刍议医学影像人工智能的研发应用现状与挑战

薛佳凯

摘  要：信息时代下，信息技术已经产能为新时代背景下一种更加高效的生产力，推动社会的进步。在医学领域，为了进一步提升临床治疗效果，在医学影像中结合人工智能技术开展治疗活动具有很大的发展前景。现阶段，人工智能技术已经在医学影像应用中进入尝试阶段，力求在人工智能技术、计算机信息技术、新一代医学影像技术下共同提升临床疗效。

关键词：信息技术  人工智能  医学影像  现状

中图分类号：TP18  文献标识码：A   文章编号：1672-3791（2021）10（b）-0000-00

Discussion on the Present Situation and Challenge of Research， Development and Application of Medical Imaging Artificial Intelligence

XUE  Jiakai

（Medical School of Yan'an University， Yan'an， Shaanxi Province， 716000 China）

Abstract： In the information age， information technology has become a more efficient productivity under the background of the new era， promoting social progress. In the medical field， in order to further improve the clinical treatment effect， it has a great development prospect to carry out treatment activities in medical imaging combined with artificial intelligence technology. At this stage， artificial intelligence technology has entered the trial stage in the application of medical imaging， and strive to jointly improve the clinical efficacy under the artificial intelligence technology， computer information technology and the new generation of medical imaging technology.

Key Words： Information technology; Artificial intelligence; Medical imaging; Present situation

在計算机信息技术与网络技术公共发展的背景下，人工智能技术应运而生。现如今，人工智能技术已经成为新时代背景下许多行业未来发展的新方向，对医学领域也产生了十分深远的影响。以人工智能作为核心的医疗技术，是未来一段时期内主流的医学研究发展方向。医学影像是医学诊断的重要手段，在未来，以人工智能为核心技术的医学影像势必成为主流的发展趋势，因此该次研究中对医学影像人工智能的研发应用现状与挑战进行分析，为人工智能技术未来在医学影像当中的实际应用提供参考。

1 人工智能医学影像简介

人工智能，简称AI，属于一种对人类智能理论、方法、技术、应用系统模拟、延伸、拓展的一类信息科学。关于人工智能的理论研究起源于20世纪50年代，但是在以后的一段时间内，由于技术条件的限制，使得人工智能技术停滞于理论阶段。今天，随着计算机网络信息技术的发展，已经诞生了比传统人工智能算法更加先进的深度学习算法，基于深度学习算法技术上的人工智能技术，无论是学习能力，还是自主学习进化能力都更加出众，可以在海量学习数据的基础上，摆脱传统算法带来的一系列限制，进一步提升人工智能技术的实际运用效率。

人工智能医学影像的理念，在20世纪60年代就被提出。早期的人工智能医学影像主要采用逻辑算法、统计模式对放射诊断流程进行有效识别，发展到20世纪80年代，因为计算机技术已经开始发展，推动了医学影像技术开始向数字化方向发展，这种背景下的人工智能医学影像已经逐渐从起初的主观角度向定量计算方向发展，计算机辅助诊断系统在此背景下应运而生，不过这一阶段的人工智能医学影像技术还处于发展阶段，基于深度学习的人工智能医学影像技术才标志着走向成熟阶段，并且开始真正具备临床实践价值[1]。除了人工智能技术本身，以更加强大计算机存储技术为代表的一系列硬核技术进一步推动了人工智能医学影像技术的进步，为人工智能医学影像实现在临床治疗中的大范围推广应用奠定技术基础。

2 人工智能医学影像的实际应用的目标与意义

2.1目标

从现阶段临床医学发展的需求来看，人工智能医学影像对于临床医学放射诊断具有积极意义。医学影响是现代医学实现数字化医疗的核心技术代表，并且人工智能医学影像正在向着高分辨薄层扫描、多模态的方向发展。据不完全统计，人工智能医学影像正在以30%的速度增长持续增长，并且已经占据现阶段医院全部数字化数据的90%。医学影像从起初的以胶片为载体，发展至后期的数字化载体，在简化放射科医师工作程序的同时也增加了工作量，并且随着我国居民健康意识的增强，临床放射的工作量会增加，面对如此庞大的放射医疗需求，而在医疗方面的资源投入明显无法满足日益增长的居民医疗需求。人工智能医学影像的到来可以帮助缓解放射医师压力，提升医学影像诊断效率，满足时代发展需求。

2.2意义

人工智能医学影像面对庞大的工作量对病例进行筛选、检查。人工智能医学影像的应用场景：（1）阳性病例所占比重低;（2）阳性病灶区数据占比小;（3）对影像诊断专业知识水平需求低。人工智能技术对检查出阳性病例/病灶区域以后，专业的放射医师再开展进一步诊断，因此可以避免因为大量阴性病例数据中筛选筛选少量阳性病例所浪费的资源与时间[2]。

人工智能医学影像技术可以替代一部分放射医师的工作，特别是判读结果可以达到标准简明、稳定水平，且知识构成相对简单。

此外，人工智能医学影像还可以提供一些附加价值，主要体现在两方面：辅助放射医师进行医学影像诊断，可以在专业医师的指导下对患者肿瘤的参数进行测量，而运用人工智能可以更加精准地实现此项工作，且医学影像指标更加丰富。

不难看出，人工智能医学影像可以优化放射医师在资源、时间等方面的合理配置，使有限的资源发挥出更多的价值，但是人工智能医学影像并不能取代放射医师，而是为放射医师提供更多的帮助。

在现代信息技术的帮助下，人工智能医学影像可以推广到一些医疗技术落后的基层医疗单位，可以实现分级治疗，优化医疗资源配置，推动医学向着智能化的方向发展。

3 现阶段人工智能医学影像的发展状况

3.1发展过程中遇到的瓶颈

现阶段我国国内的人工智能医学影像，已经基本完成了临床研究阶段，在不久的未来就可以实现在临床实践中应用。理想状态下，人工智能医学影像可以提升医护人员工作效率，同时增加患者康复几率。

虽然人工智能医学影像并不是新的概念，但是在临床实践中应用人工智能医学影像解决实际问题依然处于试水阶段，在推广过程中可以发现，人工智能医学影像在实际应用中往往会遭遇许多瓶颈，阻碍了人工智能医学影像在临床实践工作中的应用和推广。

现有的医学模型性能对人工智能医学影像的实际应用造成负面影响。现阶段临床上使用的DL算法虽然可以实现对病情的自动化识别与分类，不过其灵敏度、特异度、精确度还有待提升，只有这样才可以进一步提升DL算法在临床应用的效率与价值;现阶段对于人工智能医学影像的成果测评都是各设计公司自行组织的，并没有官方的、权威的验证平台。由于各设计公司在水平上存在显著差异，所以验证结果也会存在差异，可信度往往遭到质疑;现阶段，我国存在相当一部分医院的医学影像科使用的影像设备均来源于不同的生产商，因此在同一科室会出现多个不同的操作标准，这就使得设备的后续服务失去了一站式的优点，影响科室的工作效率;要确保人工智能医学影像的数据安全，首先需要十分明确且健全的数据使用权、所有权，在此基础上才可以进一步构建相关的规范，实现人工智能医学影像产品实际使用过程中的一系列伦理规范[3]。

3.2人工智能医学影像发展规划

从现阶段人工智能医学影像的发展形势来看，人工智能医学影像的发展状况实际上是处于动态变化的。首先，伴随人工智能技术的进步，关于人工智能医学影像相关的产品一定越来越多，最终会涵盖人体全身各个部位。人工智能医学影像也会从现如今的图像诊断阶段，发展至最终疗效的评估阶段，即从现阶段的单方向发展转向未来的多元化发展，展现出人工智能医学影像一站式的优势。

未来的人工智能医学影像势必会走向一体化发展趋势，不仅可以提升人工智能医学影像实际应用效率，还可以实现信息的全球互动。例如：人工智能医学影像会参与到患者从挂号到出院的全过程，在方便患者的同时，也方便了广大医护人员[4]。伴随人工智能医学影像的普及推广，相关的一系列政策也将陆续到来，配套的基础设施建设也将不断完善，以人工智能为核心技术的医疗活动也将逐渐成为现实。

4 人工智能医学影像研发应用

4.1临床模型设计

有时在临床治疗过程中需要使用临床模型解决实际问题，运用人工智能进行临床模型设计具备非常理想的效果，并且临床实践结果表明，人工智能醫学影像设计的临床模型可以提升实际治疗效果以及准确性，受到广大医护人员与患者的欢迎。在根据人工智能医学影像设计临床模型时需要严格参照最新的临床指南，在当前的医疗流程基础上，结合设计完成的临床模型对患者展开科学的治疗。

人工智能算法并不是一成不变的，而是结合最新的数据、技术，学习发展为更加先进的算法，这样做才可以保证人工智能医学影像以及设计的模型始终是符合实际临床治疗需求的[5]。

尽管现阶段在技术层面，已经开始用小样本、无样本人工智能算法学习，但是尚未成熟，因此并不能满足临床实际需求。鉴于此，结合人工智能医学影像在设计临床模型时，需要密切结合医师决策与医护人员自身需求，并且在实际应用过程中，依然需要将获取足够的学习数据作为重点解决的问题。

4.2结构化数据

自人工智能医学影像开始在临床治疗中尝试被应用以后，在设计临床模型时，就需要以人工智能医学影像作为依据，因为在人工智能医学影像基础上设计的模型可以更加精确，而运用人工智能技术要实现高质量高精度的模型设计，需要以高质量的数据作为依据。在运用人工智能技术构建结构化数据的过程中，需要注意一系列问题：（1）采集数据。专门收集医学影响数据的设备，通常类型繁多、参数不同、质控不同，而这些因素最终都会对设备的实际效果造成影响，因此为了最大限度上确保医学影像数据的质量，需要在采集数据的过程中保证人工智能模型的质量。虽然人工智能具有很大的应用潜力，但是在实际应用过程中需要尽量参考对照多厂家、参数的图像质量与疾病类型;（2）标注数据。在学习数据标注之前，需要事先明确需要学习的目标问题。任务标注的过程中，需要尽可能使用金标准，例如病理、生存期等等;配合使用放射医师量化知识，对结构化数据进一步明确。对数据集开展质量控制工作是非常重要的，因此在数据结构化的过程中需要进一步提升数据模型的精确性与鲁棒性。正因如此，构建高质量结构化数据的过程中，需要将工作重点放在准确数据集以及提升数据集质量上。

4.3选择人工智能算法

传统计算机辅助诊断使用的是机器视觉算法、机器学习算法，最新的人工智能算法会使用样本量更大的数据突破准确率对数据量的限制，由此实现模型在临床治疗中的有效应用。因为建模方式的不同，需要使用的数据量、复杂程度也不同，所以需要结合模型的实际情况对数据量、复杂程度进行慎重选择[6]。

（1）海量的学习数据，建议使用神经网络类型丰富多样的深度学习作为建模学习器;（2）中等数量的学习数据，建议使用深度学习进行建模，如果在实际建模过程中发现效果并不理想，可以选择更换为神经网络对数据特征进行有效提取;（3）对于数量极少的数据，建议使用影像组学提取病变范围的实际特征，并使用机器算法进行建模;（4）还有一种相对特殊的情况，就是即便是数据量偏中等的情况下，模态数据数量依然庞大，此时就可以考虑使用迁移学习，以此来实现在小样本学习数据中应用大样本数据经验。

虽然在对算法进行选择时，需要结合实际情况选择不同类型的算法，但是无论哪一种算法，都需要坚持对模型准确性、鲁棒性、泛化性的验证。运用交叉验证法，可以进一步验证数据的可行性，这也是运用人工智能算法建模的关键所在。

5结语

人工智能医学影像的理念从20世纪60年代就已经被提出，经过数十载的发展，这一理論正在逐渐变为现实。现阶段，人工智能医学影像处于研究阶段，为人工智能早日实现临床大规模推广奠定技术基础。截至目前为止，关于人工智能医学影响的研究不断增多，主要研究的方面包括构建模型、数据，根据人工智能医学影像设计的模型、构建的数据具有更高的精确度，可以更好地支持一系列医疗活动的开展，造福广大患者。

参考文献

[1]吴毅，张小勤.人工智能在医学图像处理中的研究进展与展望[J].第三军医大学学报，2021，43（18）：1707-1712.

[2]邱陈辉，黄崇飞，夏顺仁，等.人工智能在医学影像辅助诊断中的应用综述[J].航天医学与医学工程，2021，34（5）：407-414.

[3]张知非，杨郑鑫，黄运有，等.医学大数据与人工智能标准体系：现状、机遇与挑战[J].协和医学杂志，2021，12（5）：614-620.

[4]李明洋.基于机器学习的医学影像研究和辅助诊断平台[D].长春：吉林大学，2020.

[5]马举铭.基于深度学习的人工智能在早期肝癌磁共振影像的应用研究[D].济南：山东大学，2020.

[6]王丽会，秦永彬.深度学习在医学影像中的研究进展及发展趋势[J].大数据，2020，6（6）：83-104.