您现在的位置是:首页 > 医疗

人工智能研究方兴未艾 应用于医学影像是大势所趋

2023-08-26 02:05:27

人工智能是指研发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的科学,是融合了计算机科学、统计学、脑神经科学等前沿学科的综合性学科。经过半个多世纪的发展,人工智能在图像识别、语音识别、文本处理等领域取得了突破性进展。目前人工智能也在深刻地影响着医学的发展,特别是给医学影像分析带来了前所未有的机遇和挑战。

一、人工智能应用于医学影像是大势所趋

医学影像数据占到了医院数字化数据的90%。随着成像技术的不断发展,医学影像的数据量还在快速增长。鉴于目前我国放射科医师数量的增长远不能跟上医学影像数据增长,以及短期内在基层单位医疗资源无法充分满足的情况下,借助人工智能,能够缓解医学影像人才紧张的状况。

在医学影像分析的精度和速度上,人工智能体现出了巨大优势。对比现有的工作模式,人工智能可以无休眠的工作,不会受到外界因素的干扰,能够时刻保持高效的工作状态,对提升医师阅片效率和质量产生巨大帮助。

在医学影像的深入挖掘上,人工智能可以提取医学影像蕴含的肉眼难以感知的高维信息,通过建立从高维量化信息到临床结果的数学关系,能够将医学影像的分析从诊断进一步扩展到治疗决策、预后预测等。如在结直肠癌的诊疗当中,人工智能可以在术前准确评估治疗的效果,提供是否手术、如何手术的治疗方案建议;可以准确预测患者淋巴结转移情况,提供术中是否进行淋巴结清扫的辅助建议;也可以预测患者术后复发、转移的风险,提供是否进行辅助放化疗的方案。利用人工智能技术,医学影像的价值将得到进一步的体现,在临床诊疗中起到更加重要的作用。

二、人工智能在心血管影像诊断与预警中的应用

心血管疾病是人类的头号杀手,因此开展心血管疾病诊疗至关重要。近年来心血管影像技术的快速发展产生了大量的影像数据,本着“影像引领临床并服务临床”的发展目标,充分发挥心血管影像的潜能与价值刻不容缓。合理地应用人工智能,不仅能够大大缩短检查时间,提高诊断的准确性,进一步还能够在疾病预后判断和危险分层中发挥更大的作用。概括起来,目前人工智能和心血管影像的结合主要用于以下几个方面。

1.减少心脏影像图像重建时间。如何缩短影像学检查时间,特别是心脏MR检查时间一直是困扰医工领域的难题,而应用人工智能技术深度多层卷积神经网络,可缩短心脏影像图像重建时间并得到高质量心脏图像。深度学习模型可在10 s内重建完成每个完整的动态序列,每帧二维图像的重建时间小于23 ms,达到实时成像的要求。

2.准确快速地进行图像分割与计算。目前以CT和MRI为代表二维平面图像,要获得三维图像和功能学数据,即使采用最先进的软件,往往也费工费时,影响准确性。人工智能的引入可显著提升心内膜分割精度,并通过全自动分割2D和3D电影图像中的心内膜,实现心脏影像的自动测量,同时进行射血分数计算和区域运动的评估,该方法耗时短,只需8 s即可完成,且在98%的患者中可行。

3.心血管疾病的诊断。人工智能模型可通过提取心脏影像特征来帮助实现疾病的诊断与鉴别诊断。例如人工智能可帮助鉴别诊断缩窄性心包炎与限制性心肌病,诊断曲线下面积(AUC)值最高可达0.962;人工智能能够识别运动员生理性肥大和肥厚型心肌病,诊断敏感度及特异度高于常规指标;人工智能还能在未观察患者冠状动脉解剖结构的情况下,自动识别患者冠状动脉CT血管造影图像中局部心肌异常,从而推断冠状动脉的功能性狭窄,有望减少不必要的侵入性血流储备分数(FFR)检查。

4.心血管疾病预后评估。现阶段临床判断患者的远期预后大部分基于有限的临床及影像学参数,而通过训练与学习,人工智能可同时提供更多、更复杂的变量,用于最终模型的构建。例如通过人工智能构建冠状动脉CT血管成像(CCTA)及临床参数建立的患者远期生存模型,与单独的弗雷明汉风险评分(Framingham risk score,FRS)或CCTA严重性评分相比,可表现出更准确的全因死亡率预测能力。人工智能还能通过分析源自CCTA的16段冠状动脉树信息,创建出更高的预后准确性风险评分;通过建立肺动脉高压患者右心三维模型来进行远期预后的判断,AI预测效能优于右心室射血分数。

三、人工智能应用刚刚起步,任重而道远

尽管目前人工智能结合医学影像的研究正如火如荼地进行,但真正落实到临床应用还有很多问题需要解决。第一,高质量的数据难以获取。第二,目前大部分研究机构都是基于自己的数据库进行模型的训练和验证,模型的泛化能力有待检验。第三,模型预测结果的准确性是判断其能否用于临床的关键,因此开发适用于特定临床问题的模型算法提升预测性能是当务之急。第四,人工智能技术在医疗领域发展的伦理、法律方面还存在大量的争论和思考。第五,人工智能模型的可解释性未来还需要重点研究。只有理解模型的决策原理,才能增加人们对模型的信任。

除了上述亟待解决的问题之外,诸多其他因素也限制了目前人工智能在心血管影像领域的发展。首先,人工智能模型训练特别是深度学习需要庞大的数据来进行训练保证模型的稳定性及准确性。与其他系统相比,心血管系统影像数据的获取成本高,时间长,可用于分析数据量一般相对较小。其次,心血管影像特别是MR图像,扫描层面多、序列复杂,很难完全排除心脏搏动的影响,不可避免地存在着一些低质量的图像,且受到医疗水平及患者地区分布差异的影响,心血管方面的数据很难完全达到可分析水平,加之MR电影序列及超声心动图均为动态视频数据,数据维度惊人且信息量极大,搭建一个合适的模型需要花费大量的时间和精力。综上种种原因,现阶段心血管影像人工智能仍处于起步阶段。

总之,人工智能的研究方兴未艾,基于人工智能的医学影像研究顺应了智能医学的发展方向。尽管在临床大规模应用人工智能影像技术还面临各种困难,可以预见的是在人工智能影像分析的辅助下可以减轻医师负担、缓解医疗资源紧张,临床医师也可以做出更好的临床决策,最终使广大患者获益。