人工智能在胸部疾病诊断中的研究进展引言人工智能（Artifi cial Intelligence，AI）是当今计算机技术高速发展的重要产物，与多学科多领域沟通合作，对人类社会的发展及科学技术的进步产生深远的影响，尤其是与医学影像的有机结合，是最具发展前景的领域之一。John McCarthy 最早提出人工智能概念：开发具有人类思维方式的机器软件，使计算机能够像人类一样思考问题[1]。人工智能通过对人类大脑的思考、学习和工作方式进行研究分析，并将获得的研究结果作为智能软件开发与应用的基础。 现阶段，影像科室面临以下两大主要问题：首先，随着公众对健康教育的深入认识，胸部X 线、CT 检查已成为健康体检的重要医疗设备，因此，每日大量的X 线及CT 检查，不仅增加了医生的阅片量，而且加大了医生的工作负担。其次，在疾病发展的早期，病灶小且病变累及范围小，胸部CT 或平片上显示不明显，再加上人眼的分辨力是有限的，可出现疾病的漏诊，人工智能在医学影像的应用与发展，有效解决上述出现的两大问题，辅助影像科医生对疾病早期做出准确的诊断以及降低医生的工作负担。目前，人工智能已应用于临床中肺结节、乳腺癌、间质性肺疾病、结肠癌以及脑肿瘤等的筛查以及诊断，虽然有些技术还不够成熟，需要完善，但人工智能的应用大大降低放射科医生的漏诊率及误诊率，提高医生的工作效率[2-3]。 1 人工智能人工智能作为计算机领域的一个分支，是使计算机去做一些需要人类智能才能完成的复杂工作，被认为是21 世纪高精尖技术之一[4]。 1.1 人工智能发展现阶段，人工智能已广泛应用于临床，随着技术的发展以及大数据的可利用性，人工智能在医学影像的应用与发展成为当今时代研究的热点。1956 年John McCarthy 等首次提出人工智能概念[1]，科学家一直不断对人工智能技术进行探索，在对急腹症的辅助诊断方面有一定成果，1972 年，英国利兹大学研发的AAPHelp 系统是医疗界最早出现的人工智能系统[5]。同年，Leaper 等[6]利用人工智能系统对472 名急腹症患者进行辅助诊断，进一步推动了人工智能对内科复杂疾病以及感染性疾病的辅助检查。2006 年，随着深度学习的神经网络的开发应用，推动计算机辅助检测和诊断（Computer-Aided Detection/Diagnosis，CAD）的发展[7]，人工智能进入发展的鼎盛时期。相比国外，国内的人工智能技术不仅起步晚而且发展道路曲折，直至1981 年，人工智能学会的成立，人工智能技术的发展才开始步入正轨；到21 世纪，人工智能研究与发展进入蓬勃时期。随着国家对人工智能技术的不断重视，人工智能在各领域都有显著的成绩，尤其是与医学影像的结合，成为最受关注重视的领域之一。近几年，人工智能快速发展，可应用于多个部位的筛查及诊断，尤其是对胸部疾病的辅助筛查与诊断，可对病灶进行定性定量的分析，降低放射医生日常的工作负担，提高影像诊断的准确性，促进精准医疗的发展[8]。 1.2 机器学习与深度学习1959 年，Arthur Samuel 提 出 机 器 学 习（Machine Learning，ML）的概念，即利用算法使机器在大量数据中学习，获得对新数据分析和研究的方法，应用于临床中，可发现新的基于影像的病灶[9]。在浅层学习的不断发展以及大量数据的支持下，深度学习应运而出，并成为人工智能的核心部分。它是以神经网络为特征的机器学习算法，对收集的数据进行准确的分类或预测[10-11]。深度学习开发应用，开启AI 技术在医学影像发展的新纪元。 2 人工智能在胸部疾病诊断中的应用胸部影像的人工智能研究相对比较成熟且应用广泛，主要对肺结节、肺间质性疾病、乳腺癌的研究[12]。 2.1 肺结节近年来，受环境污染、吸烟、人口老龄化等因素的影响，肺癌发病率、死亡率已居于我国常见恶性肿瘤的首位[13-14]。肺结节是肺癌的早期征象，对于诊断早期肺癌有重要的意义，早发现、早诊断、早治疗可提高患者的生存率，延长患者的生存时间。因此，肺癌防治的重中之重是早期筛查。 胸部X 线检查是最常用的检查手段，由于胸部肋骨对肺野的遮盖，往往会影响医生的阅片，增加对肺部结节影的漏诊率，因此尽可能去除X 线影像上肋骨密度，从而提高放射科医生对肺结节诊断的准确率。von Berg 等[15]采用基于人工神经网络的双能剪影技术来降低X 线片中的骨性密度影，降低被骨性结构遮盖的肺结节，因此提高了放射科医生对肺结节诊断的敏感性以及特异性。 CT 检查所得到的是断层影像，其密度分辨力较X 线高。在CT 上肺结节定义为表现为类圆形，直径不超过3 cm 的高密度影[16]。虽然CT 检查可清晰的观察肺部的结节影，但有些肺结节易与肺内血管的断面相混淆，人工智能可辅助医生对肺结节检出，其主要核心技术是深度学习，有文献报道，深度学习可有效解决肺结节诊断的一些疑难问题，比如降低结节检出的假阳性，da Silva 等[17]采用PSO（Particle Swarm Optimization）技术来优化CAD 技术，其测试结果表明，PSO 技术对降低肺结节检测的假阳性是有效的，从而提高CAD 系统对肺结节诊断的准确率。 有研究表明，肺结节AI 检测软件对3～6 mm 肺结节最敏感，其次是6 mm 以上的结节，而3～6 mm 的结节是放射科医生最易漏诊的[18]。肺结节AI 软件还可将检测出的肺结节进行定位、测量、分级（低危、高危）等。有文献报道，肺结节AI 检测软件的筛查能力要等同于有资历的影像科医生的诊断[19]。现阶段，有多家人工智能技术公司开发研制了肺结节检测软件，投入临床使用后，取得不错的反响。AI 检测软件对肺结节筛查诊断敏感性高，可辅助放射科医生对肺结节的诊断，降低漏诊率。 2.2 间质性肺疾病间质性肺疾病是以弥漫性肺实质及间质纤维化为特点的一组疾病的总称，在胸部CT 上多表现为肺部的网格状及蜂窝状改变，不同肺间质疾病在胸部CT 中表现相似，很难将其区分。曾有文献报道，利用CAD 通过纹理分析对胸片中的间质性炎症进行检测，首先需要提取肺部有价值的信息，然后利用神经网络对肺部病变进行汇总分类[20]。Gao 等[21]提出新的CT 图像特征分类方法，即以整体图像作为输入的方法，替代以前的图像拼接算法，从而解决了临床对肺间质性疾病准确分类的难题，为临床医生治疗肺间质性疾病提供重要的临床信息。AI 检测软件的应用，可提高低年资医生对间质性肺疾病诊断的准确性。关于间质性肺疾病AI 检测的文献较少，在此仅做一些简要的介绍。 2.3 乳腺癌筛查乳腺癌是发生在女性常见的肿瘤，尽管临床上对治疗乳腺癌已取得很大的进步，但乳腺癌的病死率逐年增加，且发病率具有年轻化趋势[22]。随着公众对健康意识的提升，乳腺定期筛查，对具有高危因素的女性来说至关重要。 CAD 检测软件可应用于CT、乳腺钼靶、MRI 等不同检查中，现阶段，乳腺癌筛查最常用的是X 线钼靶检查。乳腺癌在钼靶X 线片上主要的特征表现是微钙化，因此乳腺癌AI 检测软件主要是对微钙化的检测，由于我国女性乳房大多为致密性乳腺为主，钙化的检出率相对较低[23-24]。MRI 对软组织分辨力要高于X 线，因此，MRI 是诊断致密性乳腺内肿块的重要检查手段。Li 等[25]采用学习迁移技术的辅助诊断系统，利用小数据分析研究得出：该方法乳腺癌的诊断有高灵敏度及高特异性，且对乳腺肿块进行分类。Renz 等[26]利用CAD 对108 名乳腺癌患者的MRI 图像进行检测，其对病变的检出率高，漏诊率低。CAD 对乳腺癌的定性具有重要的临床意义，可辅助放射科医生对乳腺癌的诊断。 3 总结与讨论近年来，影像技术飞速发展，CT、MRI 等影像技术手段已成为肿瘤筛查、诊断的重要手段，高分辨率薄层扫描及多模态成像使影像数据日益增长，同时，影像科医生的短缺，不能满足当前增长的工作量，人工智能的出现大大减轻放射科医生的工作负担，降低因医生疲劳工作造成的人为错误率，提高影像诊断的准确率[27]。 现阶段，人工智能尚不能根据患者的影像资料生成一份完整的检查报告，而是仅针对某个部位的某种病灶进行检测，例如肺结节检测AI 软件仅针对肺部的结节进行筛查，而胸部CT 影像中不仅只有肺结节，还有胸部肋骨和胸椎以及纵膈肿瘤等疾病，这些部位的疾病AI 软件是检测不到的。在未来发展中，AI 技术在对病灶的测量和记忆等方面是会超于人类，这一点是不可否认的，但对于医患关系沟通交流方面，AI 技术是永远无法替代医生[28-29]。 [1] Hamet P,Tremblay J.Artificial intelligence in medicine[J].Metabolism,2017,69:S36-S40. [2] Shen D,Wu G,Suk HI.Deep learning in medical image analysis[J].Annu Rev Biomed Eng,2017,21(19):221-248. [3] 潘亚玲,王晗琦,陆勇.人工智能在医学影像CAD中的应用[J].国际医学放射学杂志,2019,42(1):6-10. [4] 罗凤,陈金鹰,李果村.人工智能技术在医学领域的应用分析[J].通信与信息技术,2018,(6):27-28. [5] Suzuki K.Overview of deep learning in medical imaging[J].Radiol Phys Technol,2017,10(3):257-273. [6] Leaper DJ,Horrocks JC,Staniland JR,et al.Computer-assisted diagnosis of abdominal pain using “ estimates” provided by clinicians[J].Br Med J,1972,4(5836):350-354. [7] van Ginneken B.Fifty years of computer analysis in chest imaging: rule-based, machine learning, deep learning[J].Radiol Phys Technol,2017,10(1):23-32. [8] Fazal MI,Patel ME,Tye J,et al.The past, present and future role of artificial intelligence in imaging[J].Eur J Radiol,2018,105:246-250. [9] Chartrand G,Cheng PM,Vorontsov E,et al.Deep learning: a primer for radiologists[J].Radiographics,2017,37(7):2113-2131. [10] Erickson BJ,Korfiatis P,Akkus Z,et al.Machine learning for medical imaging[J].Radiographics,2017,37(2):505-515. [11] Litjens G,Kooi T,Bejnordi BE,et al.A survey on deep learning in medical image analysis[J].Med Image Anal,2017,42:60-88. [12] Shiraishi J,Li Q,Appelbaum D,et al.Computer-aided diagnosis and artificial intelligence in clinical imaging[J].Semin Nucl Med,2011,41(6):449-462. [13] 张波,张文,张峰,等.腹腔镜辅助小切口手术治疗胸部疾病分析[J].中国医药,2012,7(12):1550-1551. [14] 车舒平,孙夕林,鄢英男,等.肺癌的综合影像诊断进展[J].现代生物医学进展,2018,18(2):392-396. [15] von Berg J,Young S,Carolus H,et al.A novel bone suppression method that improves lung nodule detection: Suppressing dedicated bone shadows in radiographs while preserving the remaining signal[J].Int J Comput Assist Radiol Surg,2016,11(4):641-655. [16] Austin JH,Müller NL,Friedman PJ,et al.Glossary of terms for CT of the lungs: recommendations of the Nomenclature Committee of the Fleischner Society[J].Radiology,1996,200(2):327-331. [17] da Silva GLF,Valente TLA,Silva AC,et al.Convolutional neural network-based PSO for lung nodule false positive reduction on CT images[J].Comput Methods Programs Biomed,2018,162:109-118. [18] Liang M,Tang W,Xu DM,et al.Low-dose CT screening for lung cancer: Computer-aided detection of missed lung cancers[J].Radiology,2016,281(1):279-288. [19] Yuan R,Vos PM,Cooperberg PL.Computer-aided detection in screening CT for pulmonary nodules [J].AJR Am J Roentgenol,2006,186(5): 1280-1287. [20] Qin C,Yao D,Shi Y,et al.Computer-aided detection in chest radiography based on artifi cial intelligence: a survey[J].Biomed Eng Online,2018,17(1):113. [21] Gao M,Bagci U,Lu L,et al.Holistic classification of CT attenuation patterns for interstitial lung diseases via deep convolutional neural networks[J].Comput Methods Biomech Biomed Eng Imaging Vis,2018,6(1):1-6. [22] Anastasiadi Z,Lianos GD,Ignatiadou E,et al.Breast cancer in young women: an overview[J].Updates Surg,2017,69(3): 313-317. [23] Sadoughi F,Kazemy Z,Hamedan F,et al.Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review[J].Breast Cancer (Dove Med Press),2018,10:219-230. [24] Robertson S,Azizpour H,Smith K,et al.Artificial intelligence methods for the diagnosis of breast cancer by image processing: a review[J].Transl Res,2018,194:19-35. [25] Li H,Giger ML,Huynh BQ,et al.Deep learning in breast cancer risk assessment: evaluation of convolutional neural networks on a clinical dataset of full-fi eld digital mammograms[J].J Med Imaging,2017,4(4):041304. [26] Renz DM,Böttcher J,Diekmann F,et al.Detection and classifi cation of contrast-enhancing masses by a fully automatic computer-assisted diagnosis system for breast MRI[J].J Magn Reson Imaging,2012,35(5):1077-1088. [27] 金征宇.人工智能医学影像应用:现实与挑战[J].放射学实,2018,33(10):989-991. [28] Liew C.The future of radiology augmented with Artificial Intelligence: A strategy for success[J].Eur J Radiol,2018,102:152-156. [29] 黄海林,邹林颖,何远翔,等.乳腺癌的治疗进展[J].中国医药, 2006,1(5):317-319. Research Progress of Artifi cial Intelligence in Diagnosis of Chest Diseases |