(资料图)

原标题：科普|未来，给你诊断疾病的可能是AI

AI是人工智能技术的缩写，全程为artificial intelligence technology，这项技术是近些年发展非常迅速的技术领域。平时在我们生活中我们经常能从媒体和报道中听到诸如人脸识别、自动驾驶等高科技正逐渐渗透到我们的日常生活中。这些都是AI技术应用于不同工业领域的体现。其实，在医学领域，尤其疾病的影像诊断方面，AI也有着广阔的应用空间，有些也已经逐步应用到临床。大家熟知的影像科检查方法，比如普通X线检查，计算机体层摄影（CT）和磁共振成像（MRI），所采集的图像，均可利用AI的方法进行分析和处理。

首先，我们来看看什么是医学影像领域的AI。简单说来，是将影像设备所采集的图像，进行标准化处理后（比如图像采集的方位统一、格式统一、大小统一等等），利用计算机软件编程所设定的程序进行数据读取、识别，并输出计算机模拟分析后的病灶分割、疾病诊断或者分类。目前主要有两种方法：基于传统机器学习方法的放射组学（radiomics）和引领最新一波人工智能热潮的深度学习（deep learning）方法。放射组学是使用不同的算法与公式从原始采集的医学图像中提取定量化数据特征，并利用这些特征进一步挖掘隐藏在图像中的内在信息，帮助诊断和和揭示疾病的预后。深度学习能够模仿人脑的结构和功能，使用由多层互连的节点组成的人工神经网络，自动从大量数据中学习、并识别其中的模式和特征。深度学习摆脱了放射组学需要人工设计提取信息的公式的限制，可以完成各种基于影像的任务；在存在大量高质量数据的情况下，可以显著提高图像分析和诊断的准确性，在医学成像领域显示出巨大的前景。现在应用比较成熟的AI方法，是肺部CT中小结节计算机辅助识别和标注，目前已经应用到临床，辅助放射科医生判断小结节的性质。随着大影像设备的普及，相应带来的是海量影像数据，而这对于诊断医生来说，浏览这些影像信息，将花费更多的时间，随之带来的是职业疲惫感的上升。可以表明，利用AI技术，不仅仅带来的是辅助诊断，更多的是效率提高。除此之外，比如乳腺钼靶摄影，也都逐步尝试利用AI的方法进行乳腺恶性病变的辅助诊断。随着健康中国战略的实施，我们将更加重视疾病的预防，而规范化的体检则是早期发现病变的必要手段。体检影像信息的特点在于：绝大多数为阴性样本（即健康个体）。这种样本信息，则特别适用于利用AI的方法进行早期筛查，判断出风险较高的高危人群，并进行进一步的诊治。此外，AI 的方法也应用在前列腺、胰腺、脑部疾病等的分类及肿瘤患者预后的判定方面，也有了很多科研应用，初步研究也有不错的时间结果，预示着今后较好的临床应用场景。

在妇科疾病成像中，放射组学可以帮助提高诊断和治疗计划的准确性。例如，基于MRI的放射组学分析不仅可以提供有关肿瘤大小、形状和质地的详细信息，也能帮助进行手术计划，还可区分良性和恶性子宫内膜肿瘤、预测子宫内膜癌患者淋巴结转移的风险等，从而指导治疗决策并改善患者预后。利用深度学习技术也可用于提高X射线成像在如骨质疏松症和骨盆骨折等疾病诊断中的准确性。在组织病理学领域，深度学习可对巴氏涂片图像或组织切片样本进行分析，迅速、准确地识别异常细胞，从而帮助实现妇科癌症，如子宫颈癌和子宫内膜癌的早期发现和治疗，降低死亡率并改善生存质量。

笔者所在单位主要开展了利用MRI的深度学习技术辅助识别子宫内膜肿瘤肌层侵犯深度判定、卵巢肿瘤患者的术前分类判断和孕妇胎盘植入的术前判定。子宫内膜癌是妇科三大肿瘤之一，近些年随着生活方式的转变(肥胖率的逐步增加)，发病率逐年提高。而准确的术前分期，对于治疗对应的治疗方案至关重要。针对子宫内膜癌MRI图像我们训练了一个基于 YOLOv3 算法的检测模型来定位肿瘤在MRI图像上的病变区域。之后，将检测到的区域反馈到该学习网络的分类模型中，该分类模型在内膜癌肌层侵犯深度判断的准确率为 84.78%，敏感性为 66.67%，特异性为 87.50%，阳性预测值为 44.44%，阴性预测值为 94.59%。这也初步提示，基于深度学习的网络模型在术前判断内膜癌肌层侵犯深度方面是可行和可靠的，特别适用于一些非三级医院，帮助术前医生准确判定肿瘤分期。

综上，以影像组学和深度学习为代表的医学影像人工智能，在临床应用中有着广阔的前景。但不可否认，人工智能相关科研成果的临床转化，也存在着不少障碍：一、医学影像的图像质量与对比度，随着医院、设备、扫描参数与操作人员的偏好不同而不尽相同，特别是MRI，提供的检查序列十分丰富，不同医院的检查设备和扫描方案也各不相同，图像存在着较大的异质性，造成模型泛化困难。这就要求前期开展多中心、多任务、多设备的大样本研究；二、目前的影像学AI研究，仍以单一模态数据为主，而结合临床信息、病理图片信息的多模态组合，能为临床医生提供一站式分析处理疾病的解决方案，代表着智慧医疗的发展方向，具有更好的临床应用场景。但多模态数据分析对研究者基础要求更高，需要更专业数据处理能力、更长的建模周期和科研投入；三、为了建立更加稳健的人工智能模型，需要大量不同病种的多模态、多中心、高质量的数据。如何在充分保护患者隐私以及遵守数据安全相关法律的前提下，建立高质量的公开数据集，满足建立人工智能模型对多中心大数据的需求，也应引起相关人员的充分重视，需要建立相关规范和标准。

AI在医学领域的发展方兴未艾，也是大势所趋。这能让医生从繁重的重复劳动中解脱出来，使医生回归到与患者更多面对面的交流、问诊，和人文关怀中来，而这也才是医患关系最本质的体现，而这也恰恰是AI的方法所无法取代，也不能取代的。