人工智能技術(shù)在肺部影像輔助診斷中的應(yīng)用進(jìn)展

唐智賢，王一淼，周靚怡，陸心怡，梁凱軼

1.上海健康醫(yī)學(xué)院醫(yī)學(xué)影像學(xué)院，上海 201318；2.上海健康醫(yī)學(xué)院附屬嘉定區(qū)中心醫(yī)院放射科，上海 201800

前言

肺部疾病是常見病、多發(fā)病，其表現(xiàn)多種多樣，包括肺炎、肺部感染、慢性阻塞性肺疾病、肺結(jié)核、肺癌等［1］。病變輕者伴有咳嗽、胸痛、氣喘等癥狀，重者呼吸困難、缺氧，甚至呼吸衰竭而致死。由于大氣污染、吸煙、人口老齡化及其他因素，全球肺部疾病的發(fā)病率、死亡率有增無減。根據(jù)世界衛(wèi)生組織、國際癌癥中心最新發(fā)布的多項(xiàng)數(shù)據(jù)表明：2017年全球慢性呼吸系統(tǒng)疾病的患病率約為7.1%，所致的死亡人數(shù)占全因死亡總數(shù)的7.0%［2］，為全球死亡的第3大原因。2020年全球范圍內(nèi)肺癌占新發(fā)癌癥病例的11.4%，每年因肺癌而死亡的人數(shù)約為180萬，占因癌癥死亡總數(shù)的18.0%，在各類癌癥新發(fā)率和致死率方面分別排名第2位和第1位［3］。除此之外，2019年起，冠狀病毒席卷全球，引起了世界規(guī)模的重大生命損失，全球人民的生命安全受到嚴(yán)重威脅，并且確診人數(shù)仍在增長。此外，肺結(jié)節(jié)、胸腔積液、肺實(shí)變、浸潤和胸膜增厚等異常也是某些嚴(yán)重疾病的癥狀。各種肺部疾病高發(fā)、并發(fā)，嚴(yán)重威脅著人類群體的健康。這些疾病或異常癥狀的早期診斷和治療可以有效降低死亡率。因此，準(zhǔn)確檢測(cè)辨別出這些疾病和異常癥狀對(duì)于后期的治療極其重要。

目前為止，X 線和計(jì)算機(jī)斷層掃描（CT）仍為診斷肺部疾病的首要檢查方法。然而，我國醫(yī)學(xué)影像數(shù)據(jù)的年增長率約為30%，但是放射科醫(yī)師數(shù)量的年增長率僅為4%［4］，我國醫(yī)學(xué)影像專業(yè)醫(yī)師數(shù)量的增長率遠(yuǎn)低于影像數(shù)據(jù)的增長率。據(jù)統(tǒng)計(jì)，三甲醫(yī)院的放射科醫(yī)生平均每天接待肺結(jié)節(jié)篩查病人約200名，閱讀4 萬～6 萬張CT，面臨如此繁重的任務(wù)，醫(yī)生難免疲勞［5］。為解決這種醫(yī)療困境，基于人工智能（Artificial Intelligence,AI）的疾病早期篩查和診斷技術(shù)應(yīng)運(yùn)而生，為醫(yī)學(xué)影像檢查提供了廣闊應(yīng)用前景，助力醫(yī)學(xué)影像發(fā)展進(jìn)入快車道。醫(yī)學(xué)影像AI能夠極大地提高醫(yī)生工作效率及診斷準(zhǔn)確率，同時(shí)有助于提升基層醫(yī)院及醫(yī)療資源欠缺地區(qū)的診斷效率，是當(dāng)下研究的熱點(diǎn)。醫(yī)學(xué)影像AI已經(jīng)實(shí)現(xiàn)了前所未有的飛躍，推動(dòng)了醫(yī)療診斷向自動(dòng)化、高準(zhǔn)確且經(jīng)濟(jì)高效的方向發(fā)展。目前，很多科研機(jī)構(gòu)和公司都在積極開展智能AI研究，并且還有相應(yīng)的產(chǎn)品落地。

1 AI在特定疾病影像診斷上的應(yīng)用

肺部組織發(fā)生異常改變均會(huì)引起不同嚴(yán)重程度的疾病，如肺炎、肺氣腫、肺部結(jié)節(jié)和肺癌等。放射科醫(yī)師通常利用胸片、CT 等影像手段對(duì)胸部疾病進(jìn)行診斷。在肺部疾病影像診斷中，計(jì)算機(jī)輔助診斷技術(shù)的引入能夠給醫(yī)生提供重要的參考信息，極大緩解醫(yī)生的壓力。目前，AI在肺結(jié)節(jié)、肺癌和早期新冠肺炎等特定疾病的診斷和篩查上有較成熟的應(yīng)用。

1.1 AI輔助診斷肺結(jié)節(jié)

肺結(jié)節(jié)是指肺部出現(xiàn)小于3 cm 的點(diǎn)狀異常，通常是在患者接受X 線或CT 檢查時(shí)發(fā)現(xiàn)。肺癌均由肺結(jié)節(jié)發(fā)展而來，因此肺結(jié)節(jié)的精準(zhǔn)診斷對(duì)于早期肺癌的發(fā)現(xiàn)具有重要的臨床意義。目前診斷肺部結(jié)節(jié)最普遍的方法是肺部CT 檢查，再由醫(yī)生對(duì)影像進(jìn)行人工篩查，然而，1 位病患的胸腔CT 圖至少含有200 張，專業(yè)的胸外科醫(yī)生或者影像科醫(yī)生需用5～10 min 時(shí)間才能準(zhǔn)確篩查出患者是否有肺結(jié)節(jié)。其次，對(duì)于直徑較小、對(duì)比度低、形狀異質(zhì)化高的肺部小結(jié)節(jié)，人工判讀容易出現(xiàn)漏診現(xiàn)象。隨著肺結(jié)節(jié)發(fā)病率逐漸升高，在大量病例積聚之下，人工閱片耗時(shí)耗力，再加上肺結(jié)節(jié)半徑較小，結(jié)節(jié)模糊不清，灰度與周圍組織對(duì)比度低等原因，很可能會(huì)出現(xiàn)漏診情況。為此，AI 輔助醫(yī)生讀片具備重要的現(xiàn)實(shí)意義。近幾年，國內(nèi)外研究者提出了許多相關(guān)算法。范小波等［6］收集了50 例肺結(jié)節(jié)患者，并比較了4 種CAD 算法，包括大規(guī)模訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)（MTANN）、基于矩陣模式的模糊最小二乘SVM（matFLSSVM）、三維矩陣模式（MC-SVM）和三維最小類內(nèi)散度（MC-SVM），通過比較得出MC-SVM 對(duì)肺結(jié)節(jié)識(shí)別精度高于其他算法，適用于臨床。尤亮［7］探討了AI與醫(yī)學(xué)影像相結(jié)合在肺結(jié)節(jié)檢測(cè)中的應(yīng)用價(jià)值，列舉了3種診斷方法，分別為常規(guī)人工閱片、AI閱片以及常規(guī)人工閱片結(jié)合AI 閱片，通過比較3 種方法的靈敏度和假陽性率，得出結(jié)論：AI聯(lián)合讀片優(yōu)于其他兩種方法，它不僅提高了檢測(cè)效率，還大幅度提高了診斷靈敏度和準(zhǔn)確性。為了在臨床工作中提高肺結(jié)節(jié)良、惡檢出率，呂品等［8］提出可以利用影像組學(xué)的方法，定量分析病人CT 圖像，提高了對(duì)肺結(jié)節(jié)良、惡性診斷的準(zhǔn)確率，同時(shí)能夠進(jìn)一步鑒別肺內(nèi)小病灶。Blanc等［9］利用機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)創(chuàng)建算法，根據(jù)體積大小檢測(cè)和分類肺結(jié)節(jié)，建立了基于3D U-NET、3D Retina-UNET 和SVM 算法的分類器階段的全功能管道，實(shí)現(xiàn)了對(duì)肺結(jié)節(jié)的高效分類。Zheng 等［10］提出深度卷積神經(jīng)網(wǎng)絡(luò)與尺度傳輸模塊結(jié)合多特征融合操作的STM-net，該網(wǎng)絡(luò)可以放大小目標(biāo)，適應(yīng)不同分辨率的圖像，大大提高了肺結(jié)節(jié)分類準(zhǔn)確性。此外，不少肺結(jié)節(jié)AI 診斷算法實(shí)現(xiàn)了應(yīng)用落地，如在2020年推想科技公司研發(fā)的InferRead CT Lung 產(chǎn)品獲得CE 認(rèn)證，零氪科技采用Double Check 的方法研發(fā)了肺結(jié)節(jié)智能診斷系統(tǒng)。目前有許多公開肺結(jié)節(jié)專病數(shù)據(jù)庫，包括LIDC-IDRI［11］、LUNA16［12］、RICORD［13］等，海量的規(guī)范標(biāo)注數(shù)據(jù)恰是其發(fā)展迅速的基礎(chǔ)，但是系統(tǒng)的精準(zhǔn)度還有望得到更大突破。

1.2 AI輔助診斷肺癌

肺癌是起源于器官、支氣管粘膜或腺體最常見的肺部原發(fā)性惡性腫瘤。肺癌早期缺乏典型癥狀，在胸部X 線或胸部CT 檢查中發(fā)現(xiàn)肺部有腫塊陰影時(shí)，首先考慮肺癌。近年來，肺癌死亡率仍占據(jù)高位，如何降低死亡率始終是醫(yī)生的關(guān)注點(diǎn)。肺癌在早期階段，發(fā)現(xiàn)并及時(shí)治療預(yù)后效果好，晚期則預(yù)后效果差。早期發(fā)現(xiàn)肺癌最主要的檢查方法是CT，如LDCT，可發(fā)現(xiàn)直徑小于1 cm 的肺癌。醫(yī)生需要在復(fù)雜的組織圖像中識(shí)別細(xì)微的病變，診斷過程中存在主客觀因素，非常考驗(yàn)醫(yī)生的專業(yè)知識(shí)，易遺漏輕微病變。AI 介入有助于提高細(xì)微病變的檢出，對(duì)輔助醫(yī)生進(jìn)行診斷具有重要的臨床意義。

肺癌死亡率高的主要原因是其預(yù)后差，因此為了更好地實(shí)現(xiàn)早期對(duì)肺癌的篩查，許多研究者為此付諸努力。馬景旭等［14］在常規(guī)診斷鑒別肺癌的基礎(chǔ)上積極改進(jìn)，利用神經(jīng)網(wǎng)絡(luò)分析多模態(tài)圖像，首先區(qū)分肺結(jié)節(jié)的良惡性，后進(jìn)一步識(shí)別判斷小細(xì)胞癌、腺癌、鱗癌、大細(xì)胞癌，試驗(yàn)結(jié)果與病理檢查結(jié)果一致性較高。Tafti 等［15］使用三維多尺度卷積神經(jīng)網(wǎng)絡(luò)，對(duì)兩個(gè)公開數(shù)據(jù)集（DSB2017, MCLIA）進(jìn)行肺癌分類，綜合的分類精度可以高達(dá)83.75%。Punithavathy等［16］比較PET/CT圖像中用于肺癌分類的經(jīng)典ML技術(shù)，利用機(jī)器學(xué)習(xí)方法提取出3 個(gè)紋理特征和10 個(gè)分形特征，實(shí)驗(yàn)研究表明以寬度σ=1為核的徑向基函數(shù)SVM 具有更好的性能，最高準(zhǔn)確率可達(dá)98.10%，是用于肺癌診斷的更好的分類器。根據(jù)組織病理學(xué)差異，肺癌可分為小細(xì)胞癌、腺癌、鱗癌、大細(xì)胞癌。陳疆紅等［17］就腺癌的3分類做了深入研究，利用深度學(xué)習(xí)的AI 肺結(jié)節(jié)輔助診斷系統(tǒng)協(xié)助判定肺腺癌SN侵襲程度，研究發(fā)現(xiàn)平掃CT數(shù)據(jù)有利于輔助預(yù)測(cè)SN的惡性概率，而增強(qiáng)CT 對(duì)其無明顯幫助。Pereira等［18］關(guān)注于診斷精確、治療方案、靶向治療和個(gè)性化藥物，探索結(jié)合了腫瘤和其他肺結(jié)構(gòu)信息的新一代CAD，以產(chǎn)生預(yù)測(cè)模型，從而提高腫瘤表征的準(zhǔn)確性，使用肺癌成像的AI 解決方案，開發(fā)新的靶向治療，避免多余的治療導(dǎo)致相關(guān)副作用。肺癌在某些病例中易與肺結(jié)核、肺炎、淋巴瘤等疾病混淆，因此在影像學(xué)上很多肺疾病在視覺上與肺癌相似，從而影響疾病診斷的準(zhǔn)確性。為此，Ge等［19］在Chest X-ray數(shù)據(jù)集基礎(chǔ)上，提出新的誤差函數(shù)以處理多個(gè)標(biāo)簽和視覺相似數(shù)據(jù)的屬性。

AI 系統(tǒng)對(duì)肺癌病理類型進(jìn)行鑒別診斷，不僅與病理檢查結(jié)果的一致性高，還能幫助放射科醫(yī)師更準(zhǔn)確、迅速地進(jìn)行診斷，推動(dòng)醫(yī)院智能化和數(shù)字化建設(shè)。但是AI在輔助診斷過程中由于數(shù)據(jù)集信息不全面等原因，仍存在漏診和誤診情況，需要繼續(xù)擴(kuò)大信息庫數(shù)據(jù)量并進(jìn)行調(diào)整和校正。

1.3 AI輔助診斷新冠肺炎

新型冠狀病毒肺炎是一種急性感染性肺炎，也是一種先前未在人類發(fā)現(xiàn)的新型冠狀病毒。新冠病毒可在復(fù)制過程中不斷適應(yīng)宿主而產(chǎn)生突變，就目前而言，仍然缺乏針對(duì)病原體的有效抗病毒藥物，以隔離治療、對(duì)癥支持治療為主。疫情爆發(fā)初期，核酸檢測(cè)技術(shù)處在不成熟階段，CT 檢查是診斷新冠肺炎最為廣泛的手段之一。新冠肺炎早期可呈現(xiàn)多發(fā)的小斑片影及間質(zhì)改變，進(jìn)而出現(xiàn)雙肺多發(fā)磨玻璃樣、浸潤樣，其早期癥狀與其他病毒性肺炎的癥狀十分相像，因此在早期診斷時(shí)常常出現(xiàn)漏診或誤診情況。AI 技術(shù)可以幫助對(duì)新冠肺炎的早期圖像大規(guī)模篩查，并及時(shí)對(duì)新冠肺炎感染者進(jìn)行隔離，有效發(fā)揮AI技術(shù)在新冠肺炎診治中的價(jià)值。從新冠肺炎爆發(fā)至今，許多國內(nèi)外科研人員開始研究并采用AI 技術(shù)。針對(duì)新冠肺炎早期診治容易出現(xiàn)漏診情況，Bai 等［20］創(chuàng)建了一種應(yīng)用于胸部CT 中區(qū)分新冠肺炎和其他肺炎的AI 系統(tǒng)，并評(píng)估放射科醫(yī)生在有無AI 協(xié)助下的表現(xiàn)，在評(píng)估結(jié)果中發(fā)現(xiàn)AI 輔助可以提高放射科醫(yī)生區(qū)分新冠肺炎和其他肺炎胸部CT 表現(xiàn)。AI 技術(shù)的引入不僅可以降低漏診率，還可以幫助放射科醫(yī)師有效診斷鑒別不同嚴(yán)重程度的新冠肺炎感染者。杜丹等［21］利用AI 技術(shù)對(duì)CT 肺炎病灶體積比進(jìn)行動(dòng)態(tài)精確測(cè)量，將新冠肺炎臨床分為輕型、普通型、重型及危重型4 種類型，對(duì)不同嚴(yán)重程度的患者制定合理的診療方案，有助于評(píng)價(jià)疾病的嚴(yán)重程度和預(yù)判疾病發(fā)展趨勢(shì)。Kelei等［22］不僅通過聯(lián)合執(zhí)行嚴(yán)重度評(píng)估和肺葉分割來自動(dòng)評(píng)估原始三維CT 圖像中的新冠肺炎嚴(yán)重度，同時(shí)還開發(fā)了一個(gè)多任務(wù)多實(shí)例M2UNET 網(wǎng)絡(luò)評(píng)估新冠肺炎患者的嚴(yán)重程度。另外，Hussein 等［23］提出了一種多分類深度學(xué)習(xí)模型，用于從胸部X-ray和CT 圖像的組合中診斷新冠肺炎，還研究了4 類體系結(jié)構(gòu)的性能，其中VGG19結(jié)合CNN 模型性能最好，它可以在新冠肺炎早期階段做到正確診斷，及時(shí)發(fā)現(xiàn)新冠肺炎患者并對(duì)患者進(jìn)行有效隔離。Malhotra 等［24］創(chuàng)建了一個(gè)新冠肺炎多任務(wù)網(wǎng)絡(luò)（COMiT-Net），即用于新冠肺炎篩查的自動(dòng)化端到端網(wǎng)絡(luò)，它不僅可以預(yù)測(cè)CXR 是否具有新冠肺炎的特征，還可以通過執(zhí)行感興趣區(qū)域的語義分割使模型可解釋，同時(shí)在醫(yī)療專業(yè)人員的幫助下，手動(dòng)注釋了從chesxray-14、CheXpert 和整合的新冠肺炎數(shù)據(jù)集收集的新冠肺炎癥狀的肺部區(qū)域和語義分段。經(jīng)實(shí)驗(yàn)表明，COMiT-Net 的靈敏度高達(dá)96.80%。Marginean 等［25］收集了確診新冠肺炎和其他肺部疾病患者的公共數(shù)據(jù)以及正常的胸部X 光圖像，然后使用ImageNet 經(jīng)過預(yù)處理的權(quán)重在CheXpert 數(shù)據(jù)集上進(jìn)行遷移學(xué)習(xí)，實(shí)現(xiàn)包括新冠肺炎診斷的多分類網(wǎng)絡(luò)。

AI 技術(shù)的應(yīng)用對(duì)新冠肺炎的診治有巨大價(jià)值。AI可以幫助醫(yī)療專業(yè)人員精確診斷早期感染新冠肺炎的患者，實(shí)現(xiàn)早發(fā)現(xiàn)、早隔離；實(shí)現(xiàn)同其他肺炎病例進(jìn)行比較，避免誤診，提高了診斷率；同時(shí)也實(shí)現(xiàn)了快速診斷，減輕醫(yī)務(wù)工作人員的工作壓力，節(jié)約更多時(shí)間。但是，AI技術(shù)仍然面臨許多挑戰(zhàn)，許多AI技術(shù)產(chǎn)品的成熟度并不高，識(shí)別疾病的準(zhǔn)確性還需要進(jìn)一步的臨床驗(yàn)證。

2 AI在肺部影像多疾病聯(lián)合診斷中的應(yīng)用

肺部疾病種類多，且往往不是單獨(dú)出現(xiàn)的。目前大多數(shù)的研究都是針對(duì)肺部圖像中單一疾病進(jìn)行診斷，難以實(shí)現(xiàn)多種疾病的智能聯(lián)合診斷。因此由單一疾病診斷推演至多疾病聯(lián)合診斷是計(jì)算機(jī)輔助診斷領(lǐng)域的發(fā)展趨勢(shì)。肺部多疾病的智能聯(lián)合診斷并不是簡單的模型堆疊，肺部疾病中的一些異?？赡苁敲芮邢嚓P(guān)的，如Wang 等［26］揭示浸潤往往與肺不張、積液有關(guān)。Yao等［27］發(fā)現(xiàn)心大常伴有肺水腫。這種現(xiàn)象在臨床診斷中不是偶然的，而是這些疾病的病理之間有很強(qiáng)的相關(guān)性。在分類過程中，一個(gè)標(biāo)記的信息可能會(huì)對(duì)學(xué)習(xí)另一個(gè)標(biāo)記提供有用信息，特別是那些含有少量訓(xùn)練樣例的標(biāo)記，考慮標(biāo)記相關(guān)性能夠減小因數(shù)據(jù)不足造成的誤差，通過使用這些相互依賴的信息，缺失或噪聲標(biāo)簽可以從共生關(guān)系推斷出來，這可以為放射科醫(yī)生提供額外指導(dǎo)。因此，對(duì)肺部CT 影像進(jìn)行精確分析，精準(zhǔn)提取CT 影像特征，深入挖掘多疾病之間的關(guān)聯(lián)，將有助于準(zhǔn)確診斷、分析和分類醫(yī)療數(shù)據(jù)，具有極為重要的現(xiàn)實(shí)意義。在計(jì)算機(jī)科學(xué)領(lǐng)域，多疾病智能聯(lián)合診斷屬于多標(biāo)簽分類的范疇，它意味著每個(gè)圖像可能同時(shí)屬于多個(gè)類的標(biāo)簽。多標(biāo)簽分類和傳統(tǒng)的分類問題相比較，主要難點(diǎn)在于以下兩個(gè)方面：①類標(biāo)數(shù)量不確定，有些樣本可能只有一個(gè)類標(biāo)，有些樣本類標(biāo)可達(dá)到幾十個(gè)；②類標(biāo)之間可能相互依賴。因此，在肺部圖像處理上進(jìn)行多標(biāo)簽分類與定位技術(shù)尚未成熟，研究成果較少，仍是一項(xiàng)非常富有挑戰(zhàn)性的任務(wù)。目前，關(guān)于肺部CT 圖像多標(biāo)簽分類算法大致可以分為以下兩種技術(shù)思路。

2.1 基于問題轉(zhuǎn)化的肺部多疾病聯(lián)合診斷

基于問題轉(zhuǎn)化的方法其實(shí)質(zhì)是將多分類問題轉(zhuǎn)化成已知問題進(jìn)行分析。對(duì)于肺部不同的疾病，盡管它們影像學(xué)表現(xiàn)是多樣化的，但其處理流程是高度一致的。最具代表性的算法是二元關(guān)聯(lián)（Binary Relevance, BR）。二元關(guān)聯(lián)把每個(gè)標(biāo)簽當(dāng)作單獨(dú)的一個(gè)類分開訓(xùn)練多個(gè)獨(dú)立的二元分類器，最后將它們結(jié)合在一起得到輸出。Guan等［28］利用殘差注意力機(jī)制訓(xùn)練了多組分類器，并最后進(jìn)行聯(lián)合判斷，從而實(shí)現(xiàn)了肺部疾病的多分類。二元關(guān)聯(lián)的主要局限性是它忽略了相關(guān)性和標(biāo)簽的顯著影響，從而降低了分類性能。隨后有科研工作者提出二元分類器鏈［29］，即二元分類器的構(gòu)建是在前面分類器預(yù)測(cè)結(jié)果的基礎(chǔ)上，繼續(xù)訓(xùn)練新的分類器。張春芬等［30］提出了利用Cascade 組合方法生成基于貝葉斯、神經(jīng)網(wǎng)絡(luò)與決策樹的組合分類器，并將其應(yīng)用到醫(yī)學(xué)圖像多分類任務(wù)中。另有科研工作者提出標(biāo)簽排序法，將多標(biāo)簽學(xué)習(xí)問題轉(zhuǎn)為標(biāo)簽排序問題［31］。比較典型的研究是Abdallah 等［32］提出了標(biāo)簽優(yōu)先方法定義標(biāo)簽之間的相關(guān)性。該算法通過“成對(duì)比較”實(shí)現(xiàn)標(biāo)簽間的排序。Saad 等［33］借鑒了標(biāo)簽優(yōu)先的思想，訓(xùn)練了15個(gè)二元SVM 分類器，并逐對(duì)比較，在6個(gè)肺區(qū)完成了6種疾病標(biāo)簽的分類。但是上述改進(jìn)算法，均未考慮到標(biāo)簽與標(biāo)簽之間的所有依賴關(guān)系，在分類準(zhǔn)確性上仍舊存在不足。

2.2 基于算法適應(yīng)性策略的多疾病聯(lián)合診斷

算法適應(yīng)性策略的實(shí)質(zhì)是將一種現(xiàn)有的單標(biāo)簽算法直接拓展到多標(biāo)簽上。這類方法可以較好地考慮到標(biāo)簽與標(biāo)簽之間的依賴關(guān)系。隨著深度學(xué)習(xí)的興起，近幾年的成果幾乎都聚焦于卷積神經(jīng)網(wǎng)絡(luò)（CNN）及其變體。Yan 等［34］使用VGG16 完成了全身CT 圖像的145 個(gè)標(biāo)簽分類，其中針對(duì)肺結(jié)節(jié)的分類準(zhǔn)確度可達(dá)到88.85%。在他們之后的研究中，又提出了一種利用3D 信息的檢測(cè)算法，進(jìn)一步提高了病灶識(shí)別準(zhǔn)確率［35］。Kumar 等［36］從損失函數(shù)出發(fā)，研究最適合胸片疾病分類的損失函數(shù)，并提出一種增強(qiáng)的級(jí)聯(lián)網(wǎng)絡(luò)用于胸部疾病分類。Tang 等［37］在傳統(tǒng)的CNN 中加入注意力機(jī)制完成分類器的學(xué)習(xí)，結(jié)合弱監(jiān)督定位實(shí)現(xiàn)了肺部8種疾病的分類，最終總分類準(zhǔn)確度為80.27%。Rajpurkar［38］提出了CheXNet 模型，該模型通過修改DenseNet-121 的全連接層和損失函數(shù)所得，在胸部疾病多分類取得了不錯(cuò)的效果，尤其在肺炎的診斷中準(zhǔn)確率高達(dá)88.87%。Chen等［39］利用基于ResNet 和DenseNet 的雙重不對(duì)稱結(jié)構(gòu)，自適應(yīng)地捕捉更多有區(qū)別的特征用于肺部圖像的病灶分類。Chen等［40］改進(jìn)了DenseNet-121的訓(xùn)練過程，首先集合了多疾病關(guān)聯(lián)的條件概率進(jìn)行第一階段訓(xùn)練，隨后用無條件概率對(duì)模型進(jìn)行第二階段訓(xùn)練，大大提升了肺部多疾病診斷的正確率。類似地，Guendel 等［41］對(duì)DenseNet 進(jìn)行了改進(jìn)，實(shí)現(xiàn)了對(duì)肺部多疾病診斷。為了考慮標(biāo)簽之間的差異性，Yao等［27］提出密集記憶和長短時(shí)記憶的一種新變體LSTM網(wǎng)絡(luò)，用于多標(biāo)簽胸片圖像分類。Tang等［42］構(gòu)建了一種基于Mask R-CNN的通用病變檢測(cè)器，能夠檢測(cè)出全身CT 各部位的各種病變，其靈敏度達(dá)到86.21%。Guan 等［43］根據(jù)ChestX-Ray 14 病例區(qū)域分布特征，提出了一種由全局分支和局部分支組成的AG-CNN 網(wǎng)絡(luò)，該網(wǎng)絡(luò)在胸片疾病多分類中取得了不錯(cuò)的效果?；谒惴ㄟm應(yīng)的肺部影像多疾病智能診斷是當(dāng)前的研究熱點(diǎn)之一，但是目前的算法依舊存在精度不高、訓(xùn)練時(shí)間過長、泛化性不強(qiáng)等問題。

3 總結(jié)與展望

AI 技術(shù)的引入，可以有效實(shí)現(xiàn)陽性病例或病灶區(qū)域的檢出，再將結(jié)果交由放射科醫(yī)師進(jìn)一步診斷，從而減輕臨床工作者負(fù)擔(dān)。AI 與人工讀片結(jié)合診斷，將成為醫(yī)學(xué)影像診斷領(lǐng)域新的主導(dǎo)。通過文獻(xiàn)綜述可以發(fā)現(xiàn)：以CNN 為代表的深度學(xué)習(xí)算法是機(jī)器識(shí)別醫(yī)療影像的當(dāng)前和未來的研究重點(diǎn)。然而，現(xiàn)有的肺部疾病智能診斷算法依舊面臨如下挑戰(zhàn)：（1）已精確標(biāo)記的高質(zhì)量肺部圖像，尤其是多疾病標(biāo)簽圖像的數(shù)量不足、分辨率較低。海量的規(guī)范標(biāo)注數(shù)據(jù)是目前影像AI 發(fā)展的瓶頸，然而不同于自然圖像，醫(yī)學(xué)數(shù)據(jù)的標(biāo)注將耗費(fèi)大量的人力、物力和時(shí)間。同時(shí)，針對(duì)肺部疾病的多標(biāo)簽標(biāo)記，發(fā)病率較低的疾病數(shù)據(jù)量可能較少，產(chǎn)生數(shù)據(jù)不平衡現(xiàn)象。針對(duì)這些不均衡的數(shù)據(jù)集，需要在未來的工作中結(jié)合多家權(quán)威機(jī)構(gòu)建立標(biāo)準(zhǔn)影像數(shù)據(jù)庫，從而有效提升圖像的臨床代表性、圖像多樣性、標(biāo)注權(quán)威性與規(guī)范性，提高算法的魯棒性，加速AI醫(yī)療器械產(chǎn)品的研發(fā)和應(yīng)用。（2）當(dāng)前的大部分多疾病診斷算法尚未充分探究標(biāo)簽間的關(guān)系，多標(biāo)簽分類問題是高維、稀疏和數(shù)據(jù)不平衡的，標(biāo)簽之間存在局部性、多樣性、依賴性和相似性等特性，這使得多疾病分類問題變得極具挑戰(zhàn)性。未來的研究需要著重挖掘多疾病之間的關(guān)系，如可以采用圖神經(jīng)網(wǎng)絡(luò)等方法以進(jìn)一步提升算法精度。（3）大部分基于深度神經(jīng)網(wǎng)絡(luò)的效果有限，且可解釋性較差。CNN 通常是端到端的學(xué)習(xí)，每次卷積計(jì)算的時(shí)候，網(wǎng)絡(luò)只關(guān)注每個(gè)像素點(diǎn)固定、有序的領(lǐng)域空間，并且隨著層數(shù)的加深，所提取的高階特征難以被人類理解，無法進(jìn)行關(guān)系推理。因此，將端到端學(xué)習(xí)和歸納推理相結(jié)合是一個(gè)非常重要的研究方向。