]，因此，放射科医师数量的增长远不及影像数据的增长。这意味着影像诊断医师在未来处理图像的压力会与日俱增，有时可能会远超负荷。数据表明，有超50%的医学影像医师工作时间大于8小时，有20.6%的医学影像医师日均工作时间超10小时。面对爆炸式增长的医学影像数据，医师的疲劳、情绪等因素都将会导致误诊、漏诊率的上升。因此，医学影像医师的短缺使得影像医师的工作强度过大，身体疲累、眼睛酸胀、职业态度倦怠等原因往往是导致人工误诊率高的原因。（2）再有，现有的医学图像诊断和分析都过分依赖医生专业知识、经验和主观判断，这可能导致同一位影像科医师在不同时间检查同一图像，或者检查同一图像的不同影像科医师之间的结果不一致。同时，经验不够的青年医师常常会存在误诊、漏诊现象，而即使是一位从事多年影像专业的老资历医师也不一定见过太多的病例，因此，主观性、专业性等也是导致人工误诊率高的原因。2.人工智能AI在医学影像诊断中的优势、机遇2.1近年来，随着深度学习算法模型的出现、计算机算力的爆炸式增长、丰富的大数据资源和先进自主学习方法的开发，使得人工智能在医学影像区域的发展得到了极大的发挥。尤其是医学影像与人工智能的结合是极具发展前景的医工交叉领域。其中，深度学习是一种模式分析方法的统称，主要让机器人学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对图像和声音等数据的解释有极大的应用。其最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。深度学习通过建立模拟人脑思维方式的神经网络来进行学习分析，发现影像数据潜在的分布式特征，主要包括卷积神经网络、自编码神经网络以及深度置信网络三类算法模型。尤其，随着深度卷积神经网络技术的兴起和应用，人工智能在计算机视觉领域取得了突破性进展。计算机视觉基于图像识别，可以不断地深入分析医学影像数据，能够获取更多有价值的信息。通过大数据图像的学习和训练，使人工智能不断提升自我的分析能力，因此，其在精准诊断和辅助医生诊断方面都展现出广阔的应用前景。当人工智能作为影像医师的辅助工具在临床工作流程中无缝衔接地应用时，其通过提供给医生预先筛选的影像和确定的影像异常特征可更准确地进行医学影像诊断评估，能显著提高工作效率，减少误诊和漏诊，并可对疗效进行监测。[3，5]多项研究表明，影像科医师在使用人工智能软件后对于病灶的检出准确率明显提升，尤其是人工智能在临床中的肺结节检验能力已经较为成熟，得到较广泛的应用。2.2人工智能工具在增强图像重建方面拥有广阔的空间，其能有效地利用数据深度学习改善失真或损坏的图像。在医学影像的成像过程中,由于受到采集数据数量不足、信号中原有的噪声、患者不自主运动等等因素影响,使得重建影像中很容易出现伪影及噪声等等影响临床诊断的结果,为此,人工智能技术在医学图像质量增强中得到了广泛的应用。具体可以分为如下的几种方式:第一,CT图像的质量增强。人工智能技术在这方面的应用主要是为了更好的利用AI技术解决因为放射剂量降低带来的噪声等因素引发的条状伪影问题。第二,PET图像质量增强技术。一种以残差编码器为基础的PET图像成像技术得到了广泛应用。与之前的传统成像技术相比,可以在较低剂量情形下,得到较高的PET增强结果。第三,MR图像质量增强技术。这种MR图像增强技术可以在不损害图像分辨率的前提下,将伪影问题做出有效的抑制。[7，8]2.3据统计，目前医学影像数据约占我国医疗数据的90％，且正以30％的年增长率增加，大数据概念在医学影像领域中的应用，是解决医学影像专业问题、优化其流程的重要措施。随着硬件设备的不断更新，计算机存储量的扩大和运行速度的提升，医学影像大数据的整合利用，疾病的治疗将从经验医学转向精准医学发展，最终可实现疾病精准治疗。而在精准医疗的发展中，医学影像大数据绝对发挥着主力作用，如果能够运用人工智能技术分析医学影像，深入挖掘影像特征与病状之间的联系，并将影像与医学文本记录进行交叉对比，与基因组数据相结合，即可更准确地分析出针对个体的诊断与治疗方案，挽救患者的生命。[9]并且，即使是从事多年影像诊断的高资历医师，也会有接触不到的病例；而大数据库的出现往往能够记录更多病例和疑难杂症，能够让人工智能软件不断学习，让其能够拥有比是高资历医师更多的“经验记忆”，完美解决这个问题。同时，人工智能辅助诊断，往往不会出现由于主观性、经验性和习惯性的不同导致的误诊，有效的缓解了医学影像医师人员短缺的问题。3.人工智能AI在医学影像应用中的现状3.12017年RSNA学术交流中使用人工智能机器人学习以此来影像诊断的研究涵盖几乎所有影像诊断的专业。而这些研究的思路大致是：收集大量影像图像数据—对图像进性人工标注—让人工智能机器人进性深度学习，得到优化的算法模型参数，并让其进性实验性诊断—医师对结果进性检验—能以准确预测效能识别某种疾病，得到影像诊断。[10]而目前在多种医学影像技术中人工智能的深度学习技术已被应用，例如：MRI、、肺CT图像分析、低剂量CT降噪等。[11，13]人工智能尤其是深度学习算法在医学影像领域中应用最为成熟的为肿瘤诊断，为肿瘤的预防、早期发现、诊断和干预、预后评估等方面提供了可能。在肿瘤影像学中，人工智能在肿瘤疾病的检测、特征描述和肿瘤监测发挥了巨大的作用。同时，人工智能在非肿瘤性疾病的筛查、诊断与鉴别诊断及预后评估等方面也展现了一些方面的临床价值。例如：Lee等设计了可解释阿尔茨海默病的具有区域异常表征的医学诊断模型。[14]Chilamkurthy[15]等人研究发现在准确地识别需要紧急干预治疗的头部CT异常表现中深度学习算法拥有极大的应用空间，包括各种类型的颅骨骨折、和中线移位、颅内出血等情况。还有相关学者将深度学习网络应用到脑外伤急诊患者全自动检测系统，有助于影像科医师提高诊断效率，减少人为错误和诊断时间。目前肺结节良恶性鉴别的应用接近临床实用。心血管疾病中，医学影像AI可以用于病灶检出、病变识别、疾病诊断等。脑血管疾病中，AI已经应用于急性脑卒中快速检出、严重程度评估等方面。[19]在2019年末全球爆发的新型冠状病毒肺炎（COVID-19）影像检测中，影像学方面的研究显示，新冠肺炎患者肺部主要的影像学表现是磨玻璃结节和实变。针对新冠肺炎的大爆发，胸部CT检查在疾病的筛查与患者复查中不可或缺，我们可以应用深度学习模型帮助放射科医生早期对新冠肺炎做出诊断，并提高准确性。3.2人工智能在成像环节方面的研究主要致力于减少图像获取时间、提高数据质量等方面，其应用多集成于成像设备中。如快速MR图像深度学习重建算法在减少采集时间的基础上提高图像信噪比和细节分辨率，在临床工作的应用中，医学影像AI主要集中在计算机辅助监测、计算机辅助诊断和病情监测等方面。计算机辅助检测：主要包括医学影像后处理和病变检测。基于AI的医学影像后处理技术，能大大提高影像后处理的效率。计算机辅助的医学影像自动化处理就已经开展起来，可以进行诸如肺结节检出等工作。随着训练样本的大量扩充、计算力和新算法性能的大幅提升，以CT肺结节检测已初步达到临床实用水平或具有临床应用潜力。心脑血管系统的AI自动处理模块也已经进入到临床试用阶段。计算机辅助病情监测：基于人工智能的监测技术可以对病变的改变进行多维度的精准测量，为优化临床决策和治疗等提供参考，良好体现人工智能AI和医学影像结合的优势。新一代医学影像AI系统的定量测量信息和模块化标准报告信息可以进一步促进影像报告的规范化，提升影像诊断的质量。[17]4.人工智能AI在医学影像诊断中的缺点、挑战4.1人工智能深度学习的应用仍处于起步阶段，面临诸多挑战，如数据链不完整、数据量过小及各平台数据不稳定等问题。近年来，随着科技的进步，各种算法的不断优化，硬件和软件的迭代更新，医学影像数据不断增大，影像数据总量巨大。然而，面对海量的数据，其中有价值有意义的数据却占少数。首先，虽然影像数据量大、数据源多，但是数据格式缺乏统一性，标准化统一化的数据和数据库的建立是叩待解决的事情。要知道数据是人工智能系统最核心和最关键的组成部分，没有一个统一化，标准化的数据库，人工智能就得不到良好的锻炼，即使其拥有深度学习等优秀的算法加持。人工智能中的数据标注技术一直存在问题，不能确保在应用上的100%把握，原因在于标注质量主要受标注的医务人员的专业性、责任心、工作状态等因素影响，每一位影像医师得到的专业性训练不同、各个医师拥有的标注习惯不同、每个医师见到的病例数量类型也不同，加上责任心和工作疲劳度的影响，这些都很容易让影像数据出现一些标注瑕疵，目前看来，医学影像行业内并未建立起一个统一化的标注标准，标注质量无法得到保证。同时，我们需要知道聘请多为行业权威专家共同携手统一标注，需要大量的资金和时间的资源投入，费事费力，而且短期内的经济效益并不明显，这也降低医院和AI公司的积极性，这些都是目前AI影像面临的不可规避的挑战。其次，高质量影像数据主要集中在有实力的三甲医院，往往不能实现数据共享，造成了数据流通、共享上的机制缺乏。[18，21]中国的医疗数据庞大，但并不能很好应用于人工智能影像，因为绝大部分数据都是非结构化数据，并没有较好的应用价值，再加上用不同设备、剂量的设计代表不同地区不同条件的实际水平不同场景的数据，并不能代表一些问题，无法真正把人工智能应用到影像诊断中，目前国内尚无规范化设计的有效数据库。4.2数据安全和伦理问题：使用患者数据来训练这些人工智能系统可能会引发数据安全和隐私方面的伦理问题。[22]要对患者隐私和数据安全予以保障，现在极少有医院在患者治疗时与其签约数据安全等协议。未来医学影像AI能力增强，同时将人工智能与智能硬件结合，其输出的结果直接处理人体疾病时，人工智能以什么样的逻辑做出决策应有明确的规定，否则必将带来伦理风险。与传统医疗器械不同，且不同人工智能产品和服务之间的差距也很大，目前还没有相关监管机构定义明确的AI临床验证方法，这对AI实际进入临床应用是不利的。人工智能诊断的结果出了问题，这个责任问责机制的建立，责任的相关权重比等都是一系列需要解决的痛点。4.3有调查表明，极少医师所在的医院没有建立专门的AI研究部门，少部分的医师并不知道医院是否建立了此部门，只有1%的医院建立了专门的部门，二级医院基本没有设立。说明，大部分医院并没有给予人工智能医学足够的重视。而且，在医院AI研究团队中，大部分的医院影像科室中没有从事AI研究或开发的工科人员，而在那些有从事AI研究或开发的工科人员的医院科室中，二级医院中有96%科室没有从事AI研究或开发的工科人员[23]，说明当前跨学科人才严重缺乏，医院和教育部门需要将培养跨学科人才作为重要任务来对待，尤其是领军人才培养方面。同时，医师在提升自我专业能力的同时也需要学习更多工程信息方面的知识，把自己当成跨学科人才来培养。不论是外因还是内因，影像医师必须投入到这项新技术的学习和应用中。总结AI在医学影像方面的应用已经得到了初步的发展，部分应用起到了医师助手的作用，有一些成功的应用场景。但距离更深入的临床应用仍有一段很长的路要走，还有赖于算法的突破和人们认知的转变，医疗行业应以开放的心态，热情拥抱AI技术。虽然人工智能深度学习在医学影像中的应用仍处于起步阶段，面临诸多挑战，如数据量过小、各平台数据不稳定等问题，但其应用于医学影像诊断具有突出优点，为影像科医师提供更多客观信息，辅助诊断，有效减少人工诊断的误诊、漏诊。同时，基于大数据和计算机算法模型让医生工作更加高效，减轻影像科医生负担。人工智能是当下研究热点，发展应得到国内外各方的大力支持。参考文献：[1]赵一呜，左秀然．PACS与人工智能辅助诊断的集成应用EJ]．中国数字医学，2018，13(4)：20—22．[2]智研咨询集团.2018-2024年中国人工智能+医疗影像行业市场研究及投资前景预测报告[Z].智研咨询集团,2017:31.[3]HosnyA，ParmarC，QuackenbushJ，etal-Artificialintelligenceinradi。109y[J]．NatRevcancer，2018，18(8)：500一510．[4]BiwL，H。snyA，schabathMB，eta1．Artificialintelligenceincancerimaging：clinicalchallengesandapplications[J]．cAcancerJC1in，2019，69(2)：127—157．[5]McDonaldRJ，schwartzKM，EckelLJ，eta1．Theeffectsofchan—gesinutilizationandtechnol。gicaladvancementsofcross—section—alimagingonradiologistworkload[J]．AcadRadiol，2015，22(9)：11911198．[6]霄英．重视影像信息学工具的利用和研发，提升影像服务价值[J]．放射学实践，2016，3l(12)：1118-1119．[7]金征宇.人工智能医学影像应用:现实与挑战[J].放射学实践,2018,33(10):989-991.[8]萧毅,夏晨,张荣国,刘士远.人工智能技术在医学影像中的应用讨论[J].第二军医大学学报,2018,39(08):813-818.[9]张振,周毅,杜守洪,等.医疗大数据及其面临的机遇与挑战[J].医学信息学杂志,2014,35(6):2-8.[10]swerdlowDR，clearyK，wilsonE，eta1．Roboticarm—assistedsonography：reviewoftechnicaldevelopmentsandpotentialclini—calapplication[J]．AJR，2017，208(4)：733—738．[11]ShinHC,OrtonMR,CollinsDJ,etal.Stackedautoencodersforunsupervisedfeaturelearningandmultipleorgandetectioninapilotstudyusing4Dpatientdata.IEEETransPatternAnalMachIntell,2013,35:1930-1943.[12]ChoiH,LeeDS,Alzheimer’sDiseaseNeuroimagingInitiative.GenerationofstructuralMRimagesfromamyloidPET:applicationtoMR-lessquantification.JNuclMed,2018,59:1111-1117.[13]vanTulderG,deBruijneM.CombininggenerativeanddiscriminativerepresentationlearningforlungCTanalysiswithconvolutionalrestrictedBoltzmannmachines.IEEETransMedImaging,2016,35:1262-1272.[14]LeeJW，GooJM，LeeHJ，eta1．Thepotentialcontributionofacomputer_aideddetecti。nsystemforlungnoduledetectioninmultidetectorrowcomputedtomography[J]．InvestRadi01，2004，39(11)：649—655．[15]ChilamkurthyS，GhoshR，TanamalaS，etal_Deepleamingalgo—rithmsfordetection