人工智能在超声医学影像的应用研究进展

重庆医科大学附属第二医院健康管理中心 （重庆 400010）

内容提要： 近年来，伴随着云计算机的发展，以及“互联网+”的不断深化，人工智能已逐渐出现在生活的各个领域，而“深度学习技术”的出现和大数据的不断发展也助推着人工智能向人工智能+医疗的方向快速发展，并取得了突破性进展。超声影像检查作为重要的医疗细分领域，也搭上了人工智能这趟列车。文章梳理了人工智能在超声医学影像的应用现状及研究进展，并讨论其前景及挑战。

近年来，超声影像检查作为重要的医疗细分领域，也搭上了人工智能（Artificial Intelligence，AI）这趟列车。本文梳理了人工智能在超声医学影像的应用现状及研究进展，并讨论其前景及挑战。

1.人工智能

AI是计算机科学领域的一个分支，被认为是21世纪三大尖端技术之一，包括了图像识别、机器人、语言识别及处理等多个技术领域的研究。自1956年DARTMOUTH学会上提出AI一词以来，历经40多年的发展，理论和技术不断成熟，已在诸多领域中得到了广泛应用，对人们的工作理念、工作习惯带来巨大影响，近年来，AI医疗方面的研究与应用也越来越受到广泛关注[1,2]。

2.计算机辅助诊断

计算机辅助诊断（Computer Aided Diagnosis，CAD）有医生的“第三只眼”之称，是基于医学影像学的技术手段，再结合计算机分析，辅助发现病灶，提高诊断准确度和工作效率的一种技术[3]。1959年，美国的Ledley等[4]学者首次将计算机诊断的数学模型应用到了临床医学中，并在1966年，正式提出了计算机辅助诊断（Computer Aided Diagnosis，CAD）的概念。20世纪80年代初，CAD已能实现包括患者的检查资料收集、信息量化处理、统计分析等，直至作出最后诊断。20世纪90年代以来，人工神经元网络数学算法取得了突破性进步，通过模仿人类神经元传递、处理信息的工作模式，能达到自学、记忆、预测事件发展等能力，CAD由此取得了跨越式进步，其中以在乳腺及肺部结节的CAD研究最为成熟。

3.深度学习技术

深度学习（Deep Learning，DL）属于机器学习的一种，源自于人工神经网络的研究，主要包括了卷积神经网络（CNN）、深度置信网络（DBN）、自编码神经网络三类模式分析方法，是当前新一代人工智能的重要技术。DL概念的提出最初是由Hinton等[5]通过对人工神经网络的研究，发表于2006年的Science杂志中。DL是对传统神经网络的进一步优化，规避了传统学习算法对人工定义、特征提取的依赖，通过多层处理，自身来产生好特征，让“全自动数据分析”成为可能[6]。DL使AI更接近人类的思考活动，已成为当前最具应用前景的机器学习算法，是革新AI+医学影像的关键技术[7]。

4.AI在超声医学影像学中的应用现状

4.1 甲状腺超声智能诊断

目前，CAD系统已投入到甲状腺超声的研究中，并在甲状腺结节恶性风险分层方面取得一定成果。许敏等[8]利用CAD系统基于Kwak提出的甲状腺影像报告与数据系统（K-TI-RADS）、美国甲状腺协会（ATA）指南、美国放射协会（ACR）发表的ACR-TI-RADS指南分为3组并进行分析，CAD在利用ACR-TI-RADS指南进行诊断时有最高的AUC和敏感度，利用K-TI-RADS指南（在以4c为诊断界值时）展现出最高的特异度。近年，原利晶等[9]利用CAD系统评价联合CEU能够有效鉴别甲状腺的良恶性结节研究的出现，不仅弥补CAD系统未涉及甲状腺结节血流特征的不足，还将结节的超声特征直观显示并量化，使CAD在超声造影、超声弹性、微血流成像等超声新技术结合领域不再空白。

4.2 乳腺超声智能诊断

随着人工智能技术的发展，DL使CAD得到了进一步的优化，在乳腺癌诊断中得到了广泛应用。美国FDA批准上市的Irr eChecker乳腺计算机辅助设计系统通过结合BI-RADS，对乳腺结节的回声、边缘光滑度、微钙化、血管分布等方面进行量化特征的选取并分析，从而对结节的良恶性风险作出评估。在人工智能筛选下，对乳腺癌基因特征进行分析，运用乳腺癌病理学分级，可对患者预后情况进行评估[10]。三星研发的S-Detect辅助诊断系统利用乳腺病灶二维灰阶图像的物理声学特征，能有效地鉴别乳腺良恶性病灶，有助于提升超声医师诊断乳腺癌的准确性[11]。

4.3 自动乳腺全容积超声成像及图像解析

自动乳腺全容积扫描仪采集图像层间距为0.5mm，可根据患者的乳房大小调整深度、增益、聚焦范围、扫查方位等以获得最佳图像质量；扫查结束后以乳头为定位标志，将全容积信息传输至影像处理系统进行多平面重组，可获取横切面、矢状面及冠状面图像，通过重建图像对乳腺病灶进行脱机分析诊断[12]。ABVS在诊断乳腺恶性肿瘤方面较传统彩超有优势，“火山口”征和钙化是乳腺癌的特征性ABVS表现。目前，ABVS还应用于腹部疝，小腿肌间静脉血栓检查中，在浅表肿块、肌肉骨骼疾病诊断等方面也有应用，但相关文献报道较少[13]。

4.4 肝脏超声影像人工智能诊断

付甜甜等[14]利用传统机器学习和深度学习的方法，对超声图像数据集进行特征提取和分类，建立肝纤维化自动分类模型，统计每种模型不同分类情景的准确率，得出以计算机辅助诊断慢性乙肝患者肝纤维化进程准确性较高，且可以做到更细化的肝纤维化进程分类。未来有望应用于无创评估乙肝患者肝纤维化进程的临床工作中。有研究者以评估创新开发的弹性成像深度学习放射成像的性能进行了一系列研究，该研究可以定量分析二维剪切波弹性成像中用于评估肝纤维化的异质性。

5.小结

近年来，伴随着5G技术、云计算机的发展，以及“互联网+”的不断深化，高质量数据量的不断提高，数据处理效率及传输速度剧增，医学影像AI研究将会得到大幅度优化，日后有望取代医师的基础工作。但这并不代表医生这个职业会消失，医疗需要的人文关怀是人工智能产品无法替代的。如何更好地将人工智能应用在医疗健康领域仍需多科系的共同努力，作为医务工作人员应该积极面对新事物的冲击，将临床实践与人工智能相结合，同时也要加深对专业的钻研，才能应对机器人可能取代人类部分工作岗位带来的挑战。