智能影像輔助診斷的應(yīng)用與研究

李卓君

【摘要】目前在醫(yī)學(xué)行業(yè)，人工智能與醫(yī)療技術(shù)的結(jié)合已經(jīng)成為了熱門領(lǐng)域，它可以解決醫(yī)療行業(yè)上的諸多難題，因此在醫(yī)學(xué)領(lǐng)域，智能識(shí)別技術(shù)正逐步得到驗(yàn)證與優(yōu)化，“智慧醫(yī)療”正在不斷地發(fā)展和完善，并逐漸出現(xiàn)在人們身邊。而圖像識(shí)別是基于統(tǒng)計(jì)理論、神經(jīng)網(wǎng)絡(luò)以及聚類等多種分類方法，通過變換和特征提取將處在維數(shù)較高的測量空間的表示模式轉(zhuǎn)換成維數(shù)較低的特征空間的表示模式，再通過訓(xùn)練樣本集來訓(xùn)練分類的過程。本文將主要就醫(yī)療領(lǐng)域影像診斷缺口、圖像識(shí)別在醫(yī)學(xué)領(lǐng)域醫(yī)療方面的應(yīng)用、圖像識(shí)別技術(shù)的介紹以及如何提高圖像識(shí)別的識(shí)別能力來介紹通過圖像識(shí)別技術(shù)為基礎(chǔ)的智能醫(yī)療影像輔助診斷技術(shù)。

【關(guān)鍵詞】智能醫(yī)療;圖像識(shí)別;智能醫(yī)療影像

【中圖分類號(hào)】R4;G644.5 ? 【文獻(xiàn)標(biāo)識(shí)碼】A ? 【文章編號(hào)】2026-5328（2021）12--02

1 智能影像輔助診斷技術(shù)的產(chǎn)生

1.1產(chǎn)生的原因

首先，國內(nèi)醫(yī)生資源相對(duì)匱乏，加速了智能影像技術(shù)的產(chǎn)生。相比于美國、英國、日本等發(fā)達(dá)國家，我國醫(yī)學(xué)人員人數(shù)在全國總數(shù)的占比較少，醫(yī)生平均需要診斷的病人數(shù)量與醫(yī)生人數(shù)嚴(yán)重失衡，并且我國的醫(yī)療資源的總體水平相比于其他發(fā)達(dá)國家也呈現(xiàn)較低狀態(tài)。據(jù)數(shù)據(jù)統(tǒng)計(jì)，我國醫(yī)學(xué)影像數(shù)據(jù)的年增長率約為30%，而進(jìn)行閱片的醫(yī)生總數(shù)同年增長率約為4.1%，相差25.9%[1]。由此可見，在我國進(jìn)行閱片的醫(yī)生人數(shù)的增長遠(yuǎn)小于醫(yī)學(xué)影像數(shù)據(jù)的增長，這就使得醫(yī)生無法及時(shí)查看和分析影像數(shù)據(jù)，造成數(shù)據(jù)堆積，產(chǎn)生了極大的醫(yī)療診斷缺口。

其次，機(jī)器在特定環(huán)境下的識(shí)別速度已經(jīng)遠(yuǎn)超人類水平。由于人眼的信息捕捉范圍和人類對(duì)信息處理的速度存在生物學(xué)上的限制，而機(jī)器不受這些限制，所以在信息捕捉的準(zhǔn)確性、完整性和及時(shí)性上，機(jī)器的能力已經(jīng)可以達(dá)到甚至超過人類水平。智能機(jī)器已經(jīng)具備目標(biāo)的精準(zhǔn)分類和識(shí)別能力，因此可以由機(jī)器幫助醫(yī)生進(jìn)行輔助判斷，一方面降低了醫(yī)生人工閱片的人力損耗，另一方面提高了病灶識(shí)別的準(zhǔn)確度和速度，實(shí)現(xiàn)了降低人力成本和提升工作效率的雙重收益。

1.2產(chǎn)生的意義

病理分析對(duì)發(fā)現(xiàn)、治療與監(jiān)測傳染性疾病有著至關(guān)重要的作用，對(duì)于癌癥等疾病而言，正確的病理歸類和判斷腫瘤分期對(duì)疾病的治療有著高效的指導(dǎo)作用，并且可以用來預(yù)測病情演化?，F(xiàn)如今人們對(duì)健康生活的追求不斷提高，各項(xiàng)健康體檢、疾病篩查數(shù)量不斷增加，影像科醫(yī)生的工作量也日漸繁重，由于長期從事高負(fù)荷的工作，不可避免地導(dǎo)致視覺疲勞的產(chǎn)生，將一些非病變的病灶誤診為病變， 或者將一些良性病變誤診為惡性。而缺乏正確的判斷又會(huì)導(dǎo)致病人的病理結(jié)果出現(xiàn)嚴(yán)重偏差，可能會(huì)影響病人的護(hù)理，使病人出現(xiàn)漏診、誤診或延期治療的不良情況。據(jù)統(tǒng)計(jì)， 醫(yī)學(xué)影像的疾病誤診率可達(dá)到10%～30%[2]。由此可見，對(duì)于當(dāng)今社會(huì)而言僅僅依靠傳統(tǒng)的人工解讀醫(yī)學(xué)影像的方式已經(jīng)很難滿足日益增長的影像科診療需求，因此，借助圖像智能識(shí)別技術(shù)輔助影像醫(yī)生進(jìn)行診斷勢在必行。

2 智能影像輔助診斷技術(shù)的實(shí)現(xiàn)

2.1 病理圖像識(shí)別

在影像診斷過程中，正確判斷病情是最核心的部分之一，病癥識(shí)別結(jié)果的準(zhǔn)確率與病灶特征提取的好壞有著直接關(guān)系[3]。在2015年前后，深度學(xué)習(xí)不斷得到認(rèn)同，并在短時(shí)間內(nèi)飛速發(fā)展。由于深度學(xué)習(xí)幾年來的不斷發(fā)展，卷積神經(jīng)網(wǎng)絡(luò)得到了廣泛的認(rèn)可并飛速發(fā)展。近幾年卷積神經(jīng)網(wǎng)絡(luò)的研究不斷深入、不斷成熟，我國的卷積神經(jīng)網(wǎng)絡(luò)擁有積累大量深度數(shù)據(jù)和快速計(jì)算的能力。在醫(yī)學(xué)影像領(lǐng)域，在結(jié)合卷積神經(jīng)網(wǎng)絡(luò)之后，不僅降低了計(jì)算機(jī)結(jié)構(gòu)的復(fù)雜度，也在一定程度上大幅提高了其識(shí)別的精確度。在本文的智能影像輔助診斷系統(tǒng)中，采用的是輕量化卷積神經(jīng)網(wǎng)絡(luò)（ShuffleNet）來對(duì)病灶進(jìn)行提取。

2.2卷積神經(jīng)網(wǎng)絡(luò)介紹

卷積神經(jīng)網(wǎng)絡(luò)現(xiàn)如今已經(jīng)發(fā)展的非常完善了，目前已經(jīng)提出了各種卷積方法幫助機(jī)器進(jìn)行更加快速、更為高效、精確度更高的學(xué)習(xí)。淺層學(xué)習(xí)是依靠人的經(jīng)驗(yàn)提取出特征信息，也就是說模型的輸入是人工通過經(jīng)驗(yàn)提取出來的特征信息，只能用來分類和預(yù)測，通過網(wǎng)絡(luò)模型學(xué)習(xí)后獲得的是單層特征，是不具有層次結(jié)構(gòu)的，沒有學(xué)習(xí)的過程。而深度學(xué)習(xí)則是通過訓(xùn)練讓機(jī)器自主的將特征信息從訓(xùn)練模型中提取出來，對(duì)原始數(shù)據(jù)進(jìn)行逐層的特征變換，將原始空間的數(shù)據(jù)特征變換到新空間，自動(dòng)地學(xué)習(xí)得到層次化的特征表示，將原始的輸入逐層轉(zhuǎn)化得到淺層、中層、高層特征，直到達(dá)到最終的任務(wù)目標(biāo)。人們通過傳統(tǒng)的不斷疊加網(wǎng)絡(luò)層數(shù)來提高 CNN 的性能，由于層數(shù)的不斷增加，導(dǎo)致需要訓(xùn)練的參數(shù)增多，如果直接采用的經(jīng)典算法進(jìn)行訓(xùn)練，例如BP算法，誤差逆?zhèn)鞑バ枰?jīng)過很多層，從而導(dǎo)致發(fā)散一直無法收斂，不僅導(dǎo)致神經(jīng)網(wǎng)絡(luò)參數(shù)量和計(jì)算量十分巨大，訓(xùn)練出來的網(wǎng)絡(luò)效果也變得很差，還不利于模型的存儲(chǔ)，使網(wǎng)絡(luò)計(jì)算效率大幅下降。因此本文采用的是輕量化神經(jīng)網(wǎng)絡(luò)。

2.3輕量化卷積神經(jīng)網(wǎng)絡(luò)

輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)和移動(dòng)終端神經(jīng)網(wǎng)絡(luò)加速框架發(fā)展迅速。通過創(chuàng)建新的神經(jīng)網(wǎng)絡(luò)計(jì)算方法來減少網(wǎng)絡(luò)參數(shù)，卷積神經(jīng)網(wǎng)絡(luò)可以更好地部署在移動(dòng)終端設(shè)備上。輕量化卷積神經(jīng)網(wǎng)絡(luò)就是在不損失精確度的前提下，降低卷積計(jì)算量，即通過提升權(quán)值共享和稀疏連接兩點(diǎn)性能，使卷積神經(jīng)網(wǎng)絡(luò)對(duì)比于全連接網(wǎng)絡(luò)大大減少了參數(shù)量，神經(jīng)網(wǎng)絡(luò)處理能力與泛化性也得到了提高。本文采用的輕量化卷積模型是ShuffleNet。

2.4 ShuffleNet

ShuffleNet[4]是將MobileNet卷積再進(jìn)行分組卷積。MobileNet的卷積思想通過逐深度卷積（depthwise conv） 和逐點(diǎn)卷積（pointwise conv， 也就是1x1卷積）將計(jì)算量再次壓縮.雖然能將傳統(tǒng)的3x3的卷積核的計(jì)算量直接壓縮到1x1的運(yùn)算量，但仍有提升空間。即對(duì) 1x1卷積進(jìn)行分組卷積， 這就是ShuffleNet。該方法的核心是采用可分解的深度可分卷積，不僅可以降低模型的計(jì)算復(fù)雜度，還可以減小模型的規(guī)模。

3 存在的問題

3.1 未實(shí)現(xiàn)網(wǎng)絡(luò)化結(jié)構(gòu)

就理論而言，一個(gè)完整的智能影像輔助診斷系統(tǒng)應(yīng)實(shí)現(xiàn)患者癥狀的全方面檢測。而現(xiàn)如今，雖然智能影像診斷技術(shù)較為成熟，但都僅局限于某個(gè)單一病種，不同的病種需要針對(duì)不同的病理特征單獨(dú)進(jìn)行算法訓(xùn)練和設(shè)計(jì)開發(fā)。而且，智能影像輔助診斷技術(shù)的核心是診斷的準(zhǔn)確性，如何在短時(shí)間內(nèi)快速識(shí)別同一張影像圖下的不同病種;如何實(shí)現(xiàn)不同模態(tài)數(shù)據(jù)、實(shí)現(xiàn)多模態(tài)融合的網(wǎng)絡(luò)化系統(tǒng)結(jié)構(gòu);雖然智能影像輔助診斷系統(tǒng)只是用來輔助醫(yī)生診斷的手段之一，我們還是要有效減少醫(yī)生的工作負(fù)荷，如何避免一旦不同的病種出現(xiàn)相似的病理特征，智能影像輔助診斷系統(tǒng)的紊亂現(xiàn)象。由此可見，智能影像輔助診斷系統(tǒng)的魯棒性需要提高。

3.2缺乏數(shù)據(jù)互通機(jī)制

智能醫(yī)學(xué)圖像診斷的準(zhǔn)確性與輸入圖像數(shù)據(jù)的質(zhì)量有很大關(guān)系。而影像高質(zhì)量數(shù)據(jù)的獲取是目前最難攻克的難題[5]。

1、大量高質(zhì)量的圖像數(shù)據(jù)主要集中在發(fā)展較好的地區(qū)，并主要集中于各地的三甲醫(yī)院，而且由于醫(yī)療數(shù)據(jù)涉及病人隱私，不同醫(yī)療機(jī)構(gòu)的數(shù)據(jù)很少實(shí)現(xiàn)共享，因此缺乏有效的數(shù)據(jù)互通機(jī)制。

2、中國的區(qū)域性發(fā)展導(dǎo)致地區(qū)與地區(qū)、省份與省份之間醫(yī)療機(jī)構(gòu)所使用的設(shè)備、技術(shù)、劑量不盡相同，我國也沒有較為統(tǒng)一的完善的醫(yī)療數(shù)據(jù)庫系統(tǒng)，雖然各地在學(xué)術(shù)上能進(jìn)行溝通，但在機(jī)構(gòu)與機(jī)構(gòu)之間很少有數(shù)據(jù)上的交流，這導(dǎo)致了智能影像輔助診斷系統(tǒng)沒有統(tǒng)一的訓(xùn)練樣本。

3、大多數(shù)國內(nèi)醫(yī)療數(shù)據(jù)存在于獨(dú)立的醫(yī)療衛(wèi)生機(jī)構(gòu)中，多數(shù)人認(rèn)為數(shù)據(jù)的共享不利于醫(yī)療機(jī)構(gòu)專業(yè)技術(shù)的保密，缺乏共享數(shù)據(jù)的動(dòng)機(jī)。

所以應(yīng)該擁有一個(gè)較為統(tǒng)一的醫(yī)療數(shù)據(jù)平臺(tái)用來提供高質(zhì)量的影像數(shù)據(jù)，加強(qiáng)算法研究。樣本數(shù)據(jù)質(zhì)量越高，深度學(xué)習(xí)算法的結(jié)果越準(zhǔn)確。只要做好醫(yī)療大數(shù)據(jù)共享的頂層設(shè)計(jì)，規(guī)范數(shù)據(jù)標(biāo)準(zhǔn)，打破數(shù)據(jù)共享的壁壘，就能突破一些醫(yī)療領(lǐng)域上的空白。

3.3訓(xùn)練樣本不統(tǒng)一

在算法訓(xùn)練實(shí)現(xiàn)的過程中，需要大量的監(jiān)督。因?yàn)樵谥悄苡跋褫o助診斷技術(shù)的識(shí)別精確度上，監(jiān)督學(xué)習(xí)起著至關(guān)重要的作用。首先在獲取的數(shù)據(jù)樣本方面，各個(gè)機(jī)構(gòu)獲得的數(shù)據(jù)僅來自于單個(gè)區(qū)域，在數(shù)據(jù)上就已經(jīng)出現(xiàn)了數(shù)量和質(zhì)量的不同。其次，深度學(xué)習(xí)需要為過去的經(jīng)驗(yàn)手動(dòng)標(biāo)記訓(xùn)練集。在醫(yī)學(xué)領(lǐng)域，有許多從經(jīng)驗(yàn)中獲得的病理特征，需要更多的監(jiān)督。如果訓(xùn)練集中數(shù)據(jù)的質(zhì)量和規(guī)模不均衡，沒有有效的監(jiān)督學(xué)習(xí)，很容易導(dǎo)致智能圖像輔助診斷結(jié)果的準(zhǔn)確率較低。目前國家仍然缺乏完整、權(quán)威的質(zhì)控和評(píng)價(jià)體系，因此，應(yīng)對(duì)智能圖像輔助診斷系統(tǒng)加強(qiáng)規(guī)范;加強(qiáng)訓(xùn)練數(shù)據(jù)集標(biāo)注及量化方法;加強(qiáng)智能影像輔助診斷產(chǎn)品算法訓(xùn)練過程中的監(jiān)管，避免產(chǎn)品在實(shí)際應(yīng)用中出現(xiàn)較大偏差。從而增加患者對(duì)醫(yī)療人工智能的信任，促進(jìn)醫(yī)療人工智能的順利實(shí)施和可靠應(yīng)用，提高人工智能的可信度。

3.4缺乏保護(hù)和監(jiān)管

就傳統(tǒng)意義上而言，由于病人信息安全等因素，各個(gè)不同的醫(yī)療機(jī)構(gòu)的數(shù)據(jù)不應(yīng)公開化，所以各個(gè)醫(yī)療機(jī)構(gòu)的數(shù)據(jù)不愿開放和分享是正常行為，這也導(dǎo)致了智能影像輔助診斷系統(tǒng)無法得到進(jìn)一步突破。但我國大量的數(shù)據(jù)樣本對(duì)于智能影像輔助診斷技術(shù)的算法訓(xùn)練十分可觀。如何解決數(shù)據(jù)的共享的同時(shí)保護(hù)病人信息的安全性則需要有效的保護(hù)和監(jiān)管機(jī)制，有以下幾種途徑：

1、加強(qiáng)醫(yī)療智能影像輔助診斷行業(yè)法律法規(guī)制定：制定醫(yī)療數(shù)據(jù)隱私保護(hù)條例，明確醫(yī)療機(jī)構(gòu)、相關(guān)企業(yè)等主體在采集、使用、共享、傳輸醫(yī)療數(shù)據(jù)時(shí)應(yīng)遵守的規(guī)則，以及泄露隱私的處罰，強(qiáng)調(diào)條例的可操作性。

2、產(chǎn)品開發(fā)組織數(shù)據(jù)庫的圖像質(zhì)量要規(guī)范、可追溯;要保護(hù)患者隱私，避免數(shù)據(jù)泄露，共享醫(yī)療數(shù)據(jù)。

3、通過合理的數(shù)據(jù)共享機(jī)制，建立標(biāo)準(zhǔn)化、大樣本的數(shù)據(jù)中心，為人工智能培訓(xùn)提供高質(zhì)量的數(shù)據(jù)，使其在醫(yī)療領(lǐng)域的應(yīng)用更加可能。規(guī)定各醫(yī)療機(jī)構(gòu)和產(chǎn)品開發(fā)機(jī)構(gòu)簽署數(shù)據(jù)安全保障協(xié)議，旨在將數(shù)據(jù)樣本只在醫(yī)療機(jī)構(gòu)和產(chǎn)品開發(fā)機(jī)構(gòu)內(nèi)部進(jìn)行共享，而對(duì)外嚴(yán)格保密。制定數(shù)據(jù)隱私保護(hù)法規(guī)和標(biāo)準(zhǔn)，研究人工智能責(zé)任歸屬研究醫(yī)生、人工智能企業(yè)在人工智能產(chǎn)品輔助醫(yī)生診療過程中各自承擔(dān)的責(zé)任界定。

4 結(jié)論

目前智能影像輔助診斷技術(shù)已有了初步的進(jìn)展，在某些病灶的提取和判斷上也已經(jīng)擁有了成熟的經(jīng)驗(yàn)，但是體系仍然不夠完善，需要建立健全的體系來實(shí)現(xiàn)醫(yī)學(xué)領(lǐng)域的更大突破。

參考文獻(xiàn)：

[1]唐志強(qiáng)，卓瑪，魏巍.智能醫(yī)學(xué)影像發(fā)展現(xiàn)狀和挑戰(zhàn)[J].現(xiàn)代醫(yī)藥衛(wèi)生，2020，36（17）：2754-2757

[2]Michael L Wilson，Shahin Sayed; Susan Horton，Kenneth A Fleming.Artificial intelligence can augment global pathology initiatives – Authors' reply[J].《The Lancet Global Health》，2018

[3]姜軒.基于深度學(xué)習(xí)的場景圖像分類算法研究[D].北京：北京郵電大學(xué)，2019.

[4]Andrew G. Howard，Menglong Zhu，Bo Chen，Dmitry Kalenichenko，Weijun Wang，Tobias Weyand，Marco Andreetto，Hartwig AdamMobileNets： Efficient Convolutional Neural Networks for Mobile Vision Applications[J/OL].2017.

[5]Sumant Ugalmugle，Rupali Swain，By 2027， the market value of acne drugs will exceed US $13.1 billion[J].Global Market Insights，2020.10，1557-1558

基金項(xiàng)目：大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計(jì)劃項(xiàng)目資助（202110709037）

1477501705212