人工智能在介入医学中的应用：现状与展望*

陈一平 林清锋 陈仲武 陈 健 林瑞祥

(福建医科大学附属第一医院，福建 福州 350001)

1 概述

人工智能是信息学的分支，它是通过算法构建动态计算环境来模拟人类智能过程的基础。简单来说，人工智能努力的目标是让计算机像人类一样思考、分析数据并提取结果。它最早起源于1950年[1]，发展经历了三个阶段。第一阶段是1956—1974年，人工智能诞生并获得快速发展，但受限于硬件水平，人工智能技术瓶颈一直难以突破。第二阶段是20世纪80年代后，此时部分企业已经将人工智能初步应用于工业生产中，但因成本问题，大面积推广还无法实现。21世纪以来，随着计算机处理能力的跃进和大数据的发展，人工智能迎来了第三次发展浪潮。人工智能一直是伴随着神经网络理论的发展，热门研究方向主要有机器学习和深度学习[2]。

人工智能、机器学习、神经网络、深度学习之间是集合关系(图1)。人工智能是人类使用软硬件实现人类的思维和动作，机器学习是人工智能的分支，神经网络是基于数学和算法，模拟人类的神经元处理信息，它是深度学习的基础，两者之间的差异，简单点说就是深度学习至少要有三层以上的神经网络。

图1 人工智能、机器学习、神经网络、深度学习的关系

人工智能与医学结合应用最深、范围最广的当属医学影像，并由此诞生了新学科——影像组学。影像组学[3]是指从影像资料(如超声、CT、MR、PET/CT等)的感兴趣区域(Region of Interest，ROI)中高通量地提取影像特征进行自动化分析，通过建模从其中提取关键的信息，对病灶进行精准量化评估，并最终用于疾病的辅助诊断、分类或分级。与活检相比，影像组学继承了放射影像无侵入、可重复的技术优势，为患者病情随访和预后提供了更安全、更可靠的技术途径。有了人工智能，放射科医生可以提高日常阅片的速度以及疾病诊断的准确性。对于介入科医师而言，人工智能可以帮助他们制定个体化的治疗方案、术中引导、病灶定位、模拟教学等，最大程度优化医疗资源使用和临床实践活动。

虽然人工智能在各个医学领域如火如荼地发展，但是国内介入医学方面的相关研究不多。本文从分析介入诊疗活动的应用场景入手，旨在阐述近年人工智能在介入医学领域的发展以及未来的展望。

2 人工智能在介入医学不同场景中的应用

2.1 应用场景一：患者筛查与治疗方案制定

介入医师在接诊患者时，需要对患者下诊断并制定诊疗方案，如果患者病情复杂则接诊时间显著延长。人工智能可以自动收集患者病史、实验室检查及影像检查资料，依据算法提取关键信息汇总成报告，形成初步诊断，对患者进行分类，制定进一步检查及后期治疗方案，并预计疗效[4]。特别是如果患者存在过敏或者某些治疗的禁忌症，人工智能还能及时警示。得益于现在计算机的高速处理能力，这些操作都可以在短时间完成，因此可以显著缩短医师接诊时间，减少医师精力，使他们能够更从容地应对其他临床事项。

2.2 应用场景二：风险预测和疗效评估

介入医师常需要根据患者相关检查、检验资料，对其进行疾病登记评估，并制定对应的治疗方案。滕皋军团队使用人工神经网络(artificial neural network，ANN)对比ALBI(albumin-bilirubin)和(Child-Turcotte-Pugh，CTP)的Nomogram评估肝癌患者接受TACE的预后[5]。Hamid Mohamadlou团队使用机器学习中的梯度提升树(Gradient Boosted Trees)模型预测住院患者发生急性肾损伤的概率及时间[6]。在人工智能的帮助下，相关介入医师团队可以尽早干预高危患者并及时调整治疗方案。

除了利用人工智能分析数字资料辅助临床诊疗外，影像资料中的特征性表现也可以利用人工智能进行学习。 Daye团队使用支持适量机(support vector machine,SVM)分析肾上腺转移癌患者的CT影像特征，并预测转移癌消融后局部复发率及远期生存率[7]。Aaron Abajian团队使用逻辑回归(logistic regression)和随机森林(random forest)模型分析肝癌患者MR图像特点来预测患者接受TACE之后的疗效[8]。

在急诊介入方面，人工智能也有它的应用空间。患者出现急性脑卒中的时候，利用人工智能算法可以估计患者病发时间[9]、病灶范围、可挽救的组织的体积[9]，并且还可以通过大数据分析筛选治疗后新发脑出血的高危患者以及判断患者术后预后等[10]。

2.3 应用场景三：虚拟手术室

利用增强现实(augmented reality,AR)和虚拟现实(virtual reality,VR)技术，人工智能可以模拟一个手术场景，根据相关影像学特征，自动识别病灶，将患者的解剖结构与影像资料结合，构建术区并投射到空间中，让术者可以直观观察患者术区解剖并模拟手术操作——设定路径、操作器械、排除误操作等，既提高了术者熟练度，缩短了手术时间，也提高了患者的安全保障[11]。

介入手术就是指在各种影像设备引导下的诊疗性操作，这种特殊的引导方式为人工智能发展提供了广阔空间，它可以自动识别病灶位置，将术前的三维影像与术中二维图像融合动态指导穿刺针、消融针、导管或导丝等的方向，并分析大数据，指导术者采用合适尺寸的材料和参数。

3 人工智能在介入医学发展应用的趋势

相比于人工智能在神经病学、组织病理学及影像学方面的发展，人工智能在介入医学方面还处于起步阶段，其发展潜力是巨大的。本文认为未来发展主要集中在自然语言处理、影像组学、手术室管理等方面。

自然语言处理(Natural language processing,NLP)是计算机科学和语言学的融合。NLP涉及计算机程序与人类语言数据的交互，包括书写、打字或说话。现实世界常见的NLP应用包括翻译软件、文本到语音识别软件、听写软件、搜索引擎、对话式聊天机器人、问答系统和数字助理等。目前，我国各级医院大力发展电子医疗病历，每天都有海量的电子病历数据产生，形成了医疗大数据的重要组成部分。这些数据包含着结构化数据和非结构化数据，结构化数据如表格数据，非结构化数据如文本数据和医学图像等。这些数据是非常庞大的，人力挖掘费时费力，且不同医院间的病历数据结构千差万别，很难有效利用。NLP可以“阅读”不同医学电子病历中的单词和表达，可以准确采集和连接数十年积累的多样化电子病历数据——既往就诊病史、实验室检测结果、影像学检查结果、用药史等，以友好的方式呈现给临床，方便其随时调阅。IBM公司的Watson系统是比较早商用的一套系统。它能从不同的电子病历中准确、快速地生成患者常见问题的答案、患者的背景资料、预测未来的疾病轨迹和医疗结果，并且其能自动获取最新的文献数据，针对个别患者提供医师诊疗意见。

肿瘤治疗占据了介入医学日常临床医疗较大部分工作，包括了肿瘤的化疗栓塞、化疗灌注、肿瘤消融、放射学粒子植入等。患者病灶良恶性判定、肿瘤分期、疗效评估等与影像组学密不可分。在影像组学中，“感兴趣的体积(Region of interest，ROV)”通常是指肿瘤和疑似肿瘤，病变区与正常组织边界有时是很难勾勒的，提取影像组学特征变得很困难，这就需要深度学习来帮忙。术前预测肝细胞癌的微血管浸润极其重要，它是复发的关键预测因子，有助于确定肝切除或肝移植前的治疗策略。Zhou等设计了一种基于肝脏增强MRI 和 3D 神经卷积网络的深度学习方法，它可以明显提高预测 HCC 患者的准确性[12]。Ran等提出了一种基于影像组学特征、深度学习特征和 CT 影像中淋巴结状态的预测模型，它可以预测肺腺癌患者的术前淋巴结是否转移[13]。本文将影像组学特征、深度学习截取的特征融合到Nomogram中作为预测方法。因此，未来影像组学特征和深度学习结合将为癌症患者成像带来福音。

手术室是医院不可或缺的部门，它占据了整个医院约40%的成本，但是也创造了60%～70%的收入。随着认识提高、器械进步，手术越来越微创，特别是介入手术，术后基本看不到创口位置。现代手术室变得越来越复杂，从人员配置、器械搭配、手术安排、术中监控等各个方面都对传统的手术室管理提出挑战。通过更动态、并发的工作安排，可以显著提高手术室工作效率，从而提高成本效益[14]。Tanzi等使用深度学习方法收集既往类似手术的持续时间或外科医生的估计时间，可以准确预测某类手术的持续时间来实现更灵活的工作调度和更好的团队组织[15]。例如，在临床实践中，正确预测手术持续时间可以简化手术和麻醉决策的协调；又如最后一次使用肌肉松弛剂的时间和减少麻醉药物的使用，从而进一步缩短周转时间。在介入手术室中，新的技术也在不断发挥作用。手势捕捉相机系统，无论是否使用惯性传感器，都尝试定义特定动作并将其与各种手势相关联以便在术中控制医学图像查看器[16]。个别医院开始试验语音识别来处理打开和关闭手术室组件、指导器械参数等，以便节省术中沟通时间。

4 人工智能发展展望

经过多年发展，人工智能在医疗领域取得了长足的进步，但是距离替代人类还有很长的路要走。与人类不同，为了掌握某一种病变，我们需要大量的同种病变的数据去训练人工智能，并结合临床实际考虑这种病变的各种变化，然后再用对应的数据训练它。接着我们还要验证人工智能的训练成果并进行动态矫正。人工智能发展有赖于大数据，然而有时候数据并不容易获得，而且需要花费大量的人力物力。在实际的临床工作中，我们偶尔会碰到一些疑难杂症，人工智能就无法像人类一样结合背景资料做推测。较之机器学习，深度学习虽然减少了人力损耗，但是其包含在内的算法结构是未知的，人们无法预测特定的数据经过深度学习后得到的是不是原先想要的结果，而且有时候即使通过不断地验证反馈，我们仍然难以达到目的。

人工智能从一开始的学术牵引式发展转变为现在的应用场景驱动式发展[11]，只要应用得当，在各个应用场景中都能帮助介入医师提高工作效率、手术安全性，以及满足患者个性化治疗需要。