人工智能（artificial intelligence，AI）是当今科技发展的代表性前沿方向，与众多学科及产业领域相融合，对当今科学及社会生产方式产生重大的影响。以AI为核心技术的智能医学被看作是未来医学发展的重要方向，而医学影像是AI在医学领域的最主要应用方向之一。

     

    本文从人工智能医学影像的意义目标、研发流程等方面进行阐述，并对未来进行展望。

     

    1.AI概念与发展条件

     

    AI是指研发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门信息科学。相比传统的AI算法，新一代AI以深度学习为核心技术，具有更强的学习能力以及自主学习进化能力，结合大量学习数据，突破模型准确率的瓶颈限制，使得模型可以得到高效运用。医学影像结合AI的概念，早在20世纪60年代即被提出。初期主要采用逻辑与统计模式识别方法概念尝试用于放射诊断流程；20世纪80年代后，计算机技术发展推动医学影像数字化转变，AI医学影像由知觉主观方式向定量计算方式转化，出现了计算机辅助诊断系统等；但以深度学习为代表的新一代AI技术结合下的医学影像具有真正成熟应用于临床实践的能力。

     

    除AI新一代算法进步外，强大的计算存储等硬件能力提升以及医学影像全面数字化而产生的大数据，共同促成当前AI医学影像发展。

     

    2.AI医学影像的意义与目标

     

    从内在需求方面看，AI医学影像出现对临床放射诊断实践具有重要意义。医学影像学作为数字化医疗时代发展的代表学科，以高分辨薄层扫描、多模态成像为特点的影像设备和技术的飞跃发展，影像数据以每年30%的速度增长，占医院数字化数据的90%，放射科从传统胶片到全面数字化PACS阅片临床工作方式的转变，使得放射科医师每天的图像数据浏览工作量剧增；同时期，我国经济社会进步、人们健康意识及需求的提高，也导致临床放射工作量的增加；而每年医疗资源和人力投入增长远远不能满足需求。

     

    多重因素叠加使得放射科医师工作超负荷。AI医学影像的出现恰逢其时，为解决这种医疗困境提供了具有广阔应用前景的技术，顺应学科及社会发展的时代要求。AI技术可以利用高性能的图像识别和计算能力、自我进化学习能力以及持续稳定工作的机器性能优势，在至少以下3个方面（场景）将对当前临床放射诊断工作提供帮助。

     

    2.1分类检出工作

     

    高敏感性地对较大工作量的数据进行阳性病例筛查、分类检出。应用场景具有以下3个特点：①阳性病例占比低；②阳性病灶区数据占比小；③病例影像诊断专业知识需求低，如体检肺结节的筛查检出。在AI高敏感性对阳性病例/病灶区域进行检出后，再交由放射科医师进一步诊断，从而省去大量阴性病例数据的人力资源的占用与浪费。

     

    2.2替代医师工作

     

    这部分工作主要体现在结果判读的标准简明、稳定、知识构成相对简单的情况，如采用AI代替人工进行骨龄读片判断。

     

    2.3提供具有附加值的工作

     

    此方面包括2方面内容：一是辅助医师进行定量放射学诊断，如在医师指导下的肿瘤边界分割重建、病变（如肿瘤、血肿）体积测量等，AI结果精确、客观，整体提高诊断质量；二是充分发挥AI高敏感检出、高维信息挖掘、高通量计算的能力，提供更丰富的影像诊断指标，辅助疾病的鉴别诊断、基因分析及预后判断等，整体提高影像诊断水平。由此可见，AI医学影像的意义在于优化放射科医师工作的时间资源分配，将有限的精力从低知识含量、简单重复的机械工作中解放出来，并且还可以辅助影像分析诊断。因此，AI医学影像的目标并非取代放射科医师，而是辅助其进行更好的临床诊断。

     

    此外，AI医学影像借助云端技术等信息化平台，推广应用于基层等技术薄弱医疗单位，帮助分级诊疗、医疗优质资源下沉，整体优化医疗资源配置。与其他医学学科AI技术研发应用一起，共同促进智能医学时代的发展。

     

    3.AI医学影像的研发应用流程

     

    AI医学影像诊断系统构建的核心技术包括图像识别与AI计算。其流程可以分为以下4个步骤。

     

    3.1面向临床问题的模型设计

     

    临床问题的选择，即AI模型设计至关重要。首先，该模型解决的问题必须是临床医师普遍关切，其解决效率或准确性的提升可以使得患者普遍受益，如AI可在上述3个场景中有所作为。其次，模型设计需要参考相关领域最新的临床指南规范，并在现有医疗流程上对疾病诊断治疗作出贡献。最后，当前成熟的AI算法必须使用足够量的数据及数据标注来进行学习，如应把重点放在常见肿瘤，而非罕见肿瘤的鉴别诊断上。虽然在技术层面，小样本甚至无样本的新型学习技术发展迅猛；但距离成熟临床应用差距较大。因此模型设计的关键在于选择最有利于医师决策和患者受益的问题，并且所选择解决的该问题还必需有大量易于获取和标注的学习数据。

     

    3.2结构化数据构建

     

    一组AI模型的建立包括学习数据的结构化构建、使用学习算法建立模型，最后进行模型的验证。高质量的结构化数据是学习任务的基础。在结构化数据构建过程中需注意：①数据的收集。影像数据采集设备机型繁多、参数各异、质控不同，这些都将影响AI的最终应用，故影像数据采集时应首先规划AI模型对数据参数及质量的要求，如肺结节检出使用薄层高分辨CT而不是厚层数据。其次，在AI具有应用潜力的基础上，尽可能覆盖不同厂家、参数、图像质量及疾病种类。②数据标注。数据的学习标签标注应直接面向需学习的目标问题，如肺结节检出任务标注结节坐标轮廓，良恶性鉴别任务标注结节病理类型。在标注任务中尽量使用“金标准”标签，如病理、基因型、生存期等；其次采用影像科医师的量化知识，如病变位置、范围、良恶性评分等。数据集的质量控制非常重要，提高数据集的标注准确性可有效提高模型的准确性和鲁棒性。所以高质量结构化数据构建的关键点在于影像数据采集的质量和广泛代表性，以及数据标注的准确性。

     

    3.3AI算法选择和模型建立

     

    不同于传统计算机辅助诊断使用的机器视觉算法和机器学习算法，新一代AI算法可应用更大样本数据量突破准确率的瓶颈限制，使得模型可以真正在临床高效使用。不同建模方式的选择应根据学习数据的数据量和复杂度来规划，包括：①针对大量学习数据，推荐使用包括各种神经网络的深度学习作为学习器建模；②针对中等量学习数据可以尝试使用深度学习建模，效果不佳时可以考虑采用神经网络提取特征，使用机器学习方法建立模型的折中方式；③针对少量学习数据，推荐使用影像组学方法先验高通量提取病变范围内特征，使用机器学习方法建立模型；④虽然只具有中等量学习数据，但有大量面对其他问题的相似模态数据，可以尝试使用迁移学习方式，将大样本数据经验应用到小样本数据学习中。

     

    无论使用哪一种模型建立算法，对模型准确性、鲁棒性、泛化性的验证均必不可少。在训练数据集内可使用交叉验证法验证模型稳定性；此外还需要独立的数据集验证模型的鲁棒性和泛化性，最后在临床使用中的证据将为模型在真实世界中的表现提供评估。所以AI算法选择和模型建立的关键点在于面向数据和问题的算法选择和模型验证。

     

    3.4AI服务模式建立

     

    结合模型设计时的应用特点、临床需求和医师的工作习惯，建立合理的服务模式。①当前云影像技术发展迅猛，其与AI技术的结合可以更好地为医疗机构、特别是基层医院提供图像传输、储存、辅助诊断的一揽子解决方案，有利于提高医疗机构的运转效率及诊断准确性。②在与现有工作流程结合方面，可以与RIS系统结合提供AI结构化报告，同时与PACS系统结合将AI综合分析报告使用DICOM格式提交PACS系统，并在医师浏览图像时进行病变标注提示。

     

    总体上，虽然一项AI医学影像具体技术的优劣取决于多个环节，但当前阶段应关注的主要问题体现在AI技术产品的应用对象设置、服务模式以及准确性方面。良好的检查敏感性及诊断准确性是基础。为达到此目的，除了优秀的图像分割、识别算法以及AI分类算法外，更应重视构建包括数据库和知识库的高质量结构化数据集。此外，具有临床诊断应用价值且符合临床规范的AI技术的目的设置、符合临床医师应用习惯的产品服务模式的设计等因素也是影响AI医学影像技术。医学影像技术产品的开发应着眼于围绕放射科医师或包括所有临床医师而进行设计。

     

    4.AI医学影像的开展现状

     

    当前AI医学影像研发及应用研究在全世界都处于方兴未艾的热潮之中。从图像识别、AI算法等基础方法研发、专病疾病模型评估应用，到模型产品化以及临床评价研究等系列工作大量出现。

     

    4.1学术研究现状

     

    影像组学、深度学习、迁移学习等AI算法已经在医学影像数据上进行了开发和测试，形成了病灶检出、病灶分割、病灶性质判断、治疗规划、预后预测等多种应用模式。肺部病变、骨科病变、神经系统病变、消化道病变等方面已有大量研究成果发表。近年来，多个国家的放射学会对AI医学影像的发展给予充分关注与支持，纷纷刊文发布规划、评述及观点。其中，美国放射学院成立专门为AI服务的数据科学研究所（https：//www.acrdsi.org/About-ACR-DSI）；加拿大放射医师协会发布医学影像AI白皮书；我国放射学界也成立相关的AI医学影像工作小组和联盟。

     

    4.2产品开发现状

     

    国际及国内已有众多大型企业及初创公司投入AI医学影像产品开发。在国际上，美国IBM Watson Health提供胃癌、肺癌等疾病的AI影像分析和辅助决策，Nuance公司推出了美国第一个AI影像诊断平台Power Share，提供放射诊断报告。传统影像设备厂商西门子、通用电气及飞利浦等也在自己的后处理工作站中融入很多机器学习算法。在国内，腾讯承建国家医疗影像AI开放创新平台，拥有多类疾病的AI辅助早期筛查诊断系统；东软医疗、联影医疗等国内影像设备厂商也纷纷成立AI部门，发力AI人工智能解决方案；深睿医疗针对多模态多病种影像分析推出了Dr.Wise AI辅助诊断平台和AI智能问诊平台。较多的AI公司产品已在部分医院单位进行测试应用。

     

    4.3临床应用现状

     

    虽然当前AI医学影像成型产品不断涌现，但真正临床实践规范应用的产品尚较为缺乏。美国FDA自2017年成立AI与数字医疗审评部，认证通过一些产品，如Viz.Ai的脑梗塞早期诊断产品、Imagen骨折检测产品等；而国内较多临床单位开展了AI医学影像学术规模研究以及初期产品的小规模验证应用。CFDA拟将部分AI产品定位为三类医疗器械。

     

    5.AI医学影像的问题与展望

     

    虽然目前AI医学影像研发投入如火如荼，并被看好为未来智能医学发展的重要组成部分；但其也存在较多问题，并影响到其真正的临床应用落地；主要包括以下3个方面。

     

    5.1AI医学影像技术/产品临床诊断准确性

     

    准确性是AI医学影像的核心部分，是技术被信任的根本。①开发更适合医学影像数据小样本/大维度特点的AI算法核心技术。②全世界范围内，当前缺乏高质量的结构化数据（训练数据集及知识库），是影响AI医学影像准确性的关键点。高质控标准（数据质量、完整性、诊断金标准）条件下，对非结构数据进行结构化处理意义重大；其难点在于知识库构建和数据标注，开发用于辅助人工标注的AI算法和策略有利于这些问题的解决。

     

    5.2服务模式

     

    不同于AI在其他社会服务方面（如人脸识别、指纹识别及共享服务）的应用，医学影像应用需求具有高度的专业知识特征。在满足高的检出/分类准确性后，还需要其技术/产品具有临床实践意义，且符合临床规范；当前AI技术的服务模式设计落后于算法的开发，是影响AI医学影像产品在医院落地使用的关键点，包括：①AI模型缺乏临床实验验证，其性能未得到信任。②当前AI模型设计参考最新临床指南规范较少，其部分判别结果在临床上很难使用。③当前AI服务模式并未结合医师的实际应用情况，尚未较好地融入医师的日常工作流程。

     

    5.3伦理、法规及专业接受度

     

    AI技术在社会层面引起广泛伦理、法规方面的争论思考；同样，在AI医学影像方面也存在问题：①AI影像诊断结果医疗责任问题。②AI相关信息安全问题。③放射专业医师的AI知识及应用技能的教育问题。需要出台相对标准化的技术规范，以及建立医师AI技术研发人员的沟通平台。

     

    总之，当前的AI医学影像技术犹如蹒跚学步的儿童，在优化医师资源配置、减轻医疗资源紧张及提高临床诊断水平方面已显示出巨大的应用前景。虽然距全面、规范化临床应用落地尚需较大工作努力，但AI医学影像符合未来智能医学的发展方向，相信也将成为推动医学影像学科发展的划时代技术。