人工智能影像诊断技术在基层医院中的应用与思考

陈晓文，汤明玥，杨庆华，魏小琴（通信作者）

（1川北医学院医学影像学院 四川 南充 637000）

（2川北医学院基础医学与法学院 四川 南充 637000）

医学影像诊断是指影像医生通过非侵入性的操作获取机体组织内部结构图像，并对疾病做出定量和/或定性诊断的一种方式。随着机器学习和深度学习等算法在医学领域的应用和发展，研究人员将AI技术应用于医学影像诊断中，实现医学影像自动分析及辅助医生做智能诊断，从而提高诊断速度和诊断准确性[1]。通过AI技术在医学影像诊断中的应用，可能将“专家下沉”转化为“技术下沉”，解决基层医院的医学诊断问题[2]。本文分析整理了AI技术在医学影像诊断中的原理、应用现状及其在基层医院的应用价值，以期为AI影像诊断技术在基层医院中的应用提供一定的参考依据。

1 AI医学影像诊断技术的基本原理

随着图像处理的应用与发展，出现了计算机辅助诊断（computer aided diagnosis，CAD）[3]。CAD将计算机分析与医学影像的技术手段结合起来，辅助进行诊断，提高诊断准确度和工作效率。深度学习是一种机器学习方法，它源自于人们对神经网络的研究，其包括卷积神经网络、深度置信网络、自编码神经网络三种形式。基于深度学习，使AI更接近人类的思考模式，并能达到自学、记忆、预测等功能，由此CAD得到跨时代的发展。医学影像大数据是AI技术在医学影像中应用的基础，海量影像数据为AI在医学影像中的发展创造了良好条件。医学影像大数据处理分析大规模、多种类、高价值、高运转及真实性的影像学数据，进而从中提取规律信息，AI技术通过计算机模拟人的思维和智能进行深度学习，从海量的数据资源中发现数据规律，进而将数据模型智能化[4]。

2 AI技术在医学影像诊断中的应用

AI在医学影像诊断中的应用主要包括CAD、影像组学、影像基因组学等。

2.1 CAD的应用与发展

2.1.1 颅脑 颅脑CAD研究主要包括MRI应用于脑肿瘤及精神分裂症的诊断、神经胶质瘤的分级、阿尔茨海默病与轻度认知障碍的鉴别诊断。通过一种基于概率神经网络分类器对脑MRI造影检测肿瘤的方法，其在脑MR图像中识别正常组织和异常组织的准确率高达100%[5]。

2.1.2 肺脏 肺脏CAD主要是通过对胸部X射线和CT上的肺结节及肺间质性病变进行检测。有研究[6]显示，应用AI辅助分析系统，可提高肺癌诊断的灵敏度、准确性，且图像识别速度远远快于人工阅片。用智能神经网络模型分析肺结节患者CT图像中的纹理特征，可预测患者是否有肺癌隐患并能量化分析肺癌的严重程度。

2.1.3 乳腺 近年来的研究显示[7]，基于卷积神经网络的乳腺钼靶CAD能提高乳腺癌的检出的准确率。Al-Masni等[7]研发的乳腺钼靶CAD对乳腺的肿块位置和判断良恶性的准确性分别为99.70%和97.00%。除此之外，卷积神经网络有助于动态增强MRI上乳腺脂肪与纤维腺体的分割问题，有助于判断乳腺纤维腺体类型。

2.1.4 心脏 使用卷积神经网络能够较好识别超声心电图的多个标准观察切面，从而准确评测心脏结构及功能。Madani等[8]监督卷积神经网络深度学习多个超声心动图，其对标准视图的准确性为97.80%。除此之外，卷积神经网络有助于动态增强MRI上乳腺脂肪与纤维腺体的分割问题，有助于判断乳腺纤维腺体类型。

2.1.5 肝脏 通过基于动态增强CT和MRI分析肝脏肿块，诊断肝细胞癌。卷积神经网络通过深度学习，其三相（平扫、动脉及延迟期）影像训练的识别的准确性明显升高，其对肝囊肿、肝血管瘤的敏感性更高。计算机辅助诊断通过可识别动态增强核磁共振上的肿块大小、形态、数量、有无假包膜及边界是否清晰等情况，与医生诊断有76.00%～78.00%的一致性[9]。

2.1.6 甲状腺 甲状腺超声智能诊断在其恶性风险分层方面有一定的成果。许敏等[10]的研究表明，计算机辅助诊断在利于美国放射协会发表的ACR-TI-RADS指南进行甲状腺诊断时有较高的AUC和灵敏度，利用Kwak提出的甲状腺影像数据和数据系统进行甲状腺诊断时有较高的特异性。

2.2 影像组学

影像组学[11]源自于CAD，是一种大数据分析方法，其对海量的医学影像数据进行分析、挖掘和解读，将隐藏在其中的额外信息挖掘出来。影像组学突破了传统的基于形态学和半定量分析，可提供以往需要基因检测或病理检测才能得到的信息，以期为临床医生早期从图像中获取诊断信息提供依据。其基本分析模型包括5个方面：图像采集、图像分割、特征提取、量化分析、模型构建。目前，关于影像组学的研究主要集中在肿瘤方面，包含肿瘤的定性诊断、分级、分期、基因预测、预后评价等。

2.3 影像基因组学

基因分析是实现精准诊疗的先决条件。传统的基因分析主要依赖于有创的活检或术后病理取材，具有一定的风险和潜在的并发症，医学影像是非侵入性的。影像基因组学[12]是将医学影像数据与基因组数据关联起来进行分析解读，其不仅从影像学数据中提取反映个体数据的定量影像学特征，还从生物组学中提取基因型特征，并通过AI完成基因型特征与定量表现特征的关联与分析，从而实现对疾病的基因诊断、预测及预后判断。

3 基层医院医学影像诊断技术存在的问题

3.1 基层医院影像医生的诊断能力相对较薄弱

首先，基层医院影像学医生总体受教育程度不高，基础相对比较薄弱。其次，基层医院影像学医生的在职能力培养计划不完善，大多数基层医院对3年规培没有硬性要求，导致基层医生的临床诊断经验不足。很多医生得不到进修学习的机会，只能依靠自己在行业中摸索，成长比较慢[13]。虽然近年来，加大了对基层医生的培养，但基础医院一般缺乏临床经验丰富的医师带教，制约了整个团队诊断水平的提升。其次，基层医院接诊的90%为常见病、基础病、轻症，因此基层影像医生的“眼界”较窄，对于重症、急症、少见病、罕见病等缺乏相应的见解和疾病诊断经验。且大多数基础医院推行基本药物，导致急危重症的病人直接跨过基层到上级医院就诊，使基层医院医生的“见识”进一步减少。

3.2 基层医院医学影像硬件设备缺乏

相对来说，基层医院的诊断设备仪器相对较少，不够先进，且缺乏相关的大型检查设备。但现在医学发展迅猛，加上循证医学深入人心，没有相关的检查证实，使许多诊疗受到限制。

3.3 基层医院医学影像工作复杂多样

基层医院影像工作除了常规工作任务外，还有基层早癌筛查，经常还会下乡做检查和进行宣教工作，要发挥“守门员”的职责。因此，基层医院影像工作复杂多样，间接导致了其投入疾病诊断方面的精力较少，弱化了医师诊断能力的培养。

4 人工智能影像诊断技术在基层医院中的应用与思考

4.1 提升基层医院影像诊断的准确性

依托于AI影像诊断技术的大数据和多样本，可提升基层医院医生临床诊断准确率。利用医学专家系统，将某一领域多个专家提供的专业知识和经验进行综合判断，弥补基层医院医生专业上的不足，加快诊断速度，且提高诊断准确性。

肿瘤的早期诊断对疾病的治疗和预后至关重要，目前基层医院一般是由影像科医生人工阅片，由于受整体医疗水平和医生专业能力的限制，影像诊断的整体漏诊率和误诊率较高，且人工处理阅片的时间较长，造成晚疹易致患者错过最佳治疗时机[14]。运用AI技术可以很好地帮助基层影像医师提高日常诊断速率，甚至有些可以完全替代日常诊断。除此之外，通过AI技术的应用，可使基层医生见识到全国海量的影像学资料，包括很多少见病、罕见病，加快其自身专业能力的提升。使其在再次面对同类型疾病时，能提供有效的诊断依据，加快其确诊速度，有利于临床医生尽快进行有针对性的治疗。

4.2 AI影像诊断技术在基层医院面临的挑战

AI技术在基层医院医学影像诊断中具有广阔的前景，但其也受到一些因素的制约[15]。主要表现在：①如因为缺乏统一的标准与规范，影像学数据的质量参差不齐，不同医疗机构、不同厂家、不同档次的设备均存在图像质量、参数设置等的差异。②AI医疗在我国处于初步阶段，产品虽在实验室取得了较好成绩，但数据缺乏真实性和复杂性。有些AI影像产品在单种疾病中发展良好，在细分领域取得骄人成绩，但疾病是多样性的，对“异病同影、同病异影”等现象难以检出。③AI技术会挖掘大量的患者信息，包括患者的基因信息，涉及到隐私、伦理等范畴，如泄露会产生不利影响，急需建立相应的法律法规和伦理规范来进行有效监管。④当出现误诊、漏诊等情况从而给患者带来伤害时，如何去划分责任亦是一个需要思考的问题。因此，需加强风险责任划分，确保患者和公众利益。

5 小结

AI技术在医学影像诊断中具有非常广阔的应用前景，其推动医学成像智能化、数据采集标准化及数据分析自动化。随着数据的积累和技术的进一步发展，AI与医学影像的结合会提高基层医院医生的诊断水平和效率，产生了巨大的经济效应和社会效应。