新一代医学影像人工智能临床转化现状与挑战

摘要

医学影像人工智能（AI）是当今前沿的临床医学研究方向。医学影像AI在临床工作的应用主要集中于计算机辅助检测、计算机辅助诊断和病情监测3个方向，产生了大量研究成果，但在向临床应用转化方面还面临许多挑战。人工智能（artificialintelligence，AI）是当今科技发展的代表性前沿方向，通过与众多学科和产业的交叉研究，极大程度的影响了当前科技发展和社会生产生活方式的改变。以AI为依托的智能医学是当前医学发展的重要方向，医学影像人工智能则是当前智能医学最重要的组成部分，是AI与医学结合的最适合的切入点。以深度学习（deeplearning，DL）为代表的AI算法擅长定量化获取和处理复杂图像信息，最适合并率先应用到基于DICOM协议和PACS系统的标准化数字化的医学影像大数据中。医学影像人工智能是当今前沿的临床医学研究方向之一，大量临床、科研单位和AI公司的介入使得行业呈现欣欣向荣的景象[3]。经过大量的探索性的工作，医学影像AI正逐渐形成产业化，并逐步朝临床转化。AI在成像环节、临床诊断环节、病情监控等多方面赋能影像科的工作。笔者将就医学影像AI的临床转化现状和挑战进行阐述。一、医学影像AI的临床转化现状AI在成像环节方面的研究主要致力于减少图像获取时间、提高数据质量等方面，其应用多集成于成像设备中。如快速MR图像深度学习重建算法在减少采集时间的基础上提高图像信噪比和细节分辨率，CT图像深度学习重建算法对比常规迭代重建算法可提高图像质量，MR-PET通过深度学习算法实现良好的衰减校正[7]等。此外，MR指纹成像技术（MRfingerprinting，MRF）通过机器学习从单个MR序列重建得到定量T1、T2和PD图像。使用深度学习技术可实现高精度图像重建，在过程中引入了先验信息或知识，使图像质量得到进一步提升。在临床工作的应用中，医学影像AI主要集中于计算机辅助检测（computer-aideddetection，CADe）、计算机辅助诊断（computer-aideddiagnosis，CADx）和病情监测3个方向[9]。1．CADe：主要包括医学影像后处理和病变检测。医学影像后处理技术主要包括器官、血管、病变分割和图像可视化（曲面重建、三维容积重建等），而后服务于图像的定量分析。该部分工作传统上由医师在通用后处理工作站完成，较为费时、费力，而基于AI的医学影像后处理技术，能大大提高影像后处理的效率。计算机辅助的病变检测构思由来已久，20世纪80到90年代，计算机辅助的医学影像自动化处理就已经开展起来，可以进行诸如肺结节检出等工作。随着训练样本的大量扩充、计算力和新算法性能的大幅提升，新一代以CT肺结节检测和乳腺钼靶摄影微钙化检测为代表的CADe系统已初步达到临床实用水平或具有临床应用潜力。心脑血管系统的AI自动处理模块也已经进入到临床试用阶段，可以自动重建心脏、颈部及颅内动脉血管，并对病变进行定量测量。脑动脉瘤检出、脑出血定量测量等应用研发也取得了良好的进展。

2．CADx：是新一代AI与医学影像结合的重要成果。肿瘤、心脑血管系统疾病、骨骼肌肉系统疾病是开展CADx研究与临床应用的热点方向。肿瘤性病变CADx应用，特别在肺癌、乳腺癌、前列腺癌等疾病获得了大量的关注，研究主要集中在良恶性鉴别、风险因素测量、预后判断和治疗指导等方面。目前肺结节良恶性鉴别的应用接近临床实用。心脑血管系统疾病的相关应用研究也较为丰富。心血管疾病中，医学影像AI可以用于病灶检出、病变识别、疾病诊断等。脑血管疾病中，AI已经应用于急性脑卒中快速检出、严重程度评估等方面，部分软件已经通过美国食品药品监督管理局批准应用于临床。在骨骼肌肉系统、骨龄预测和一些部位的骨折诊断非常契合AI的优势，其技术也将渐近成熟，近期进入临床应用可能性较大。

3．计算机辅助病情监测：AI对病情监测的应用越来越多，包括病情自然改变的检测和对治疗的反应等。传统病情监测多基于对病变的手工测量，分析肿瘤倍增时间、实体瘤的疗效评价标准等；而基于AI的监测技术可以对病变的改变进行多维度的精准测量，为优化临床决策和治疗等提供参考，良好体现AI和医学影像结合的优势，如采用影像组学指标评估非小细胞肺癌抗PD1免疫治疗中的反应。此外，人工智能还在疾病预测领域产生重要的作用，包括肿瘤转移、分子分型的预测，疾病预后预测等，这是传统影像分析难以涉及的领域，如影像组学指标能有效预测非小细胞肺癌表皮生长因子受体突变、结直肠癌和胃癌的淋巴结转移，表皮生长因子受体结合CT冠状动脉血流储备分数的影像组学指标可以预测心肌桥和动脉粥样硬化的形成等。

人工智能还可从多方面优化医学影像检查和诊断的工作流程，有助于提高医学影像学科的工作质量和效率，提升影像医务人员业务水平，为临床做出更多重要的贡献。例如，胶片智能排版系统可以减少患者获得结果的时间，减轻医务人员的工作负担，从而降低医疗费用等。拥抱新一代AI不仅有助于优化医学影像科工作流程，降低漏诊率，还可以提供丰富的定量测量信息和病情监控信息；同时，新一代医学影像AI系统的定量测量信息和模块化标准报告信息可以进一步促进影像报告的规范化，提升影像诊断的质量。二、医学影像AI临床转化的挑战和展望1．医学影像AI服务模式面临的挑战：当前医学影像AI的研究主要集中于单个疾病，甚至是单个疾病的特定类型，这类研究快速地产生了阶段性成果，并为临床医疗提供了一定的帮助。而面向检查部位的多器官、多病种产品，应是下一阶段医学影像AI重点发展方向，可以为临床工作提供巨大帮助。随着有价值数据量的增大，5G技术、云技术的发展，特别是在医院、医师高度参与下，将AI研究和具体临床工作紧密结合，医学影像AI有望获得大幅度优化，真正赋能医师日常工作。

2．医学影像AI的鲁棒性和可靠性疑虑：现阶段以深度学习算法为基础建立的绝大部分模型属于数据依赖型的医学影像AI系统，需要大规模高质量全面数据的支撑。但金标准及标注的缺乏严重制约了算法可实际使用的数据量。无监督和半监督的算法无需清晰标签或者仅需要少量明确标注的样本，有助于解决这一问题。同时，近期发展的自主学习进化型深度学习算法可为这一问题的解决提供新的思路，让AI在不断的实际运用过程中得到修正和提升，从而接近医生临床工作流程。此外，现阶段医学影像AI的模型可解释性较差，其"黑箱"属性导致使用者无法完全理解模型的决策依据，也很难为模型提供基于先验知识的修正，其决策的可解释性和可视化将成为AI未来取得医师和监管部门信任的关键。

3．医学影像AI的政策支持及伦理考虑：国家对医疗AI高度支持，2017年7月发布了《新一代人工智能发展规划》，提出了发展智能疾病预测、智能诊断、智能治疗模式、智能医疗体系。但医学AI是新兴行业，评估医学影像AI产品时，政府职能部门在建立标准化测试体系时缺乏相关的管理经验和参考，特别到产品算法快速迭代时，监管和审批尤为困难。审批迟滞使得医疗AI商业化进程缓慢。值得注意的是，相应职能部门也在积极尝试，如中国食品药品检定研究院在建设肺结节标准数据库等。另一方面，医学影像AI模型的建立往往需要海量的数据支撑，现阶段各个研究团队容易形成数据孤岛，数据标注一致性低、金标准缺失、质量控制困难、数据安全和隐私保护等问题在医学影像AI各参与方的认识和执行能力存在着显著的差异性。政府政策的引导和