姚義好，李娟，石晶晶，申楠茜，張爍琪，周銥然，吳迪，馬艷強(qiáng)，朱文珍

本年度RSNA年會(huì)上關(guān)于人工智能(AI)的研究報(bào)告按照部位和疾病類(lèi)型、檢查手段進(jìn)行分類(lèi)，各研究通過(guò)圖像特征提取、集成學(xué)習(xí)、研發(fā)高效機(jī)器學(xué)習(xí)輔助診斷方法，服務(wù)于臨床疾病的鑒別診斷和準(zhǔn)確分級(jí)，進(jìn)而輔助臨床個(gè)體化治療方案的制定,有望大幅降低影像醫(yī)師的工作負(fù)荷，同時(shí)使患者獲得早期診斷和適當(dāng)?shù)闹委煛?/p>

中樞神經(jīng)系統(tǒng)

對(duì)于急診外傷、腦血管事件等,AI顯示出較好的協(xié)助診斷功能。采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)來(lái)檢測(cè)頭顱CT平掃中的顱骨骨折，由于頭皮血腫是協(xié)助診斷骨折的良好指標(biāo)，將其作為臨床證據(jù)添加到CNN中，可以顯著改善平均精度(由0.7952升高至0.8190)；在不影響靈敏度的情況下，假陽(yáng)性率明顯下降，可見(jiàn)在采用深度學(xué)習(xí)模型進(jìn)行圖像分析的基礎(chǔ)上加入臨床背景可以使診斷更為準(zhǔn)確。Jayadeepa等研究顱內(nèi)出血(ICH)術(shù)前平掃CT，通過(guò)人工智能采用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行中線移位檢測(cè)和測(cè)量；與放射科醫(yī)生報(bào)告相比，人工智能算法在中線偏移的檢測(cè)和定量方面顯示出良好的效果，其準(zhǔn)確度為91.41%，敏感度為91.95%，特異度為90.79%。Balaji 等在頭顱CT平掃上使用基于CNN的AI方案來(lái)評(píng)估ICH的準(zhǔn)確率，結(jié)果發(fā)現(xiàn)28例ICH中16例為臨床漏診病例。同樣Jayadeepa等通過(guò)AI模型，對(duì)22個(gè)漏診的ICH病例進(jìn)行回顧性分析，結(jié)果檢出22個(gè)漏診中的11個(gè)，敏感度為59.62%，特異度為91.07%。因此，AI可以幫助放射醫(yī)師診斷ICH，降低漏診率。但也有研究顯示AI技術(shù)在有些領(lǐng)域還需要提高評(píng)價(jià)效能，如Walsh等研究前循環(huán)大血管閉塞最終梗死體積，就發(fā)現(xiàn)與自動(dòng)Alberta卒中項(xiàng)目早期CT評(píng)分(ASPECTS)相比，醫(yī)生閱片的ASPECTS與前循環(huán)出現(xiàn)大血管閉塞的最終梗死體積相關(guān)性更好。

對(duì)于血管成像和動(dòng)脈瘤的診斷，AI也顯示出較高的效能。提取動(dòng)脈瘤MR圖像，隨機(jī)分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集，另隨機(jī)選擇50例無(wú)動(dòng)脈瘤的檢查數(shù)據(jù)納入測(cè)試數(shù)據(jù)集；由兩位放射科醫(yī)師對(duì)動(dòng)脈瘤進(jìn)行手工標(biāo)注，建立基于3D ResNet架構(gòu)的深度學(xué)習(xí)算法，利用訓(xùn)練數(shù)據(jù)集進(jìn)行基于像素塊的分類(lèi)，然后進(jìn)行像素投票算法；測(cè)試數(shù)據(jù)集的敏感度、陽(yáng)性預(yù)測(cè)值和特異度分別為87.1%、95.5%及92.0%；測(cè)試數(shù)據(jù)集中，算法新診斷了1個(gè)動(dòng)脈瘤，19個(gè)未檢出的動(dòng)脈瘤中有14個(gè)位于頸內(nèi)動(dòng)脈，10個(gè)假陽(yáng)性檢測(cè)中有9個(gè)也位于頸內(nèi)動(dòng)脈。研究結(jié)果顯示，深度學(xué)習(xí)算法檢測(cè)腦動(dòng)脈瘤具有較高的診斷效能。與此類(lèi)似，對(duì)DSA圖像進(jìn)行分析，為了避免過(guò)度擬合，數(shù)據(jù)按4:1的比例分成測(cè)試和訓(xùn)練兩組，使用基于開(kāi)源Tensorflow框架的商用級(jí)機(jī)器學(xué)習(xí)軟件(Cognex,ViDi Suite 2.0)進(jìn)行深度學(xué)習(xí)；檢測(cè)并正確定位顱內(nèi)動(dòng)脈瘤的敏感度為79%，特異度為79%，準(zhǔn)確度為0.75,F1評(píng)分為0.77,AUC為0.85。未檢出與已檢出動(dòng)脈瘤大小差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.19)。深度學(xué)習(xí)可在DSA圖像上輔助檢測(cè)和定位顱內(nèi)動(dòng)脈瘤。Fujita等對(duì)健康志愿者和顱內(nèi)動(dòng)脈瘤患者同時(shí)進(jìn)行TOF-MRA及3D合成MRI序列(3D-QALAS)掃描，并采用深度學(xué)習(xí)算法產(chǎn)生深度學(xué)習(xí)MRA(DL-MRA)圖像，通過(guò)對(duì)比研究發(fā)現(xiàn)3D合成MRI不僅能獲得定量成像及各種對(duì)比加權(quán)成像，其通過(guò)深度學(xué)習(xí)算法獲得的DL-MRA能有效顯示顱內(nèi)大動(dòng)脈，且成像效果與TOF-MRA相當(dāng)，減少M(fèi)R掃描總時(shí)間并有助于放射科醫(yī)生篩選血管病變。

中樞退行性疾病的研究也有可喜進(jìn)展，采用AI方法可從穩(wěn)定的輕度認(rèn)知障礙(sMCI)中識(shí)別進(jìn)行性輕度認(rèn)知障礙(pMCI)。采用迭代注意力聚焦(IAF)神經(jīng)網(wǎng)絡(luò)來(lái)生成疾病相關(guān)的注意圖并預(yù)測(cè)診斷結(jié)果。結(jié)果表明該方法的準(zhǔn)確率達(dá)到了81.6%，超過(guò)了其他如基于VBM的方法(64.3%)和基于像素的深度學(xué)習(xí)方法(LDMIL，76.9%)；同時(shí)也獲得了較高的敏感度(60.5%)，VBM和LDMIL的敏感度為36.8%和42.1%，表明該方法能更有效地識(shí)別可能的MCI轉(zhuǎn)換。除了診斷結(jié)果外，聚焦注意力地圖還提供了與MCI進(jìn)展相關(guān)的特定病理位置。IAF神經(jīng)網(wǎng)絡(luò)可以作為新的計(jì)算機(jī)輔助診斷癡呆方法，有助于認(rèn)識(shí)和理解MCI到AD的進(jìn)展。

AI對(duì)腦腫瘤的診斷也是關(guān)注的熱點(diǎn)。Hoebel等通過(guò)對(duì)48例膠質(zhì)瘤患者的術(shù)前MRI的T2-FLAIR圖像進(jìn)行紋理分析，發(fā)現(xiàn)標(biāo)準(zhǔn)化對(duì)于MRI紋理特征及信號(hào)強(qiáng)度的重復(fù)性具有顯著意義，研究者需要謹(jǐn)慎選擇直方圖箱，來(lái)確保提取的特征具有意義。另外，對(duì)比增強(qiáng)MRI是腦腫瘤診斷的關(guān)鍵，盡管釓對(duì)比劑被廣泛使用，但也存在成本和缺陷。分析膠質(zhì)母細(xì)胞瘤患者的術(shù)前MR影像[包括對(duì)比劑注入前后T1、T2、T2FLAIR序列及動(dòng)脈自旋標(biāo)記、磁敏感加權(quán)(SWI)、DWI序列]。訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)基于改進(jìn)的U-net體系結(jié)構(gòu)，具有分解的三維卷積和殘差學(xué)習(xí)能力。該深度學(xué)習(xí)網(wǎng)絡(luò)能夠生成合成的增強(qiáng)T1加權(quán)圖像，在定性和定量上都與真實(shí)的增強(qiáng)圖像相似。對(duì)于合成的增強(qiáng)T1加權(quán)圖像，從全腦來(lái)看貢獻(xiàn)最大的是非增強(qiáng)T1圖像，其次是SWI；單從腫瘤區(qū)域來(lái)看貢獻(xiàn)最大的是DWI，其次是SWI。研究結(jié)果表明，深度學(xué)習(xí)可能有助于減少釓對(duì)比劑的使用。基于現(xiàn)在的研究發(fā)現(xiàn)異檸檬酸脫氫酶(IDH)突變狀態(tài)對(duì)腦腫瘤的診斷、治療和預(yù)后具有重要意義。一個(gè)完全自動(dòng)化的深度學(xué)習(xí)網(wǎng)絡(luò)多數(shù)投票算法，僅使用T2圖像訓(xùn)練的網(wǎng)絡(luò)取得了與使用多對(duì)比圖像訓(xùn)練的網(wǎng)絡(luò)相當(dāng)?shù)慕Y(jié)果(采用T2-net的準(zhǔn)確率為96.1%，AUC為0.972,TS-net的準(zhǔn)確率為96.9%，AUC為0.981)，可用于無(wú)創(chuàng)預(yù)測(cè)IDH突變狀態(tài)。

對(duì)于兒童的影像學(xué)AI研究也出現(xiàn)了有意義的報(bào)道。有研究評(píng)估糾正足月的早產(chǎn)兒(PNs)的質(zhì)子磁共振波譜(1H-MRS)和彌散張量成像(DTI)，選擇重要的特征，最終使用前饋神經(jīng)網(wǎng)絡(luò)(fNNs)構(gòu)建了預(yù)測(cè)因子，能夠預(yù)測(cè)PNs中的發(fā)育不良。對(duì)運(yùn)動(dòng)發(fā)育不良，預(yù)測(cè)因子具有100%的準(zhǔn)確性；對(duì)認(rèn)知發(fā)展不良，獲得了100%的真實(shí)陽(yáng)性率和83.3%的陽(yáng)性預(yù)測(cè)值。因此fNNs可用于發(fā)現(xiàn)那些需要早期干預(yù)的PNs。在腫瘤診斷方面也有了新的進(jìn)展，評(píng)估兒童髓母細(xì)胞瘤的MR圖像，從增強(qiáng)T1加權(quán)像中提取放射組學(xué)特征，利用最小絕對(duì)收縮和選擇算子(LASSO)Cox回歸模型識(shí)別選擇放射學(xué)特征(Rad-score)，結(jié)果顯示結(jié)合Rad-score、臨床及常規(guī)影像特征的一體化模型是預(yù)測(cè)兒童髓母細(xì)胞瘤總體生存期(OS)最準(zhǔn)確的模型(C-index:0.928)。另外，基于CT的放射組學(xué)特征也可以預(yù)測(cè)兒童神經(jīng)母細(xì)胞瘤(NBs)中MYCN擴(kuò)增(MNA)的能力。MNA預(yù)測(cè)效果最好的是將增強(qiáng)前/后各期圖像相結(jié)合，檢驗(yàn)組AUC、敏感度、特異度、準(zhǔn)確度分別為93.8%、100%、94.9%、0.98。基于CT的放射組學(xué)特征還可用于預(yù)測(cè)兒童惡性神經(jīng)母細(xì)胞瘤(PNTs)的預(yù)后，根據(jù)臨床預(yù)后因素將患者分為低、中、高危組，采用Intelligence Foundry 建立兩個(gè)回歸模型以級(jí)聯(lián)方式應(yīng)用，model1用于對(duì)高危人群和其余人群進(jìn)行分類(lèi)，model2將其余人群分為中、低風(fēng)險(xiǎn)人群。模型在訓(xùn)練隊(duì)列和驗(yàn)證隊(duì)列中均表現(xiàn)出良好的辨別能力，模型1的AUC為0.826，模型2的AUC為0.811，結(jié)果顯示基于術(shù)前CT圖像的放射學(xué)分析有助于兒童惡性腫瘤的個(gè)體化治療分層。

從數(shù)據(jù)處理來(lái)看，腦組織分割提取是神經(jīng)影像學(xué)分析中圖像預(yù)處理的第一步，MRI圖像通過(guò)FreeSurfer進(jìn)行腦提取和分割作為金標(biāo)準(zhǔn)。Michael等研究發(fā)現(xiàn)改進(jìn)后的基于深度學(xué)習(xí)的U-Net模型能得到與FreeSurfer相當(dāng)?shù)哪X組織提取結(jié)果，但每例患者僅需要幾秒鐘的時(shí)間來(lái)完成，而不是FreeSurfer所需要的數(shù)小時(shí)。這可以為其他任務(wù)釋放計(jì)算資源，對(duì)依賴(lài)于這一步驟的神經(jīng)影像學(xué)研究具有重要意義。

頭頸部

評(píng)估來(lái)自頭頸部鱗狀細(xì)胞癌(HNSCC)患者治療前的頸部增強(qiáng)CT，分別來(lái)源于喉部或下咽(LHP)、嘴唇和口腔(OC)、口咽(OP)，提取腫瘤的紋理特征，并與患者的年齡、吸煙狀態(tài)、飲酒狀態(tài)和腫瘤T分期相結(jié)合，構(gòu)建預(yù)測(cè)淋巴結(jié)狀態(tài)、淋巴血管侵犯(LVI)和神經(jīng)周?chē)址?PNI)的模型。采用隨機(jī)森林(RF)和支持向量機(jī)(SVM)兩種機(jī)器學(xué)習(xí)方法構(gòu)建預(yù)測(cè)模型。OC、LHP、OP三組腫瘤的紋理特征差異有統(tǒng)計(jì)學(xué)意義(P<0.05)。對(duì)基于原發(fā)腫瘤位置的紋理數(shù)據(jù)進(jìn)行亞分層，與使用組合數(shù)據(jù)集的模型相比，預(yù)測(cè)模型的準(zhǔn)確性提高了14%，所以為了獲得最佳診斷性能需要根據(jù)原發(fā)腫瘤部位對(duì)患者進(jìn)行分層。

胸部

基于深度學(xué)習(xí)(DL)的算法可以協(xié)助評(píng)估在醫(yī)院中最常見(jiàn)的影像學(xué)檢查-胸片(CR)。不同的研究機(jī)構(gòu)分別對(duì)CR使用DL(DNetLoc)算法、自動(dòng)檢測(cè)(DLAD)算法等進(jìn)行處理，結(jié)果發(fā)現(xiàn)基于深度學(xué)習(xí)的算法可以在CR中準(zhǔn)確檢測(cè)和定位10種異常影像學(xué)表現(xiàn)(肺不張、鈣化、心臟肥大、實(shí)變、纖維化、結(jié)節(jié)、縱隔擴(kuò)大、胸腔積液、氣腹和氣胸)，特別是氣胸的檢出AUC高達(dá)0.96，總體敏感度和特異度達(dá)到89%(小型氣胸敏感度為82%，大型氣胸敏感度為97%)，獲得了較高的準(zhǔn)確度，可以高精度地有效檢測(cè)正位胸部X線圖像中的氣胸，用于識(shí)別需要優(yōu)先審視的檢查，從而有助于提高工作流程效率，改善患者結(jié)局。對(duì)于缺乏經(jīng)驗(yàn)的年輕醫(yī)生，在CR上確定肺結(jié)核的活動(dòng)性相對(duì)比較困難?；谏疃葘W(xué)習(xí)的自動(dòng)算法，可以用CR將活動(dòng)性肺結(jié)核(TB)與其他肺部異常和正常肺部進(jìn)行分類(lèi)。使用卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)正常與異常CR進(jìn)行分類(lèi)，然后使用YOLOv2-densenet模型進(jìn)行深度微調(diào)。在測(cè)試數(shù)據(jù)集中，該算法在正常與異常CR分類(lèi)中的準(zhǔn)確度達(dá)到98.18%。采用該算法對(duì)活動(dòng)性TB、其他異常CR和正常CR進(jìn)行診斷時(shí)，準(zhǔn)確度為78.5%，對(duì)于每個(gè)CR該算法的總體準(zhǔn)確度為95.61%；對(duì)每個(gè)CR而言，該算法對(duì)活動(dòng)性結(jié)核病的敏感度和特異度分別為79.73%和96.96%。使用CNN進(jìn)行的深度學(xué)習(xí)在分類(lèi)正常、活動(dòng)性TB與其他異常狀態(tài)CR方面顯示出很高的診斷性能，可用于篩查活動(dòng)性結(jié)核，從而提高診斷流程的效能。更有研究專(zhuān)門(mén)針對(duì)基線和治療后胸片分別標(biāo)記為活動(dòng)性和非活動(dòng)性結(jié)核。相關(guān)研究采用這些CR訓(xùn)練了一個(gè)深層神經(jīng)網(wǎng)絡(luò)，以輸出有關(guān)肺結(jié)核活動(dòng)性的百分比得分。初步結(jié)果表明，深層神經(jīng)網(wǎng)絡(luò)和放射科醫(yī)師的診斷AUC值分別為0.80(95%CI：0.71～0.89)和0.74(95%CI：0.64～0.84)。深層神經(jīng)網(wǎng)絡(luò)算法可以在CR上較準(zhǔn)確地確定結(jié)核的活動(dòng)性，并可與醫(yī)師判別結(jié)果相媲美。在結(jié)核病專(zhuān)家有限的情況下，深度神經(jīng)網(wǎng)絡(luò)可用于確定結(jié)核病的活動(dòng)性，并監(jiān)測(cè)抗結(jié)核治療的反應(yīng)。一種新開(kāi)發(fā)的基于深度學(xué)習(xí)的自動(dòng)檢測(cè)算法(DLAD)可檢測(cè)在CR中被放射科醫(yī)師忽略的肺部惡性腫瘤。相關(guān)研究納入經(jīng)病理證實(shí)的胸片上發(fā)生遺漏的155例肺惡性腫瘤患者，其中127例病變是活動(dòng)性病灶；當(dāng)活動(dòng)閾值為0.3時(shí)，DLAD對(duì)活動(dòng)性肺惡性腫瘤的敏感度(54%)高于對(duì)非活動(dòng)性肺惡性腫瘤的敏感度(14%)；每例患者的假陽(yáng)性標(biāo)記數(shù)為0.24。當(dāng)活動(dòng)閾值為0.15時(shí)，DLAD對(duì)活動(dòng)性肺惡性腫瘤的敏感度提高到60%，每例患者的假陽(yáng)性標(biāo)記數(shù)為0.35。DLAD算法在CR上可以檢測(cè)出50%以上的肺部惡性腫瘤，而這些惡性腫瘤在CR中往往被放射科醫(yī)生忽略，且假陽(yáng)性率低。

基于CT檢測(cè)對(duì)肺結(jié)節(jié)進(jìn)行診斷也是AI研究的熱點(diǎn)。有研究顯示將AI算法與醫(yī)師的診斷效能進(jìn)行比較，兩者結(jié)果高度相關(guān)(r=0.663，P<0.001)，而AI算法的AUC高于醫(yī)師的AUC(P<0.001)，具有極高的臨床應(yīng)用潛力。Mukherjee等根據(jù)對(duì)CT掃描直徑大于4mm的肺結(jié)節(jié)進(jìn)行檢查，建立CT篩查陽(yáng)性的全國(guó)肺部篩查試驗(yàn)(NLST)非侵入性確定肺癌可能性的模型，通過(guò)使用一個(gè)、兩個(gè)和三個(gè)篩選時(shí)間點(diǎn)，以三種方式建立了一個(gè)使用CT圖像進(jìn)行癌癥預(yù)測(cè)的兩階段機(jī)器學(xué)習(xí)(ML)模型。這三個(gè)模型共有的第一個(gè)ML階段是訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)(CNN)用于檢測(cè)結(jié)節(jié)和預(yù)測(cè)惡性評(píng)分。ML的第二個(gè)階段是使用Xgboost通過(guò)第一階段預(yù)測(cè)的受試者肺結(jié)節(jié)的位置和惡性評(píng)分來(lái)預(yù)測(cè)癌癥發(fā)生率。根據(jù)一個(gè)時(shí)間點(diǎn)的CT掃描進(jìn)行預(yù)測(cè)時(shí)AUC值為(0.75±0.03，95%CI)，而根據(jù)兩次時(shí)間點(diǎn)的掃描進(jìn)行預(yù)測(cè)時(shí)則達(dá)到(0.80±0.03)，從NLST中的所有三個(gè)時(shí)間點(diǎn)進(jìn)行掃描預(yù)測(cè)時(shí)可達(dá)(0.85±0.02)，差異有統(tǒng)計(jì)學(xué)意義(P<0.01)。結(jié)果發(fā)現(xiàn)僅通過(guò)篩查肺部CT掃描就可以預(yù)測(cè)肺結(jié)節(jié)>4mm的受試者在以后幾年是否會(huì)患上癌癥，如果將來(lái)自多個(gè)篩選時(shí)間點(diǎn)的CT成像數(shù)據(jù)合并到模型中，則預(yù)測(cè)性能會(huì)更高。另外，Chen等評(píng)估了一種深度學(xué)習(xí)系統(tǒng)(DLS)的診斷性能，回顧以往胸部CT的報(bào)告，結(jié)果發(fā)現(xiàn)在所有的胸部CT掃描中，有0.3%發(fā)現(xiàn)了漏診的肺結(jié)節(jié)，其中1/3具有臨床意義。因此，使用DLS輔助的自動(dòng)檢測(cè)可能會(huì)提高放射科醫(yī)生的工作效率。類(lèi)似的研究顯示，回顧性分析在陰性篩查后又經(jīng)NLST篩查偶然發(fā)現(xiàn)肺癌患者的CT影像(n=122)。訓(xùn)練的基于DenseNet三維卷積神經(jīng)網(wǎng)絡(luò)的計(jì)算機(jī)輔助設(shè)計(jì)系統(tǒng)，根據(jù)NLST標(biāo)準(zhǔn)和肺-RADS分類(lèi)分析結(jié)果，顯示基于深度學(xué)習(xí)的CAD系統(tǒng)對(duì)陽(yáng)性篩查的敏感度為89%～95%，對(duì)漏檢肺癌的敏感度為74%，而假陽(yáng)性率有限。肺癌在低劑量CT篩查中常被遺漏，而基于深度學(xué)習(xí)的CAD系統(tǒng)可能會(huì)改善早期診斷。AI算法還可以幫助進(jìn)行結(jié)節(jié)復(fù)查決策。卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型由NLST數(shù)據(jù)集訓(xùn)練得出，其會(huì)生成一個(gè)評(píng)分，在每例病例中得分最高的結(jié)節(jié)被用作指標(biāo)結(jié)節(jié)。采用閾值為5.0的CNN評(píng)分免去了38例良性結(jié)節(jié)患者的CT檢查和3例PET-CT掃描而不遺漏任何癌癥，占隨訪時(shí)間內(nèi)CT總數(shù)的41.3%和PET-CT的37.5%；采用0.56的閾值，則顯示15個(gè)良性結(jié)節(jié)不需要任何隨訪，免去了23例CT掃描。在11例(35.5%)癌癥患者中使用80分的CNN閾值，他們的檢測(cè)和干預(yù)將會(huì)加快3.4個(gè)月。CNN生成的模型評(píng)分應(yīng)用于偶然檢測(cè)到的不確定的小肺結(jié)節(jié)，減少了對(duì)良性結(jié)節(jié)的隨訪掃描，同時(shí)潛在地加速了對(duì)高評(píng)分癌癥結(jié)節(jié)的監(jiān)測(cè)和治療。

關(guān)于肺癌的診斷和療效監(jiān)測(cè)AI也表現(xiàn)出其優(yōu)勢(shì)。由基于相關(guān)合并的層次聚類(lèi)算法(CHCA)有效提取的EGFR突變的非小細(xì)胞肺癌(NSCLC)的放射學(xué)表型，可以幫助識(shí)別可能受益于靶向EGFR抑制劑治療的NSCLC患者。另有研究顯示，分析每例NSCLC鉑類(lèi)化療患者治療前CT圖像的放射學(xué)特征，影響PFS的獨(dú)立因素為放射性組學(xué)特征、PS和N期，均被選擇到nomogram中，nomogram預(yù)測(cè)PFS的c指數(shù)為0.721(95%CI:0.713～0.729)，高于基于臨床病理的模型(c指數(shù):0.641,95%CI:0.631～0.651)，可方便地用于對(duì)鉑類(lèi)化療的Ⅳ期非小細(xì)胞肺癌患者進(jìn)行PFS的個(gè)體化預(yù)測(cè)。也有相關(guān)研究進(jìn)行NSCLC的淋巴結(jié)轉(zhuǎn)移LNM的預(yù)測(cè)，從增強(qiáng)CT中提取放射學(xué)特征，降維采用Mann-WhitneyU檢驗(yàn)和單變量方差分析，采用最小絕對(duì)收縮選擇算子(LASSO)算法進(jìn)行徑向組學(xué)特征選擇。建立了三個(gè)模型(臨床模型、放射學(xué)模型和聯(lián)合模型)來(lái)預(yù)測(cè)早期NSCLC的LNM，結(jié)果顯示聯(lián)合模型優(yōu)于單純應(yīng)用放射學(xué)和臨床特征建立的模型，約20%的術(shù)前IA期NSCLC患者可能存在LNM，放射學(xué)臨床模型有預(yù)測(cè)LNM的潛力，可以幫助改善治療方案。

基于AI算法的XGBoost模型可能對(duì)預(yù)測(cè)局部晚期食管癌(LAEC)術(shù)前化療的效果有幫助，有助于改善LAEC患者術(shù)前管理的臨床決策。

相關(guān)研究對(duì)多創(chuàng)傷患者中的急性呼吸窘迫綜合征(ARDS)患者的胸部CT圖像進(jìn)行了基于深度學(xué)習(xí)的肺分割，利用每個(gè)肺的空間視覺(jué)詞的直方圖訓(xùn)練一個(gè)支持向量機(jī)(SVM)分類(lèi)器來(lái)預(yù)測(cè)ARDS，并將該算法與常用的預(yù)后評(píng)估評(píng)分(ISS)和胸?fù)p傷評(píng)分(AIS)進(jìn)行比較?；跈C(jī)器學(xué)習(xí)的ARDS風(fēng)險(xiǎn)評(píng)分的AUC為0.78(ISS:0.66;AIS:0.68)。以機(jī)器學(xué)習(xí)為基礎(chǔ)的多創(chuàng)傷患者肺的放射學(xué)特征能夠預(yù)測(cè)ARDS，其水平高于一般臨床評(píng)分。

對(duì)于各種CTA的診斷和重建，AI也顯示了極高的臨床應(yīng)用效能。Noothout等評(píng)估了CTA中用于自動(dòng)主動(dòng)脈根部標(biāo)記定位的深度學(xué)習(xí)的性能，結(jié)果發(fā)現(xiàn)，對(duì)于左半月瓣、后半月瓣、右半月瓣鉸鏈點(diǎn)及右冠狀動(dòng)脈口、左冠狀動(dòng)脈口的定位，自動(dòng)標(biāo)記定位與觀察者人工定位差異無(wú)統(tǒng)計(jì)學(xué)意義，而平均每個(gè)CTA分析只需要0.3秒，大大縮短了定位時(shí)間。肺動(dòng)脈造影(CTPA)用于檢測(cè)肺動(dòng)脈栓塞時(shí)會(huì)出現(xiàn)假陽(yáng)性(FP)結(jié)果，大多數(shù)FP是由肺樹(shù)外結(jié)構(gòu)和/或非管狀結(jié)構(gòu)引起，因此，動(dòng)脈樹(shù)的分割和檢測(cè)結(jié)節(jié)結(jié)構(gòu)的算法的集成可能是進(jìn)一步減少FP的措施。人工智能算法還可以通過(guò)CTPA的放射組學(xué)特征對(duì)急性肺栓塞(APE)患者進(jìn)行危險(xiǎn)分級(jí)，即區(qū)分高危組與非高危組。有研究應(yīng)用深度學(xué)習(xí)方法計(jì)算APE的CTPA血栓體積，同時(shí)由放射科醫(yī)師采用梗阻評(píng)分評(píng)估APE患者的凝血負(fù)荷。DL模型的平均測(cè)量時(shí)間為(12.9±3.8)s，而第二年住院醫(yī)師的平均測(cè)量時(shí)間為(10±4)min。當(dāng)模型臨界值設(shè)為0.1時(shí)，敏感度和特異度最高，分別為94.6%和76.5%，AUC值為0.926(95%CI：0.884～0.968)，兩次測(cè)量的一致性為100%。DL模型具有高度的敏感性和重復(fù)性，血栓體積與梗阻評(píng)分高度相關(guān)。采用DL模式檢測(cè)APE可大大提高診斷效率，減輕放射科醫(yī)生的工作量。另有研究比較了DLIR算法與CTPA標(biāo)準(zhǔn)圖像重建算法的圖像質(zhì)量，分別采用FBP、ASIRv50和3個(gè)DLIR原型[低(L)、中(M)和高(H)]進(jìn)行回顧性重建，定量測(cè)量主要PA的噪聲(標(biāo)準(zhǔn)差)、信噪比(SNR)和對(duì)比噪聲比(CNR)。兩位放射科醫(yī)生分別對(duì)ASIRv50和DLIR-M的主觀圖像噪聲、噪聲紋理、偽影和診斷質(zhì)量進(jìn)行了1～5級(jí)的評(píng)分。除ASIRv50與DLIR-L的CNR比較差異無(wú)統(tǒng)計(jì)學(xué)意義(P=0.175)外，其余各項(xiàng)比較差異均有統(tǒng)計(jì)學(xué)意義。與FBP和ASIRv相比，DLIR降低了圖像噪聲，提高了CNR和SNR。與ASIRv50相比，DLIR中等強(qiáng)度顯示降低了圖像噪聲，改善了圖像紋理，在診斷質(zhì)量或偽影的主觀評(píng)估方面差異無(wú)統(tǒng)計(jì)學(xué)意義。

AI技術(shù)在乳腺疾病的診斷中得到了較廣泛的應(yīng)用。使用基于深度學(xué)習(xí)的軟件Lunit INSIGHT對(duì)乳腺X線檢查圖像進(jìn)行分析，顯示其對(duì)乳腺癌有較高的診斷效能，敏感度為90.2%，特異度為90.9%，準(zhǔn)確度為90.2%，AUC值為0.960。另有研究顯示，經(jīng)過(guò)AI處理后的乳腺癌檢測(cè)的AUC都有所提高: 數(shù)字乳房X光檢查(DM/DBT)分別為0.781和0.848; 合成乳房X光檢查(SM/DBT)分別為0.812和0.846。相應(yīng)的AI處理后兩種檢查模式的敏感性、特異性也有所提高，讀取時(shí)間更短。從技術(shù)角度來(lái)看，Duan等采用卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建了一套用于增強(qiáng)數(shù)字乳腺斷層攝影(CEDBT)散射校正的算法，能提高圖像質(zhì)量。有研究采用卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行乳腺良、惡性疾病分類(lèi)，利用全二維乳腺X線片和全容積DBT相結(jié)合的方法(首先使用MMG進(jìn)行訓(xùn)練，然后使用DBT進(jìn)行微調(diào))來(lái)提高模型的性能，AUC為0.93，高于單獨(dú)使用2D或3D乳腺攝片，可以提高乳腺癌的診斷效率。采用DIB-MMG對(duì)其進(jìn)行分析，在47例漏診病例中檢測(cè)出32例，在61例間變性癌癥中檢測(cè)出30例，在17例隱匿性癌癥中檢測(cè)出7例，總的AUC為0.738，DIB-MMG有望用于篩查性乳房X線攝影中乳腺癌的早期檢測(cè)。另一項(xiàng)研究顯示，篩查性乳房X線檢查由AI進(jìn)行分析，根據(jù)不同的召回率做出召回復(fù)查決定，其敏感度分別為99.3%、87.7%和76.1%，召回率分別為50%、10%和4%。召回率為50%時(shí)，達(dá)到了極高靈敏度，這意味著不必復(fù)查的那部分人幾乎可以確定是正常的，因此AI可以幫助放射科醫(yī)生減少工作量，在乳腺癌篩查方面具有巨大的潛力。采用基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的算法分析乳腺鉬靶X線圖像可以鑒別不典型導(dǎo)管增生(ADH)與導(dǎo)管原位癌(DCIS)，AUC為0.90(95%CI±0.04)，診斷準(zhǔn)確度為80.7%，敏感度為63.9%，特異度為93.7%，具有很高的特異度，可以用來(lái)預(yù)測(cè)能安全觀察而無(wú)需手術(shù)的單純ADH患者。DIB-MMG在乳腺X線攝影中也可以預(yù)測(cè)腫瘤侵襲性，對(duì)乳腺導(dǎo)管原位癌(DCIS)、微浸潤(rùn)導(dǎo)管癌(DCIS-MI)與浸潤(rùn)性導(dǎo)管癌(IDC)進(jìn)行鑒別診斷。研究結(jié)果顯示DCIS-MI與DCIS的鑒別較與IDC的鑒別困難，DIB-MMG-TI用于區(qū)分IDC與其他類(lèi)別是可行的。來(lái)自DBT的合成乳房X線攝影的放射組學(xué)特征在區(qū)分乳腺癌TN與非TN分子亞型方面表現(xiàn)出了很高的性能, 并可能影響治療方向，其AUC為0.838, TN的敏感度和特異度分別為83.3%和79.7%。與此類(lèi)似，機(jī)器學(xué)習(xí)算法在luminal A/luminal B、HER2富集、三陰性分子亞型鑒別診斷中也顯示出較高的效能?；贑NN的算法可以預(yù)測(cè)乳腺癌的風(fēng)險(xiǎn)，并且可以根據(jù)已知的化療方案進(jìn)行調(diào)整，從而有望監(jiān)測(cè)治療反應(yīng)。

乳腺M(fèi)RI的日漸成熟為AI輔助乳腺疾病診斷增加了新的研究方向。從技術(shù)上看，Wang等在乳腺M(fèi)RI中自動(dòng)進(jìn)行纖維腺體組織(FGT)分割時(shí)發(fā)現(xiàn)，模糊邊緣注意生成對(duì)抗網(wǎng)絡(luò)(FEA-GAN)在骰子相似系數(shù)(DSC)、Jaccard索引(JI)和Hausdorff距離(HD)等方面與深度學(xué)習(xí)U-Net相比，其改進(jìn)均具有統(tǒng)計(jì)學(xué)意義(P<0.0001)。評(píng)估乳腺動(dòng)態(tài)對(duì)比增強(qiáng)DCE-MRI圖像的時(shí)間和空間分辨(4D)放射組學(xué)，以體素方式提取BI-RADS衍生的藥代動(dòng)力學(xué)增強(qiáng)特征，通過(guò)主成分分析(PCA)和人工神經(jīng)網(wǎng)絡(luò)(ANN)進(jìn)行進(jìn)一步分析，鑒別乳腺病變的良惡性，結(jié)果顯示AUC為0.836(95%CI：0.799～0.868)，顯示出較高的診斷效能。另有研究顯示，基于乳腺的DCE-MRI成像，使用ResNet深度學(xué)習(xí)的ROI+放射組學(xué)模型的診斷準(zhǔn)確度為86%，較單獨(dú)的ROI和放射組學(xué)模型高，且在腫瘤附近加入少量的腫瘤周組織可以獲得更高的準(zhǔn)確度(達(dá)到90%左右)。癌型DX評(píng)分(ODX)對(duì)雌激素受體(ER)陽(yáng)性乳腺癌患者的風(fēng)險(xiǎn)分層起著關(guān)鍵作用，只有高危患者才能從輔助化療中獲益。采用多參數(shù)MRI放射組學(xué)鑒別ER陽(yáng)性乳腺癌患者的高與低(exp1)、高與中低(exp2)、低與中高(exp3)的ODX風(fēng)險(xiǎn)，結(jié)果顯示在exp1中，T2+DCE的AUC最高(0.83,95%CI:0.75～0.91)，對(duì)exp2也是如此(0.78,95%CI:0.69～0.85)；而對(duì)于exp3來(lái)說(shuō)，T2的AUC最高(0.74,95%CI:0.65～0.83)。這些結(jié)果顯示了T2+DCE對(duì)從低?；蛑形?低?；颊咧蟹謱映龈呶；颊叩闹匾?。相比之下，T2能夠獨(dú)立從中高?；颊咧蓄A(yù)測(cè)出低風(fēng)險(xiǎn)患者。與之前報(bào)道的只使用DCE結(jié)果相比，增加T2特征可以使AUC的風(fēng)險(xiǎn)預(yù)測(cè)性能提高11%～15%。為預(yù)測(cè)腋窩淋巴結(jié)轉(zhuǎn)移情況(陽(yáng)性/陰性)，提取乳腺癌DCE-MRI早期和晚期的放射學(xué)特征,僅使用DCE-MRI放射組學(xué)特征、DCE-MRI放射組學(xué)與臨床病理相結(jié)合都能進(jìn)行有效預(yù)測(cè)，而后者效能更高，AUC值高達(dá)0.912(95%CI：0.819～0.979),敏感度、特異度和準(zhǔn)確度分別為0.91、0.88和0.71。

腹部

AI在肝臟疾病的相關(guān)研究應(yīng)用廣泛?；谏疃葘W(xué)習(xí)的模型可幫助放射科醫(yī)生在增強(qiáng)CT中準(zhǔn)確檢測(cè)肝臟惡性病灶，檢測(cè)靈敏度為89%，假陽(yáng)性(FP)率為2.54%。類(lèi)似的研究顯示，進(jìn)行增強(qiáng)雙能CT(DECT)后，借助機(jī)器學(xué)習(xí)(ML)模型，影像組學(xué)可以準(zhǔn)確地區(qū)分良性與惡性肝病灶，具有高特異度(97%)和陽(yáng)性預(yù)測(cè)值(94%)(AUC=0.82，P<0.0001)，其中僅1/35的良性(充血性血管瘤)病變被分類(lèi)為惡性病變(假陽(yáng)性)。肝靜脈期和增強(qiáng)前的融合MRI放射學(xué)特征可能用于區(qū)分cHCC-CC(肝細(xì)胞-膽管混合癌)與HCC、CC，將有助于改善術(shù)前影像學(xué)診斷和治療計(jì)劃。在活體供體肝移植術(shù)LDLT中，通過(guò)術(shù)前評(píng)估肝臟和節(jié)段容積來(lái)確保適當(dāng)?shù)囊浦参锎笮〉陌踩允浅晒︻A(yù)后的主要指標(biāo)。使用3種不同方法進(jìn)行術(shù)前LDLT評(píng)估：A，完全手動(dòng)；B，手動(dòng)切除的AI(使用AI自動(dòng)分割肝解剖，放射科醫(yī)生手動(dòng)切除)；C，全自動(dòng)。結(jié)果顯示B和C效果最佳，且 B顯示的總體差異最小。AI系統(tǒng)與專(zhuān)家干預(yù)相結(jié)合，有望在肝移植計(jì)劃中提供更好的結(jié)果。對(duì)于進(jìn)行肝大部分切除術(shù)后的肝硬化患者，基于放射組學(xué)的術(shù)前增強(qiáng)MR圖像模型可用于預(yù)測(cè)術(shù)后患者的肝衰竭，通過(guò)使用最小絕對(duì)收縮和選擇算子方法，并采用多元邏輯回歸模型建立影像組學(xué)模型，發(fā)現(xiàn)15分鐘的吲哚菁綠清除率(ICG-R15)在預(yù)測(cè)肝功能衰竭方面表現(xiàn)出最高的性能(AUC=0.894，95%CI：0.823～0.964)。所有肝臟MRI圖像均由受過(guò)訓(xùn)練的臨床分析人員手動(dòng)描繪ROI，以量化肝臟T1、T2*和PDFF，提供有關(guān)纖維炎癥、鐵和肝脂肪的信息來(lái)表征肝臟狀態(tài)。使用這些手動(dòng)生成的分割蒙版，訓(xùn)練了基于U-Net的深度學(xué)習(xí)方法來(lái)自動(dòng)識(shí)別并排除較差的模型擬合和偽影區(qū)域，模擬手動(dòng)執(zhí)行的ROI分析。將手動(dòng)ROI與自動(dòng)ROI進(jìn)行比較，結(jié)果顯示基于機(jī)器學(xué)習(xí)的自動(dòng)化處理，與手動(dòng)處理產(chǎn)生的結(jié)果非常接近，有可能極大地提高評(píng)估定量結(jié)果的效率，并提高標(biāo)準(zhǔn)臨床工作流程中定量MRI分析的可行性。對(duì)T1WI的同相位圖像使用紋理分析和機(jī)器學(xué)習(xí)量化處理，用于評(píng)估慢性肝病患者的肝纖維化水平，其準(zhǔn)確度與MR彈性成像(MRE)相似(AUC分別為0.82和0.92，P=0.4066)，可以在無(wú)法獲得MRE的情況下用作評(píng)估肝纖維化水平的替代方法。Smith等通過(guò)人工智能算法定量分析CT圖像中的肝臟表面結(jié)節(jié)，得到評(píng)分(LSN)，用來(lái)評(píng)估肝臟纖維化及肝硬化的分期；結(jié)果顯示該評(píng)分對(duì)早期肝纖維化、進(jìn)展期肝纖維化、肝硬化診斷的AUC分別為0.88～0.90、0.89～0.93和0.90～0.96，具有較高的準(zhǔn)確性，并可以預(yù)測(cè)具有臨床意義的門(mén)脈高壓及其他包括肝臟失代償及死亡等相關(guān)預(yù)后事件。同樣，基于機(jī)器學(xué)習(xí)的超聲造影特征提取也可以幫助影像學(xué)醫(yī)師提高對(duì)局灶性結(jié)節(jié)性增生(FNH)與非典型肝細(xì)胞癌(aHCC)的鑒別診斷。

在腎臟腫物的研究中AI也顯示出其優(yōu)勢(shì)。在放射組學(xué)中使用機(jī)器學(xué)習(xí)結(jié)合腎臟腫瘤的三維形態(tài)和紋理特征，有助于影像學(xué)診斷中腎臟腫塊良惡性的鑒別。單獨(dú)使用形狀指標(biāo)AUC為0.65，添加紋理指標(biāo)后AUC為0.69，形狀指標(biāo)是重要變量，其中矢狀凸包周長(zhǎng)率(CHP)是表現(xiàn)最好的形狀指標(biāo)?；诙嗥谠鰪?qiáng)CT紋理特征的機(jī)器學(xué)習(xí)可用于鑒別透明細(xì)胞腎細(xì)胞癌(cc-RCC)與癌細(xì)胞腫瘤(嫌色性腎細(xì)胞癌、嗜酸細(xì)胞瘤)，腎臟造影(NG)期TA的鑒別能力最高，AUC為0.822，敏感度和特異度分別為71.3%和81.4%，達(dá)到中等精度。類(lèi)似的人工智能算法也可用于乳頭狀細(xì)胞癌(prcc)、透明細(xì)胞癌(crcc)、嗜酸細(xì)胞瘤(oc)的鑒別診斷，檢測(cè)crcc、oc、prcc的敏感度分別為0.76、0.68、0.71，特異度分別為0.81、0.93、0.87，準(zhǔn)確度分別為0.70、0.58、0.76。增強(qiáng)CT紋理特征的機(jī)器學(xué)習(xí)可以改善實(shí)體腎腫物的分類(lèi)。對(duì)腫瘤病灶進(jìn)行自由區(qū)域分割，得出腫瘤長(zhǎng)度和血管腫瘤負(fù)荷(VTB)的變化，然后使用TexRAD軟件進(jìn)行CT紋理過(guò)濾，結(jié)果顯示抗血管生成治療后CT圖像上CT紋理的定量變化可以預(yù)測(cè)無(wú)進(jìn)展生存期(PFS)，且精細(xì)紋理變化、腫瘤長(zhǎng)度和VTB是PFS的獨(dú)立預(yù)測(cè)因素?；诔Ｒ?guī)MR影像的深度學(xué)習(xí)，區(qū)分腎良性腫瘤與腎細(xì)胞癌的準(zhǔn)確性較高，達(dá)到了87.2%，AUC為0.939，有助于指導(dǎo)臨床治療決策的制定。另有研究顯示基于T2WI的紋理分析能有效鑒別低脂AML與常見(jiàn)腎細(xì)胞癌?；谌辔籆T和全序列MR圖像的機(jī)器學(xué)習(xí)模型可以鑒別低級(jí)別與高級(jí)別ccRCC，AUC分別為0.76和0.77，兩者之間差異無(wú)統(tǒng)計(jì)學(xué)意義，可用于術(shù)前預(yù)測(cè)。

Chen等通過(guò)對(duì)包括100例胰腺腫瘤及100例對(duì)照病例的對(duì)比增強(qiáng)CT靜脈期圖像進(jìn)行紋理分析及機(jī)器學(xué)習(xí)，建立了一個(gè)用以識(shí)別胰腺腫瘤的機(jī)器學(xué)習(xí)模型，其基于患者的診斷準(zhǔn)確度為95.12%，基于模塊的診斷準(zhǔn)確度為93.43%。

對(duì)于胃癌，應(yīng)用機(jī)器學(xué)習(xí)方法，放射學(xué)特征顯示出良好的預(yù)測(cè)早期復(fù)發(fā)的性能，AUC為0.799(95%CI：0.741～0.857)，此外臨床N期、臨床T期和癌胚抗原水平是早期復(fù)發(fā)的獨(dú)立預(yù)測(cè)因子，結(jié)合所有這些預(yù)測(cè)因素的列線圖顯示出更強(qiáng)大的預(yù)測(cè)能力，AUC為0.842(95%CI：0.791～0.894)，可用于術(shù)前預(yù)測(cè)晚期胃癌(AGC)患者術(shù)后的早期復(fù)發(fā)，是指導(dǎo)個(gè)性化治療的潛在工具。通過(guò)使用AI算法從CT結(jié)腸造影CTC數(shù)據(jù)集中自動(dòng)檢測(cè)息肉，該算法通過(guò)3D卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)鋸齒狀息肉的對(duì)比涂層現(xiàn)象，有很高的敏感性；91%的息肉可見(jiàn)對(duì)比涂層，平均每個(gè)息肉的檢測(cè)敏感度為93%±7%，平均每例患者的敏感度為94%±6%。準(zhǔn)確的術(shù)前腫瘤分期評(píng)估對(duì)直腸癌的治療和預(yù)后至關(guān)重要。相關(guān)研究從高分辨率T2加權(quán)成像(HR-T2WI)和擴(kuò)散加權(quán)成像(DWI)通過(guò)人工神經(jīng)網(wǎng)絡(luò)(ANN)構(gòu)建了放射學(xué)評(píng)估模型，并顯示出良好的術(shù)前T分期表現(xiàn)；結(jié)合了放射學(xué)特征和臨床獨(dú)立的危險(xiǎn)因素，放射學(xué)評(píng)估模型顯示出更好的性能，可用于提高其T分期的準(zhǔn)確性。影像組學(xué)特征是評(píng)估局部進(jìn)展期直腸癌LARC患者無(wú)病生存期DFS的獨(dú)立生物學(xué)指標(biāo)，結(jié)合影像組學(xué)較臨床病理或僅Rad-score諾模圖更能提高個(gè)體化DFS的評(píng)估效果(C指數(shù)為0.715，95%CI：0.67～0.79)。

在生殖系統(tǒng)疾病中AI亦顯示出其臨床意義。Cheng等研究發(fā)現(xiàn)基于網(wǎng)絡(luò)的多功能輔助系統(tǒng)可以早期檢測(cè)婦科腫瘤的遠(yuǎn)距離復(fù)發(fā)，對(duì)治療策略的制定有很大幫助。Luo等對(duì)進(jìn)行子宮動(dòng)脈栓塞治療的肌瘤患者，通過(guò)訓(xùn)練殘余卷積神經(jīng)網(wǎng)絡(luò)模型分析術(shù)前MRI圖像，可以預(yù)測(cè)肌瘤體積的減少和臨床結(jié)果，測(cè)試準(zhǔn)確度分別為78.1%和84.7%，AUC分別為0.865和0.916。這將有助于臨床醫(yī)生確定哪些患者會(huì)是該療法的最大受益者。Moeskops等研究基于深度學(xué)習(xí)的方法從全腹部CT掃描中自動(dòng)分割皮下脂肪、臟器脂肪和腰大肌是可行的，手動(dòng)測(cè)量體積與自動(dòng)測(cè)量體積之間的相關(guān)性系數(shù)分別為0.996、0.997和0.941，平均約15秒內(nèi)完成全掃描的分割，從而有助于心血管疾病和癌癥的個(gè)性化風(fēng)險(xiǎn)評(píng)估。

骨骼肌肉系統(tǒng)

深度學(xué)習(xí)使用多尺度U-Net作為檢測(cè)器，診斷效能非常出色，檢測(cè)骨折的特異度、敏感度和AUC分別為87%、86%和92%，還檢測(cè)出39個(gè)漏診的骨折。因此在傳統(tǒng)CR圖像上引入新型的深度學(xué)習(xí)驅(qū)動(dòng)系統(tǒng)，可以協(xié)助放射科醫(yī)生進(jìn)行肋骨骨折的檢測(cè)，并減少漏診。同樣，Nicolaes等和Cheng等基于對(duì)椎體CT和骨盆X線片進(jìn)行深度學(xué)習(xí)，診斷骨折也有較高的效能。

Lang等對(duì)骨折患者的CT圖像進(jìn)行分析，使用ResNet50對(duì)脊柱病變進(jìn)行良、惡性鑒別診斷，具有較高的診斷準(zhǔn)確率，在每例患者的診斷中，敏感度為0.95，特異度為0.80，準(zhǔn)確度為0.88。但是當(dāng)對(duì)整個(gè)脊柱進(jìn)行評(píng)估時(shí)，自動(dòng)檢測(cè)異常的準(zhǔn)確率較低，還需要進(jìn)一步改進(jìn)。Chianca等回顧性研究脊柱病變患者的平掃M(jìn)RI，基于HCAD軟件紋理分析(TA)可將89%的病變正確地分類(lèi)為良、惡性病變，而使用Pyradiomics軟件的支持向量機(jī)的分類(lèi)準(zhǔn)確率可以達(dá)到87%。對(duì)于良性、原發(fā)性惡性和轉(zhuǎn)移性病變的分類(lèi)，兩種TA軟件的RF模型都準(zhǔn)確地對(duì)70%的病變進(jìn)行了分類(lèi)?；贛RI檢查的ML算法在脊柱病變分類(lèi)中具有較高的準(zhǔn)確度，不同軟件進(jìn)行的特征提取顯示了一致的結(jié)果。

在膝關(guān)節(jié)和肩關(guān)節(jié)的研究中，AI技術(shù)也有了新的進(jìn)展。有學(xué)者開(kāi)發(fā)了一種基于CNN的U-Net的改良版深度學(xué)習(xí)系統(tǒng)，以從非脂肪抑制(FS)圖像創(chuàng)建合成人工智能的脂肪抑制MR(AFMRI)圖像；原始序列與AFMRI序列之間CNR測(cè)量的相關(guān)系數(shù)非常好(均>0.95)。AFMRI在檢測(cè)內(nèi)外半月板撕裂方面具有出色的靈敏度，對(duì)軟骨和骨髓異常的評(píng)估具有中等特異性。盡管AFMRI會(huì)降低圖像質(zhì)量，但該技術(shù)對(duì)于診斷是可行的。深度學(xué)習(xí)合成AFMRI為膝關(guān)節(jié)的快速成像提供了一種新技術(shù)。另有研究顯示，自動(dòng)膝關(guān)節(jié)軟骨分割法取得了與放射科醫(yī)生相似的性能，可用于評(píng)估膝關(guān)節(jié)骨關(guān)節(jié)炎。一位有18年工作經(jīng)驗(yàn)的放射科醫(yī)生根據(jù)3DUTE-Cones序列的UTE adiab1ρ加權(quán)MR圖像手動(dòng)分割膝軟骨，然后將UTE adiabT1ρ圖像和相應(yīng)掩碼的2D切片輸入到深度學(xué)習(xí)網(wǎng)絡(luò)中，采用U-Net結(jié)構(gòu)分割膝關(guān)節(jié)軟骨。結(jié)果顯示手動(dòng)與自動(dòng)分割所得的平均T1、adiabT1ρ、T2*值相關(guān)性較高，分別為0.95、0.88和0.86。深度卷積神經(jīng)網(wǎng)絡(luò)(DCNN)在X線圖片上可自動(dòng)識(shí)別肩關(guān)節(jié)成形術(shù)(SA)模型，并區(qū)分TSA與RTSA，以及5種特定的TSA模型，為自動(dòng)關(guān)節(jié)置換圖譜的快速模型識(shí)別奠定了基礎(chǔ)。

對(duì)于兒童生長(zhǎng)發(fā)育和骨折的診斷評(píng)估，AI也顯示出其優(yōu)勢(shì)。采用粗-精級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)對(duì)小兒腿部的股骨和脛骨進(jìn)行分割和測(cè)量，訓(xùn)練一個(gè)粗糙的CNN模型對(duì)被試的腿進(jìn)行左右兩邊的分類(lèi)，然后對(duì)每一邊進(jìn)行精細(xì)的腿部分割。研究結(jié)果表明，粗-精級(jí)聯(lián)深度學(xué)習(xí)方法可以實(shí)現(xiàn)兒童腿部的精確分割，分割精度為0.90，其準(zhǔn)確度與專(zhuān)科訓(xùn)練的兒科放射醫(yī)師相當(dāng)，且自動(dòng)測(cè)量每個(gè)受試者所用的時(shí)間不到1s。然而，在骨齡評(píng)估(BAA)中AI的評(píng)估效能還有待提高。Greulich&Pyle(GP)圖譜是BAA的最常見(jiàn)標(biāo)準(zhǔn)，比較GP-BAA與基于三模型MobileNetV2卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的BAA(DL-BAA)，分析兒童手X線片,DL-BAA與GP-BAA的平均絕對(duì)誤差(MAE)差異有統(tǒng)計(jì)學(xué)意義，實(shí)際年齡高估了5.2～8.3個(gè)月。使用經(jīng)過(guò)適當(dāng)設(shè)計(jì)和訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)(CNN)對(duì)兒童骨折X線片進(jìn)行評(píng)估，表現(xiàn)最好的CNN達(dá)到94.35%的準(zhǔn)確度，AUC為0.97。相似的研究結(jié)果顯示，深度學(xué)習(xí)可對(duì)兒童肘關(guān)節(jié)髁上骨折做出與放射醫(yī)師準(zhǔn)確度相當(dāng)?shù)脑\斷。

骨密度的評(píng)估通常依賴(lài)于雙能X線吸收骨密度測(cè)量法(DEXA)。Savage等提出一種基于小波特征、AdaBoost和局部幾何約束的人工智能算法，發(fā)現(xiàn)該人工智能模型能成功地通過(guò)CT值測(cè)定骨密度，并與DEXA有良好的相關(guān)性(P<0.001)，可以成功用于CT篩查骨質(zhì)疏松癥。與此類(lèi)似，Kamel等研究發(fā)現(xiàn)深度卷積神經(jīng)網(wǎng)絡(luò)(DCNNs)也可用于骨密度測(cè)量，為CR預(yù)測(cè)骨質(zhì)疏松提供了一種客觀的方法，也為此類(lèi)疾病的篩查提供了可能。

在軟骨變性的早期僅存在組成上的微小變化，如膠原蛋白(CO)和蛋白聚糖(PG)含量的變化。采用定量MRI(qMRI)進(jìn)行軟骨標(biāo)本成像，運(yùn)用傅里葉變換-紅外光譜法測(cè)定CO和PG組分；建立人工神經(jīng)網(wǎng)絡(luò)(ANN)和多元線性模型(MLM)，并通過(guò)遺漏交叉驗(yàn)證進(jìn)行訓(xùn)練，實(shí)現(xiàn)了CO和PG組分的預(yù)測(cè)；模型與光譜測(cè)量之間存在很強(qiáng)的相關(guān)性(Pearson相關(guān)系數(shù)r>0.7)，ANN的表現(xiàn)優(yōu)于MLM。機(jī)器學(xué)習(xí)方法基于多參數(shù)qMRI預(yù)測(cè)局部CO和PG含量，具有較高的準(zhǔn)確度，對(duì)診斷(早期)退變和監(jiān)測(cè)治療效果具有潛在意義。

影像技術(shù)

很多研究人員在AI總體的技術(shù)改進(jìn)和應(yīng)用方面做了許多工作。通過(guò)深度學(xué)習(xí)構(gòu)建能用于CT/能譜CT降低噪聲的算法，Missert等發(fā)現(xiàn)與傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型相比，針對(duì)個(gè)體特定調(diào)整的深度神經(jīng)網(wǎng)絡(luò)模型能夠降低噪聲，獲得更好的CT圖像。Erath等提出了一種mbDSE三射線評(píng)估方法，并將其應(yīng)用于錐形束CT圖像中，該方法不需要基于設(shè)備參數(shù)和散射參數(shù)構(gòu)建模型，其在去除圖像散射偽影、提高圖像質(zhì)量方面有一定的應(yīng)用前景。Kim等研究發(fā)現(xiàn)對(duì)于CT圖像，深度學(xué)習(xí)算法重建的圖像質(zhì)量?jī)?yōu)于濾波反投影算法，與ADMIRE重建算法相當(dāng)，但深度學(xué)習(xí)重建算法更簡(jiǎn)單。

關(guān)于CT圖像深度學(xué)習(xí)重建方法(DLIR)的探討，Timothy等研究發(fā)現(xiàn)胸部CT掃描在所有層厚和劑量下，DLIR的性能均優(yōu)于FBP和ASiR-V。與此類(lèi)似，Hata等也發(fā)現(xiàn)與ASiR-V相比，DLIR降低了胸部CT的噪聲和條紋偽影，提高了客觀參數(shù)和主觀圖像質(zhì)量。Li等對(duì)結(jié)石患者的CT圖像進(jìn)行分析，發(fā)現(xiàn)輻射劑量減少60%的ASIR-V重建圖像和輻射劑量減少90%的DL圖像不會(huì)影響尿路結(jié)石的評(píng)估。Zhao等研究表明NNC模型能夠?qū)⒈觤DCT轉(zhuǎn)換成較參考標(biāo)準(zhǔn)全劑量CT圖像質(zhì)量高的VHDCT，而輻射劑量減少了90%。Brady等對(duì)兒童患者的CT圖像不同重建算法進(jìn)行比較，發(fā)現(xiàn)采用基于深度學(xué)習(xí)的DL-CT重建(AiCE)技術(shù)對(duì)目標(biāo)信號(hào)的檢測(cè)和噪聲幅度有了實(shí)質(zhì)性改善，具有顯著降低輻射劑量的潛力。基于深度學(xué)習(xí)的去噪(DLD)提高了超低劑量CT(ULDCT)上混合迭代重建(IR)和基于模型的迭代重建(MBIR)圖像的質(zhì)量，其中MBIR較混合IR更有優(yōu)勢(shì)。因此，DLD和MBIR均可通過(guò)提高超低劑量胸部CT的圖像質(zhì)量來(lái)為臨床實(shí)踐做貢獻(xiàn)。

關(guān)于生成對(duì)抗網(wǎng)絡(luò)(cGAN)有不少研究報(bào)道。Xiao等對(duì)多模態(tài)CT成像(包括平掃CT和增強(qiáng)CT)進(jìn)行分析，結(jié)果發(fā)現(xiàn)通過(guò)生成對(duì)抗網(wǎng)絡(luò)的遷移學(xué)習(xí)，與直接訓(xùn)練CT圖像相比，圖像的峰信噪比和結(jié)構(gòu)相似度都有顯著改善；因此，遷移生成對(duì)抗網(wǎng)絡(luò)可以有效提高多模態(tài)CT圖像的分辨率和圖像質(zhì)量。Tang等通過(guò)訓(xùn)練生成對(duì)抗網(wǎng)絡(luò)學(xué)習(xí)來(lái)進(jìn)行正常與異常CR的識(shí)別，該方法獲得的AUC為0.841，而沒(méi)有使用對(duì)抗性學(xué)習(xí)的AUC則為0.627。Uemura等基于條件生成對(duì)抗網(wǎng)絡(luò)開(kāi)發(fā)了一種稱(chēng)為pix2surv的圖像新型生存分析模型，通過(guò)分析胸部CT圖像，將pix2surv模型特發(fā)性肺纖維化(IPF)患者的存活預(yù)測(cè)與已建立的臨床預(yù)后生物標(biāo)記物[性別、年齡和生理學(xué)(GAP)指數(shù)]進(jìn)行比較，結(jié)果發(fā)現(xiàn)，pix2surv模型在預(yù)測(cè)IPF患者整體生存方面的性能較GAP指數(shù)有顯著提高。