伍佳莉，李東倫，唐 泳，鄭英俊，楊小李，李 波，方 程 綜述，蘇 松△ 審校

(1.西南醫(yī)科大學(xué)附屬醫(yī)院麻醉科，四川 瀘州 646000；2.西南醫(yī)科大學(xué)附屬醫(yī)院肝膽外科，四川 瀘州 646000;3.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，四川 成都 610054)

1956年，美國(guó)達(dá)多馬斯大學(xué)將人工智能(AI)定為一門學(xué)科，自此，AI就以極快的速度發(fā)展。目前，人類對(duì)AI的研究和開發(fā)已經(jīng)涵蓋了醫(yī)學(xué)[1]、自然語(yǔ)言處理[2]、機(jī)器人[3]等領(lǐng)域。AI是指，任何能夠感知和理解其周圍環(huán)境，并采取相應(yīng)適當(dāng)行動(dòng)，最大限度地實(shí)現(xiàn)其目標(biāo)的代理或設(shè)備[4],其具有機(jī)器及智能設(shè)備的特點(diǎn)，主要特點(diǎn)是機(jī)器根據(jù)數(shù)據(jù)自動(dòng)預(yù)測(cè)計(jì)算，從而達(dá)到自主學(xué)習(xí)[5]。

1 AI與醫(yī)學(xué)

早在20世紀(jì)80年代，就有人設(shè)想將AI與生物醫(yī)學(xué)進(jìn)行結(jié)合[6]。在過(guò)去，人們收集大量數(shù)據(jù)，再利用機(jī)器系統(tǒng)來(lái)尋找數(shù)據(jù)規(guī)律，最后憑借人為經(jīng)驗(yàn)不斷調(diào)整、改進(jìn)機(jī)器性能以實(shí)現(xiàn)智能化。該類機(jī)器系統(tǒng)可以幫助人們進(jìn)行簡(jiǎn)單的數(shù)據(jù)整理和logistic回歸運(yùn)算，得到更為準(zhǔn)確的結(jié)果[7]。然而，這種基于人選特征的AI，過(guò)于依賴人為操作，沒(méi)有緊急情況的應(yīng)變功能，對(duì)于復(fù)雜且緊急情況也無(wú)法進(jìn)行自動(dòng)化分析，在實(shí)際應(yīng)用上本質(zhì)上仍未脫離“人”的范疇。

隨后，有科學(xué)家利用機(jī)器系統(tǒng)模擬人類學(xué)習(xí)，構(gòu)建出神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)了可對(duì)實(shí)際問(wèn)題進(jìn)行預(yù)測(cè)的深度學(xué)習(xí)系統(tǒng)[8]。目前，隨著機(jī)器學(xué)習(xí)[9]與人工神經(jīng)網(wǎng)絡(luò)[10]的高速發(fā)展，AI已經(jīng)在醫(yī)療機(jī)器人[11]、AI醫(yī)學(xué)影像、AI輔助診療、AI健康管理[12]等方面取得了不錯(cuò)的成績(jī)。將AI技術(shù)應(yīng)用醫(yī)學(xué)影像診斷已成為熱門，其可通過(guò)精確標(biāo)識(shí)和分析病灶，大大提高醫(yī)生的工作效率和診斷結(jié)果的準(zhǔn)確性。已有研究報(bào)道，醫(yī)學(xué)AI在超聲、X線片、計(jì)算機(jī)斷層掃描(CT)、核磁共振成像(MRI)、消化內(nèi)鏡、神經(jīng)阻滯定位等方面的診治有較多研究，隨著AI與醫(yī)學(xué)的進(jìn)一步革新與結(jié)合，AI影像診斷有望在不久的將來(lái)廣泛應(yīng)用于臨床實(shí)踐中。

2 AI在超聲中的應(yīng)用

超聲影像具有安全、方便、成本低的特點(diǎn)，但受主觀因素和人為經(jīng)驗(yàn)影響較大[13]。以甲狀腺疾病診斷為例，實(shí)際臨床超聲診斷中，仍然會(huì)出現(xiàn)惡性結(jié)節(jié)的遺漏。因此，為了提高超聲對(duì)甲狀腺疾病診斷的精準(zhǔn)性，有研究者開發(fā)了應(yīng)用于甲狀腺結(jié)節(jié)良惡性診斷的AI系統(tǒng)。早期研究者通過(guò)計(jì)算機(jī)輔助診斷(CAD)系統(tǒng)分類提取、分析影像學(xué)圖像特征，CHOI等[14]在進(jìn)行一系列臨床研究后，發(fā)現(xiàn)CAD系統(tǒng)對(duì)甲狀腺惡性結(jié)節(jié)的敏感度(88.4%)與高年資超聲醫(yī)生(90.7%)近乎一致(P>0.99)。

KELLY等[15]通過(guò)AI技術(shù)，開發(fā)出一套全自動(dòng)乳腺超聲掃查系統(tǒng)(ABUS)，可以自動(dòng)掃查受試者整個(gè)乳房，并建立三維立體乳房結(jié)構(gòu)，從而對(duì)乳腺癌病灶進(jìn)行自動(dòng)識(shí)別與分類，提高乳腺癌檢出率，縮短患者受檢時(shí)間。

美國(guó)研究者基于AI技術(shù)開發(fā)了HeartModel (Philips Healthcare，USA)軟件[16]，能三維量化經(jīng)胸超聲心動(dòng)圖的左心室、左心房容積和左心室射血分?jǐn)?shù)(LVEF)。TSANG等[16]使用Heartmodel軟件自動(dòng)分析159例患者左心室、左心房容積和LVEF，該方法與“金標(biāo)準(zhǔn)”心臟MRI數(shù)據(jù)相關(guān)性高(r=0.84、0.93、0.85)，且其分析耗時(shí)[(26±2)s]比人工分析耗時(shí)[(144±32)s]更短(P<0.001)。

AI結(jié)合超聲在神經(jīng)阻滯的應(yīng)用已處于起步階段。超聲引導(dǎo)下進(jìn)行神經(jīng)阻滯不僅可應(yīng)用于局部麻醉手術(shù)，也可以結(jié)合復(fù)合喉罩進(jìn)行全身麻醉，還可以用于局部神經(jīng)疼痛治療等。將AI技術(shù)與此類技術(shù)結(jié)合，能提高臨床治療效率，是目前研究者關(guān)注的重點(diǎn)。HEMMERLING等[17]開發(fā)了一種新的AI系統(tǒng)，用于執(zhí)行超聲引導(dǎo)下的神經(jīng)阻滯，并對(duì)神經(jīng)阻滯部位進(jìn)行視頻成像增強(qiáng)，精確化神經(jīng)阻滯部位。在招募的13例患者試驗(yàn)中，所有操作均成功完成，平均執(zhí)行時(shí)間為3 min，沒(méi)有出現(xiàn)明顯的血管穿刺。在阻斷后的24 h內(nèi)，沒(méi)有患者出現(xiàn)任何神經(jīng)系統(tǒng)并發(fā)癥。

3 AI在X線片中的應(yīng)用

數(shù)字X線片成像系統(tǒng)作為最常用的檢查方法，能夠簡(jiǎn)便、快速地診斷胸腹部、骨、脊柱等有關(guān)疾病。X線片的診斷標(biāo)準(zhǔn)是國(guó)內(nèi)外專家經(jīng)過(guò)長(zhǎng)期臨床經(jīng)驗(yàn)得出的共識(shí)，較為全面、合理，但由于影像學(xué)醫(yī)生工作量較大，容易出現(xiàn)誤差。通過(guò)AI算法將這些標(biāo)準(zhǔn)編入機(jī)器，通過(guò)智能質(zhì)量控制，能大大提高診斷輔助效率。

2020年，四川大學(xué)華西醫(yī)院以深度學(xué)習(xí)圖像處理方法為基礎(chǔ)[18]，對(duì)6 770例受檢者的正位胸部X線片進(jìn)行分析，收集包括體外異物、體內(nèi)異物、體位不正等情況，然后對(duì)胸部X線片進(jìn)行標(biāo)注，開發(fā)出了一套能實(shí)現(xiàn)輔助拍片功能的智能質(zhì)量控制系統(tǒng)。

乳腺鉬靶X線影像是臨床上篩查乳腺癌常用的檢查，MOHANTY等[19]提出了基于AI的鉬靶影像腫塊分類方法。該方法通過(guò)提取影像數(shù)據(jù)并利用關(guān)聯(lián)規(guī)則，挖掘感興趣區(qū)域，并對(duì)其進(jìn)行良惡性鑒別。在深度學(xué)習(xí)方面，有研究基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)進(jìn)行圖像分類法[20]，提出了一種對(duì)乳腺鉬靶影像進(jìn)行分類的多尺度CNN策略，能塑造一個(gè)掃描模型，對(duì)影像結(jié)果進(jìn)行決策。

4 AI在CT中的應(yīng)用

CT技術(shù)作為目前普遍開展的診斷方式，不僅對(duì)高密度組織顯像清晰，而且在骨性結(jié)構(gòu)疾病診斷方面也有較大優(yōu)勢(shì)。將AI深度學(xué)習(xí)技術(shù)與CT結(jié)合，可以快速自動(dòng)標(biāo)注出病灶的部位、大小、性質(zhì)與周圍組織關(guān)系等，極大地縮短診斷時(shí)間，提高診斷效率，幫助青年醫(yī)生深入學(xué)習(xí)。有研究結(jié)果已經(jīng)表明，基于CNN算法開發(fā)的甲狀腺結(jié)節(jié)CT診斷AI系統(tǒng)能減輕臨床工作量，提高準(zhǔn)確率，對(duì)減少惡性疾病漏診誤診有重要意義[21]。

ERICKSON等[22]利用AI系統(tǒng)進(jìn)行肺結(jié)節(jié)良惡性疾病篩查，其檢測(cè)的效能受數(shù)據(jù)數(shù)量及質(zhì)量、深入學(xué)習(xí)程度、CT分辨率等多因素影響。楊尚文等[23]選取2019年9-10月胸部CT平掃檢查患者35例，對(duì)每例患者的肺部圖像使用2種不同分辨率進(jìn)行AI智能重建。結(jié)果發(fā)現(xiàn)，使用超高分辨率CT圖像進(jìn)行肺結(jié)節(jié)AI診斷，比常規(guī)高分辨率CT的敏感度更高。尹泚等[24]通過(guò)分析2016年5月至2020年7月蘭州大學(xué)第二醫(yī)院胸外科199例肺結(jié)節(jié)患者的臨床資料，導(dǎo)入AI系統(tǒng)后，評(píng)價(jià)系統(tǒng)對(duì)肺結(jié)節(jié)良、惡性鑒別的敏感度及特異度，結(jié)果顯示，AI系統(tǒng)對(duì)肺結(jié)節(jié)的檢出率達(dá)到100%，表明AI肺結(jié)節(jié)輔助診斷系統(tǒng)已經(jīng)可作為一種臨床輔助診斷手段。ROTH等[25]提出了自動(dòng)胰腺定位和分割的兩階段方法。該方法通過(guò)計(jì)算機(jī)進(jìn)行胰腺定位并劃分邊界框，智能化修剪圖像邊緣從而生成分割圖像。邊界框可以覆蓋整個(gè)胰腺，不需要人工預(yù)處理，并能實(shí)現(xiàn)對(duì)胰腺疾病精確診斷。

2020年，鄭州大學(xué)第一附屬醫(yī)院郭和合等[26]初步探索AI肺炎輔助診斷系統(tǒng)在新型冠狀病毒肺炎(COVID-19)疑似病例CT篩查中的應(yīng)用價(jià)值，發(fā)現(xiàn)AI肺炎輔助診斷系統(tǒng)對(duì) COVID-19疑似病例的胸部CT有一定的篩查價(jià)值，可以定量評(píng)估肺炎感染區(qū)域的體積和密度，為患者病情評(píng)估或隨訪提供客觀的量化指標(biāo)，但該系統(tǒng)對(duì)肺部磨玻璃影、實(shí)變影、條索影及小葉間隔增厚等征象的識(shí)別并不理想。同期，武漢人民醫(yī)院LI等[27]開發(fā)了深度學(xué)習(xí)模型COVID-19檢測(cè)神經(jīng)網(wǎng)絡(luò)(COVNet)，從胸部CT容積檢查中提取視覺(jué)特征來(lái)檢測(cè)COVID-19、社區(qū)獲得性肺炎(CAP)和其他非肺炎CT。結(jié)果表明，該模型對(duì)COVID-19具有高敏感度(90%)和高特異度(96%)，對(duì)冠狀肺炎的篩查有一定的幫助作用，但是礙于技術(shù)限制，仍然不能更好地區(qū)分不同類型的病毒性肺炎。

5 AI在MRI中的應(yīng)用

在MRI領(lǐng)域，F(xiàn)acebook AI實(shí)驗(yàn)室與紐約大學(xué)醫(yī)學(xué)院聯(lián)手開發(fā)智能MRI，實(shí)現(xiàn)了5 min快速M(fèi)RI檢測(cè)；西門子與英特爾公司合作開發(fā)基于AI的心臟MRI分析模型[28]，有望進(jìn)行實(shí)時(shí)、有效、快速的心血管疾病診斷。

DU等[29]利用AI開發(fā)MRI輔助診斷技術(shù)，通過(guò)建立3D模型來(lái)對(duì)術(shù)前腫瘤邊界進(jìn)行評(píng)估。其對(duì)1例年輕骨盆骨肉瘤女性患者進(jìn)行評(píng)估，結(jié)果顯示，與傳統(tǒng)3D模型比較，基于AI建立的模型能顯示更加全面的診斷信息，同時(shí)還發(fā)現(xiàn)了容易漏診的靜脈癌栓。

DONG等[30]收集了72例子宮內(nèi)膜癌Ⅰ期患者的4 896張?jiān)鰪?qiáng)T1加權(quán)圖像(T1WI)和T2加權(quán)圖像(T2WI)，然后使用其中24例患者的圖像來(lái)訓(xùn)練AI，用其余48例患者的圖像來(lái)評(píng)估模型的準(zhǔn)確性。結(jié)果顯示，增強(qiáng)T1WI中的AI診斷準(zhǔn)確率(79.2%)高于放射線醫(yī)生(77.8%)，而T2WI中的AI診斷準(zhǔn)確率(70.8%)也較高。因此，驗(yàn)證了AI深度學(xué)習(xí)技術(shù)在MRI肌層浸潤(rùn)深度檢測(cè)中的高準(zhǔn)確度，但是，其研究缺乏一項(xiàng)前瞻性隨機(jī)研究，無(wú)法確定AI輔助方法在子宮內(nèi)膜癌檢查中的效果，因此其在臨床應(yīng)用上仍未得到推廣。

6 AI在內(nèi)鏡影像中的應(yīng)用

消化內(nèi)鏡是經(jīng)消化道直接獲取圖像，通過(guò)直接觀察消化道管壁結(jié)構(gòu)改變，以診斷甚至治療消化系統(tǒng)疾病的一組設(shè)備。HWANG等[31]基于Gabor濾波器和K均值算法，將其與AI結(jié)合，篩選結(jié)腸息肉的特異性標(biāo)記，通過(guò)分析其曲率特征來(lái)診斷結(jié)腸息肉，檢測(cè)準(zhǔn)確率達(dá)100%。FU等[32]通過(guò)對(duì)超像素消化內(nèi)鏡圖像進(jìn)行分割，分析超像素單通道顏色直方圖，最終得到多尺度的圖像顏色特征，并用于消化道出血的檢測(cè)。但由于消化道出血患者需要醫(yī)生迅速診治，時(shí)間非常緊迫，而該研究還未達(dá)到臨床實(shí)用要求。AOKI等[33]開發(fā)出基于SSD的CNN系統(tǒng)，其對(duì)小腸潰瘍?cè)\斷準(zhǔn)確率為90.8%。LEE等[34]使用AI深度學(xué)習(xí)鑒別良惡性胃潰瘍，但無(wú)法實(shí)現(xiàn)真正的臨床疾病分期，仍需對(duì)AI質(zhì)量控制系統(tǒng)做進(jìn)一步優(yōu)化。隨著AI的快速發(fā)展，深度學(xué)習(xí)技術(shù)在消化內(nèi)鏡上得到快速發(fā)展，目前尚未能通過(guò)圖像處理方法獲得精確定位的效果。此外，雖然試驗(yàn)研究表明AI診斷可以達(dá)到專業(yè)醫(yī)生程度，但是仍然缺乏大量臨床應(yīng)用數(shù)據(jù)，臨床效率及準(zhǔn)確性也有待提升。ZHU等[35]則利用最先進(jìn)的預(yù)訓(xùn)練CNN架構(gòu)系統(tǒng)，開發(fā)了基于AI的CNN計(jì)算機(jī)輔助檢測(cè)(CNN-CAD)，采用圖像增強(qiáng)和遷移學(xué)習(xí)方法區(qū)分早期胃癌及胃癌浸潤(rùn)深度。其對(duì)胃癌檢測(cè)敏感度為76.47%，準(zhǔn)確度為89.16%，能更加精準(zhǔn)地計(jì)算腫瘤在胃黏膜的浸潤(rùn)深度，有效降低了人工診斷對(duì)浸潤(rùn)程度的誤估值，從而減少了不必要的胃切除術(shù)。

7 小 結(jié)

AI技術(shù)在醫(yī)學(xué)影像學(xué)的診斷應(yīng)用技術(shù)已取得了重大進(jìn)展，可用于開發(fā)快速有效的診斷方法。AI智能平臺(tái)通過(guò)收集大量臨床數(shù)據(jù)，提取患者的特征信息，通過(guò)泛化可更好地進(jìn)行疾病分類及圖像處理，不僅能降低人工識(shí)別的誤差，還能實(shí)現(xiàn)更高的檢測(cè)準(zhǔn)確率。深度學(xué)習(xí)技術(shù)尤其是CNN實(shí)現(xiàn)了對(duì)醫(yī)學(xué)圖像精準(zhǔn)分割，在醫(yī)學(xué)技術(shù)中得到了廣泛應(yīng)用，解決了醫(yī)學(xué)領(lǐng)域中的很多實(shí)際問(wèn)題。

然而，在AI識(shí)別影像圖像方面仍有較多問(wèn)題等待解決。雖然部分實(shí)驗(yàn)研究已經(jīng)證實(shí)AI檢測(cè)的準(zhǔn)確率已經(jīng)達(dá)到或超過(guò)專業(yè)醫(yī)生，但是受研究數(shù)據(jù)庫(kù)的限制及臨床實(shí)際情況的復(fù)雜性、時(shí)效性影響，還無(wú)法將AI應(yīng)用于影像學(xué)臨床。應(yīng)加強(qiáng)軟件開發(fā)者與臨床醫(yī)生的聯(lián)系，將臨床需求設(shè)定在AI開發(fā)程序中，才能更好地滿足患者需求，設(shè)計(jì)出更加符合臨床使用的診斷程序。此外，仍需進(jìn)一步完善AI檢測(cè)系統(tǒng)的檢測(cè)效率，增強(qiáng)系統(tǒng)對(duì)病灶精準(zhǔn)定位及相關(guān)疾病鑒別診斷的能力。