人工智能在医学影像辅助诊断中的应用现状及前景分析

周建国，符大勇，卢明聪，孟云，王珩

南京中医药大学连云港附属医院放射科，江苏 连云港 222004

人工智能（artificial intelligence,AI）作为一门交叉前沿学科，其诞生于计算机领域。2018年，我国《人工智能标准化白皮书（2018年）》中也给出了人工智能的定义：人工智能是利用数字计算机或者由数字计算机控制的机器，通过模拟、延伸和扩展人类的智能，来感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术和应用系统[1]。AI技术是计算机科学、数学、控制论以及信息论等多种学科的交叉[2]。在大量的数据库中，使用数学模型提取各种复杂的非线性关系[3]，将计算机所采集的数据自动计算和预测，可达到自主学习的效果[4]。21世纪以来，基于深度卷积神经网络技术的飞速发展和应用，AI技术在计算机视觉领域的进展获得突破，其与医学影像诊断中图像数据具有较好的契合度，通过深度学习，在精准医疗方面具有较高的临床应用前景[5]。AI影像辅助诊断可减少医疗成本，提高诊疗效率[6]。AI在医学影像辅助诊断方面的主要内容包括两个方面：①脑部疾病诊断、肿瘤检出以及预测模型地构建，包括阿尔茨海默病、脑卒中、脑肿瘤、肺结节、肺癌、乳腺癌、前列腺癌等；②AI技术的实现研究，包括深度学习、特征提取、支持向量机、卷积神经网络等[7]。

1 医学影像AI辅助诊断系统的应用现状

2020年，美国的RapidAI公司首先研发了脑卒中智能分析平台，其利用脑部CT的影像数据进行计算，对脑卒中责任血管的闭塞部位进行判定[8]；Viz.ai公司开发的AI诊断系统能够对脑部血管进行检测并进行分类。目前，我国的推想医疗研发的InferRead CT Stroke.AI可快速进行脑卒中患者的病灶分割[9]。在其他方面，相关学者利用稀疏自编码网络以及三维卷积神经网络技术，利用脑部磁共振影像数据所构建的智能网络模型进行阿尔茨海默病地诊断，Takahashi S等[10]在建立胶质瘤分级预测模型方面取得进展；杨兆凯等[11]利用深度学习框架进行自动学习，通过提取高级别胶质瘤患者的磁共振图像信息判断患者的临床预后和生存时间。

我国推想医疗、深睿医疗等均推出了肺结节AI辅助诊断系统，可对肺结节进行高效识别和分割，并可通过检测肺结节的特征表现来判断结节的良恶性风险程度[12]。通过评估肺结节癌变风险，可指导临床治疗以及预后评估[13]。在5 mm以上磨玻璃结节、钙化结节及0～3 mm的微小结节以及亚实性结节的检出方面，AI均优于影像专业医师[14]。医学影像AI辅助诊断方向广泛、覆盖范围大，整体发展势头较为迅猛。麻省理工学院基于Risk Cardio系统，在分析心血管病的死亡风险方面取得进展；斯坦福大学基于深度神经网络开发了心律失常检测[15]；同时在乳腺良恶性病变的诊断及鉴别诊断方面亦具有优势[16]。在前列腺肿瘤诊断方面，AI在前列腺癌的检测、诊断、分期、临床预后以及疾病监视方面具有较高的应用价值[17]。AI技术在眼科、皮肤病、肝癌、糖尿病、结肠癌等疾病的临床诊断亦得到快速发展[18-19]，并且AI辅助诊断系统可达到与医疗专家相仿的诊断能力[20]。

2 我国医学影像人工智能存在的问题、机遇及挑战

AI技术在卫生领域地应用具有广阔前景，我国的医学影像AI起步较晚，但基于庞大的人口数量以及海量的医学影像数据，将是高性能医学影像AI快速发展的基石，在AI技术临床应用过程中，也存在较多的问题，在商业化推广与临床应用中仍然面对许多挑战。

AI技术的开放、推广和临床具体应用离不开国家的政策支持，将AI技术应用到医疗领域，需要卫生医学领域的专业人士与计算机程序开发者的共同合作和努力。我国政府在政策方面对医疗AI技术发展给予大力支持，我国《医院信息化建设应用技术指引》将AI技术应用于智能医学影像领域列为重点研发方向，2018年，《关于促进“互联网+医疗健康”发展的意见》要求在医疗健康相关的AI技术方面进行研发支持。国家自然科学基金委员会医学科学部近5年中，医学影像AI技术项目占医疗AI研发比例高达66%[21]。由于AI技术产品从商业设计到临床应用需要较长的研发时间，这也需要大量的资金支持，这也限制了AI技术在医疗领域地发展。因此，国家应加大对AI技术相关企业的投资力度，以此鼓励和支持AI医疗领域地研发和应用，使得医学影像AI地研究和发展得以顺利进行，同时诸多商业机构和高校投入更多的技术力量到影像AI的应用研发。

AI技术算法的可解释性较差，研发难度大，在辅助诊断方面往往只能判定某一种，尚不能对于某一部位进行疾病的综合评估[22]；同时大多数AI技术对于测试样本存在一定偏向性，可能会造成诊断结果的夸大表现，因此基于医学影像AI技术所提供的诊断需要人工进行复核。目前，多中心以及外部验证数据结果的模型已逐渐受到重视，在提高临床环境中的模型稳定性上起到积极意义[23]。

医疗体系与AI研究需加强合作，建议形成各医疗机构间数据共享，包括专家系统知识库地构建、医学影像数据的标注等。目前，AI研发的技术模型多采用数据驱动的“黑盒模型”，该技术实质上也没有融入医学领域的知识。因此，AI技术的开发者应与医务人员开通更为密切的沟通渠道，这才能为疾病的征象选取更具有诊断价值。国际上通用的医学成像数据标准为DICOM格式，其多用于规范的数字医学图像传输、显示、存储及后处理，数字医学信息的标准化体系建设也是实现数据共享的基础和发展的关键。建议制定由影像专业医生参与的数据标准，构建我国标准化的医学影像数据库也势在必行[24]。医学影像AI地研发和应用均基于大量的原始数据，那么如何完善数据信息以及患者隐私保护，亦是医学影像AI研究和发展中必须要注意的问题。需要完善AI相关法律和伦理等问题地研究，通过建立AI健康发展的法律法规以及伦理道德框架，确立相关的民事与刑事责任，有效保护个人隐私以及信息技术安全。2020年，《国家新一代人工智能标准体系建设指南》正式颁发[25]，指南中对AI应用和研究伦理标准地建设重点进行了详细规划，通过积极探索AI技术创新的应用模式，方可高效推进医学影像AI技术的应用推广[26]。

3 总结

医学影像辅助诊断AI技术的初步临床应用，能够降低患者的诊疗时间、提高就诊效率以及疾病诊断的准确性；在基层医疗水平地提升方面，亦具有良好的应用效果。然而，我国目前医学影像AI技术地发展仍处于初期阶段，临床应用方案尚不完善，也存在运营维护成本高、医生使用熟练度低以及安全性不稳定等问题，在国家政策支持、AI技术研究、数据标准化、安全性以及伦理方面亦需要完善和提高，这样才能使AI技术在影像辅助诊断方面得以快速发展和临床推广应用。