近年来，人工智能（AI）在我国医疗影像行业可谓遍地开花，越来越多的智能应用走入临床。目前已有多款人工智能自动分析软件取得三类医疗器械注册证，涵盖冠脉血流、脑肿瘤、糖网眼底、肺结节、骨折等不同器官脏器的病变。人工智能多器官多模态筛查已经成为下一阶段发展目标。本文讲述了人工智能在不同影像分支领域的具体临床应用，旨在从实用性、功能性、创新性等多个维度，揭示人工智能软件与临床结合的切入点。现有的人工智能软件在临床应用、使用场景、数据安全、工作流整合等多个方面都遇到不同程度的挑战，这也为下一阶段人工智能的发展指明了方向。相信在不久的未来，经过市场的不断打磨洗礼，人工智能势必将在一体化、可及性和复杂性等多个方面不断深入，最终形成自己独特的产业价值链条，更好地惠及普罗大众。
引言
近五年来，人工智能在医疗影像领域的发展势头迅猛，越来越多的人工智能影像产品已经从初期的试验阶段逐渐深入进化，从而陆续进入临床验证阶段。截至 2021 年上半年，已有多款人工智能产品取得三类医疗器械注册证（“三类证”），涵盖冠脉血流、脑肿瘤、糖网眼底、肺结节、骨折等不同器官脏器的病变，为临床提供全方位的辅助。
其中，部分产品已经获得美国食品管理局 FDA 和欧盟 CE 的认证。目前，医学影像 AI 的应用正在经历新一轮的产品升级，从多样化、多模态、多系统、多任务的方向不断进行深入迭代更新。实践表明，拘泥于单一病种、单一功能的应用无法为临床提供有价值的诊断辅助。只有不断地拓展产品功能，实现全流程、全链条的解决手段，才可以更好地将人工智能技术运用到极致。本文将通过具体的临床示例，介绍如何将人工智能软件结合到日常临床诊断流程当中，并结合临床需求阐述对于人工智能产品的更高诉求，旨在分享在人工智能临床落地过程中面临的挑战，从而能够更好地实现厂家、医院、患者等多方的共同合作，推进技术更新以及产业升级。
1 人工智能在胸部影像的应用
胸部检查占据了约 60% ～ 70% 的日常医学影像检查。由于胸部结构复杂、病变种类繁多，常规阅片需要医师在不同窗位间来回切换，尤其是对于细微病变，需要观察每一层薄层图像进行细致比对，从而做到对于肺结节等相对微小病变进行无遗漏的筛查。医师的阅片状态受经验、心理、水平等因素干扰，往往无法做到统一、准确、高效。此时，人工智能找到了极佳的切入点，通过计算机视觉算法，软件能够迅速对于细小病变进行区域标注。目前，已有多款肺部相关软件应用问世，涵盖肺结节筛查、肺气肿分析、新冠肺炎分析、肺部纤维化分析等，其主要设计思路都是从临床某个疾病判断出发，进行数据标注，通过深度学习算法基于训练集进行学习定型，最终利用计算机对于类似病例进行判定。由于训练的神经网络模型通常只针对一种疾病有效，然而肺部疾病种类众多，往往需要结合多款软件综合判定，病种的多样性与复杂性也给临床辅助诊断带来了挑战。
肺结节作为肺癌筛查的重要表征，也是与人工智能应用具有最高契合度的病症。有研究显示，超过半数的个人胸部影像筛查中都能找到不同程度的结节病征，然而，研究显示，大部分结节最终显示为良性 [1-3]。从临床质控角度出发，肺结节检查的假阳性率需要控制在足够低的水平以免造成误诊，然而美国国家肺癌筛查临床试验（the United States National Lung Cancer Screening Trial (NLST)）的结果显示，假阳性率可能高达 96%，意味着大部分找出的肺结节发展成为肺癌的几率很低 [4-5]。目前，临床对于肺结节的描述停留在单一的最大直径描述，并将 4mm 以上的结节纳入值得关注的对象 [6]。然而对于不规则形态的结节，单一的直径描述往往会出现误导。对于肺结节的体积形态分析往往耗时费力，尤其对于例如结节大小变化、实性成分体积变化、体积倍增时间等数据测量，需要计算机软件的辅助。针对重点随访病人，通过人工智能辅助软件能够了解到每一次检查的结节形态的细微变化，能给临床诊断带来更有价值的参考数据。
除此之外，对于肺部其他病变，相关的医学影像 AI 也正逐步进入临床辅助诊断流程。以慢性阻塞性肺疾病（Chronic Obstructive Pulmonary Disease，COPD）为例，日常 CT 影像和其相关的人工智能自动化测量软件也正在为评估患者肺功能带来新的量化手段。目前，诊断慢阻肺的临床标准主要仰仗运用呼吸机对于病患吸呼气能力进行判定。依据严重程度，全球慢阻肺计划（the Global Initiative for Chronic Obstructive Lung Disease）制定了相关的 GOLD 分期程度对比表，规范了肺气肿评估的量化标准 [7]。然而，通过呼吸机的肺功能评估往往取决于患者测量时的状态和配合程度，可能存在比较明显的测量偏差，越来越多的学者提出，需要遵从临床表现综合判断，而非拘泥于单独的测试结果。CT 影像能够有效地观察到严重肺气肿在影像学上的亮度变化，通过测量肺部低衰弱区 low attenuation volume（LAV），可以得到与标准肺功能测量值高关联度的结果，从而降低了对于患者进行冗长的肺功能评估的必要性 [8]。对于 LAV 的临床测量需要放射科医师进行肺叶勾画和高亮部分体积计算。人工计算费时费力，更有可能带来测量偏差，目前还无法大规模进行临床推广。通过AI软件的使用，计算机可以自动对于肺部进行勾画，隔离筛选出重点关注肺气肿体积，并自动计算得出可供临床参考的肺功能测量值。这也是人工智能在量化测量、视觉判断、批量处理等多个方面具有独到优势的综合体现 [9]。
图 1 人工智能在肺气肿疾病的相关应用（左图为胸部扫描薄层重建，中图为人工智能自动标识肺气肿可疑体积，右图为肺部三维重建影像）
2 人工智能在心血管疾病影像诊断的应用
近年来，随着 CT 和 MRI 技术的日益成熟，其在心血管疾病诊断中也拥有了更广泛的应用。人工智能在心血管影像学的应用主要在心肌灌注、心功能、斑块性质、冠状动脉狭窄和心肌活动等方面。人工智能技术能够与现有心血管诊断有机结合，通过实现自动阅片、影像重建、量化分析等功能，进一步提高医师的诊断准确率。对于相关的临床判断，人工智能可以提供准确的脏器结构、三维重建、临床指标等有价值的信息，对于评估术前风险、预后恢复等都有极高的价值。
心血管相关的人工智能应用可谓百花齐放，从不同的切入点出发解决临床实际问题。
首先，人工智能软件可用于钙化积分的自动测量。常规心电门控下的低剂量胸部CT 扫描费时费力，具有较高的技术难度，计算得出的 Agatston Score 可以作为临床判定钙化严重程度的一个量化标准。西门子医疗开发的 AI-Rad Companion Chest CT通过深度学习算法，实现了对于非心电门控检查的钙化严重程度预估。该软件得出的钙化负担（Calcium Burden）通过临床验 证 与 Agatston Score 的 关 联性高达 0.921。这意味着可以省去复杂的心电门控操作，采用常规的胸部 CT 平扫进行日常钙化筛查。通过人工智能自动后处理，还可以清晰地观察到钙化点的分布，从而实现一体化冠脉钙化分析 [10]。
图 2 人工智能判定的钙化体积对比临床 Agatston Score （两者具有极高的相关性）
冠状动脉 CT 血管造影 (CTA) 是心内科诊断上的一项常规检查，它能用于观测心脏血流情况，对于血管狭窄程度进行影像学评价，而血管狭窄到底对远端血流产生了多大影响，这往往不能简单地从影像观察中获取。基于冠脉 CTA 的血流储备分数 (CTFFR) 目前已经成为冠脉狭窄功能性评价的公认指标，其最重要的功能是对冠脉狭窄造成的临床影响进行准确评价。国外 AI 公司 HeartFlow 已经通过多中心研究证实并已得到 FDA 认证。其采用的上万例冠脉 CTA 分析其解剖结构，以及相应的 CFD 仿真得到的 FFR 值，使用深度学习预测 CT-FFR 值，其诊断精度可达到 83.2%，相关系数为0.729。国内 AI 初创企业科亚医疗也运用类似技术，并取得了医疗器械三类证的认可。目前，通过 CT-FFR 进行血管狭窄判断已经被越来越多的人接受，通过人工智能计算结果可谓兼具准确性和高效性，通过不断地数据迭代更新，人工智能在该领域的应用已经日趋成熟。
3 人工智能在骨科疾病影像诊断的应用
随着我国老龄化程度日益加剧，中老年人相关疾病的发病人群也是与日剧增。例如 ,骨质疏松、骨关节劳损、骨关节炎等疾病都有极高的发病率。中老年骨关节疾病发病人群日益增加，70 岁老人的骨关节发病率达到 80% ～ 90%，DR 是骨科疾病的常规检查，兼具实用性和经济性，也能作为早筛工具用于大规模筛查。除此之外，CT 影像对于观察创伤性病变、骨关节病、骨肿瘤和软组织病变等也有日常运用。基于 DR、CT 等设备的传统的计算机成像技术，能在图像质量角度确保一定的病灶检出率。融合最新深度学习算法的人工智能技术可谓更上一层楼，能够自动进行骨科病灶挖掘。利用深度学习技术可实现对 DR 图像更为精准的特征点定位，通过分割和测量结果对相关疾病进行分类，获得更优表现的精度和程度预测。其中，人工智能在通过训练学习后，能对于骨折、脊柱退变、肋骨形变、关节畸形、骨龄预测等方面进行定性判断，往往能够提示人类医师容易忽视的细微病变。影像分割的作用不仅仅局限于诊断阶段，越来越多的骨科手术规划也需要明确骨骼关节位置，辅助制定相应的手术方案，这也是人工智能自动化软件能够发挥作用的重要方向。
在此以人工智能辅助骨密度筛查为例，简单阐述一下临床实际使用场景。骨质疏松是最为中老年人的常见病，在我国亦是十分普遍。严重的病症可能导致脊柱变形，继而诱发身高缩短和驼背。同时，椎体压缩性骨折会导致整个胸廓畸形，继而影响心肺功能等。过去三十年来，临床一直使用双能 X 线吸收法（dual-energy x-ray absorptiometry DEXA）的测定值作为金标准。近年来，使用 CT 影像进行椎体观测也逐渐进入临床视野。由于我国普遍推行的日常体检机制，CT 影像也作为胸部早筛的一部分被人们广为使用。除了肺癌早筛等常规应用，使用 CT 进行骨密度预估也成为日常筛查中的一项附加价值。而 AI 算法能够自动进行椎体定位，并计算出相关椎体 ROI 区间内的平均 CT 值，作为骨密度的参考值。国外已有研究表明，该测量值与临床骨质疏松表现有很高的关联性 [11]。
图 3 人工智能进行胸椎自动化测量（T1-T9 自动标注椎体高度，图中显示 T1、T3、T4 有不同程度楔形形变、压迫性骨折等疾病风险）
对于骨质疏松人群，他们的 CT 影像在椎体部位对比正常人群往往表现为低 HU 值，伴随可能的楔形形变、骨折、脊柱侧弯等形态学特征。该研究还表明，使用 AI 算法能够快速地对于病人的 CT 影像进行直接标注，以及骨密度相关测量值计算，并对于高风险病人进行实时提示，并省去了医师进行手动测量比对的麻烦。因而，这也开辟了一个全新的使用 AI 辅助常规骨密度筛查的临床运用场景。
4 人工智能在神经系统影像诊断的应用
随着人工智能技术不断发展，神经系统影像的研究正逐渐成为国内外人工智能研究的主要方向。尤其是针对中枢神经系统疾病，AI 能够发挥自身优势，更好地帮助医师进行临床判断。中枢神经系统疾病由于机理复杂，疾病种类繁多，临床要求细致，更有可能导致致残、致死等严重结果，一直以来都是人类关注的重点疾病。目前，针对中枢神经系统的 AI 产品功能大部分集中在图像分析、定位诊断、定性诊断方面。对于整个脑区的分割、功能区的细化定位、白质变性的定量分析，以及基于影像学的评分，也成为了中枢神经系统 AI 应用的主要方向。
中枢神经系统推行疾病，例如阿尔兹海默症、帕金森症等，都是危机人类健康的重要疾病。该类疾病早期诊断困难，往往难以通过简单地观察图像进行判断。人工智能能够通过对于脑区的量化分析，对于脑组织结构进行深入解剖，从而 对于萎缩型改变提供临床依据。
图 4 人工智能对于脑区分割以及体积判定（左图为脑区分割渲 染图像 , 右图为核心脑区与同年龄端人群的偏离图）
有研究表明，灰质变化对于脑部退行性疾病有较高的关联性。结合结构性 MRI 数据和其他的生物标志物，有望在早期对于风险进行预估。人工智能扮演着自动计算和归档的功能，对于核心脑区的结构提供可靠的计算基础 [12-13]。
人工智能在颅脑肿瘤辅助诊断方面也有着出色的表现。国内初创企业安德医智研发的颅内肿瘤核磁共振影像辅助软件，通过人工智能技术，实现对于脑膜瘤、胶质瘤等多种形态肿瘤的定性判断和分类，并取得了医疗器械三类认证。对于脑肿瘤这种复杂病症，人工智能对于脑出血是否扩大、脑肿瘤恶化情况进行前瞻性判定，有一定的临床借鉴意义。由此可见，人工智能的确能给临床起到很好的辅助诊断功能，对于脑科疾病早筛、临床标准建立、基层医疗资源下沉等都能发挥重要作用。
5 人工智能在医学影像领域发展的展望
随着我国社会、经济发展，民众对自身健康管理的意识逐步提高，医学影像学作为体检和疾病筛查的重要检查手段，使用数量亦不断提升，医学影像数据年增长率高达30%。然而，中国每千人医生数与欧美、日韩等发达国家和地区相比较低，其中放射科医生的年增长率仅为 4.0%，仅此对于医生来说，传统的人工阅片模式效率较为低下，难以满足日益增长的影像科诊疗需要。与此同时，医学影像数据在医学数据中的占比60% 以上，是疾病筛查和诊断的主要信息来源，由于 dicom 数据的极高标准化，使得人工智能在医学影像中快速落地。
医学影像人工智能产品旨在满足快速增长的诊断需求，降低影像诊断医生的工作负担，减少误诊率。但目前仍存在着多个挑战。
5.1 局限于单病种
当下，国内大部分医学影像人工智能软件局限于单病种场景，不同的病种应使用不同的算法设计开发。而对于临床医生的诊断而言，以胸部 CT 为例，一张胸片需要进行多种器官、多种疾病的诊断，而绝非仅有肺部结节的诊断一种病种。因此，如何进行针对不同病种、不同疾病类型，甚至不同模态数据的新产品开发是未来发展的方向。Sharma 等人 [14] 的研究基于胸部 CT 平扫影像图像 , 覆盖肺结节检出、肺叶分割、低实质性病变表征、胸主动脉分割及最大直径测量、心脏钙化积分自动计算及异常钙化检出标记。这也是人工智能朝向多元化发展的一个必然的趋势。
5.2 临床治疗的指导意义不够
目前大部分的人工智能软件呈现产品扎堆且同质化严重的现象，而医学影像作为临床诊断中占据重要的指导意义，如通过可视化手术指导等更贴近患者治疗康复的解决方案更具有实际临床价值。这也意味着人工智能除了在 2D 图像层面，在复杂自动化三维重建及手术路径规划方面也需要更加深入。Imanli 等人 [15] 在放射性介入治疗中的危险器官和轮廓勾画、电生理手术的术前规划、经导管主动瓣膜置换术（TAVR）、动脉瘤腔内修复术（EVAR）和冠状动脉慢性完全闭塞性病变（CTO）的术前规划中使用人工智能技术。近期 Lou 等人[16]的一项研究证明基于 AI 用于肺部立体定向放射治疗方法能实现患者个性化治疗。该研究描述了一种从 CT 图像出发并通过 AI 技术进行分析，从而生成新的影像组学特征用于进行放疗患者治疗风险的评估。这些都是更加切入临床的人工智能应用实例。
6 数据隐私保护
医学影像数据涉及到患者个人隐私。在《信息安全技术个人信息安全规范》中对个体数据的收集、存储、应用，及传输提出了明确的规定。患者的医嘱单、检验报告、用药记录等个人就诊产生的相关记录为敏感信息，如要进行收集、共享或转让，需要得到患者个人信息主体的明示同意。但目前尚无针对以上所提及的医疗信息和个人健康隐私保护的标准或法规，对患者就诊产生的医疗信息敏感信息和去标识化亦无统一标准。
7 融入现有工作流
目前，大多数人工智能应用都是基于 B/S 架构并独立于影像科工作流之外，而医学影像从图像产生、图像传输、图像处理再到诊断报告书写，都有一套完整的流程和成熟的各自对接的标准化信息系统。从影像设备出发，经过 AI 软件，返回阅片平台，最终对接报告系统，每一步其实都需要严格的 IT 架构支持。尤其对于目前国内放射科高负荷运转的现状，如何在现有的工作流下融入多模态的 AI 软件，这其实也是一个值得讨论的问题。一个高效的信息系统必然要在用户体验与技术性能之间取得平衡，从而在效率与质量共同保证的前提下，尽可能地减少医师使用的负担。这也是人工智能系统集成需要解决的迫切问题。
图 5 人工智能在诊断价值链中的影响
未来，人工智能应用必定在一体化、可及性、复杂性三个维度继续深入发展。基于人工智能技术，从影像设备图像的产生，影像图像报告自动化产生，到以患者为中心的结合多模态数据集成，最终实现基于数字化双胞胎的疾病预测、治疗计划和指导，这是不变的发展阶梯。目前所遇见的困难也为未来发展指明了方向。相信在不久的将来，人工智能必定能够更好地改善现有诊疗体验，从而惠及更广泛的人民群众。
[1] VARDHANABHUTI V, KUO MD. Lung cancer radiogenomics: the increasing value of imaging in personalized management of lung cancer patients[J]. J Thorac Imaging, 2018, 33: 17–25.
[2] CAI J, XU D, LIU S, et al. The added value of computer-aided detection of small pulmonary nodules and missed lung cancers[J]. J Thorac Imaging. 2018, 33:390–395.
[3] TROSCHEL AS, TROSCHEL FM, BEST TD, et al. Computed tomography-based body composition analysis and its role in lung cancer care[J]. J Thorac Imaging, 2020, 35 :91–100.
[4] HEUVELMANS MA, WALTER JE, PETERS RB, et al. Relationship between nodule count and lung cancer probability in baseline CT lung cancer screening: The NELSON study[J]. Lung Cancer, 2017, 113: 45–50.
[5] HOREWEG N, VAN ROSMALEN J, HEUVELMANS MA, et al. Lung cancer probability in patients with CT-detected pulmonary nodules: a prespecified analysis of data from the NELSON trial of low-dose CT screening[J]. Lancet Oncol, 2014, 15: 1332–1341.
[6] BAI C, CHOI CM, CHU CM, ANANTHAM D, CHUNG-MAN HO J, KHAN AZ, LEE JM, LI SY, SAENGHIRUNVATTANA S, YIM A. Evaluation of Pulmonary Nodules: Clinical Practice Consensus Guidelines for Asia[J]. Chest, 2016 Oct, 150(4): 877-893.
[7] HALPIN DMG, CRINER GJ, PAPI A, SINGH D, ANZUETO A, MARTINEZ FJ, AGUSTI AA, VOGELMEIER CF. Global Initiative for the Diagnosis, Management, and Prevention of Chronic Obstructive Lung Disease. The 2020 GOLD Science Committee Report on COVID-19 and Chronic Obstructive Pulmonary Disease[J]. Am J Respir Crit Care Med, 2021 Jan 1, 203(1):24-36.
[8] SCHROEDER JD, MCKENZIE AS, ZACH JA, et al. Relationships between airflow obstruction and quantitative CT measurements of emphysema, air trapping, and airways in subjects with and without chronic obstructive pulmonary disease[J]. AJR Am J Roentgenol, 2013, 201: W460–W470.
[9] FISCHER AM, VARGA-SZEMES A, MARTIN SS, SPERL JI, SAHBAEE P, NEUMANN D, GAWLITZA J, HENZLER T, JOHNSON CM, NANCE JW, SCHOENBERG SO, SCHOEPF UJ. Artificial Intelligence-based Fully Automated Per Lobe Segmentation and Emphysema-quantification Based on Chest Computed Tomography Compared WithGlobal Initiative for Chronic Obstructive Lung Disease Severity of Smokers[J]. J Thorac Imaging, 2020 May, 35 Suppl 1: S28-S34.
[10] VAN ASSEN M, MARTIN SS, VARGA-SZEMES A, RAPAKA S, CIMEN S, SHARMA P, SAHBAEE P, DE CECCO CN, VLIEGENTHART R, LEONARD TJ, BURT JR, SCHOEPF UJ. Automatic coronary calcium scoring in chest CT using a deep neural network in direct comparison with non-contrast cardiac CT: A validation study. Eur J Radiol, 2021 Jan;134-109428.
[11] SAVAGE RH, VAN ASSEN M, MARTIN SS, SAHBAEE P, GRIFFITH LP, GIOVAGNOLI D, SPERL JI, HOPFGARTNER C, KÄRGEL R, SCHOEPF UJ. Utilizing Artificial Intelligence to Determine Bone Mineral Density Via Chest Computed Tomography[J]. J Thorac Imaging, 2020 May, 35 Suppl 1: S35-S39.
[12] ZHAO W, LUO Y, ZHAO L, MOK V, SU L, YIN C, SUN Y, LU J, SHI L, HAN Y. Automated Brain MRI Volumetry Differentiates Early Stages of Alzheimer's Disease From Normal Aging[J]. J Geriatr Psychiatry Neurol, 2019 Nov, 32(6): 354-364.
[13] KRAJCOVICOVA L, KLOBUSIAKOVA P, REKTOROVA I. Gray Matter Changes in Parkinson's and Alzheimer's Disease and Relation to Cognition[J]. Curr Neurol Neurosci Rep, 2019 Nov 13,19(11): 85.
[14] SHARMA P, SUEHLING M, FLOHR T, et al. Artificial Intelligence in Diagnostic Imaging Status Quo, Challenges, and Future Opportunities[J]. J Thorac Imaging, 2020, Volume 00, Number 00: 3-5.
[15] IMANLI H, BHATTY S, JEUDY J, et al. Validation of a novel CARTOSEGTM segmentation module software for contrastenhanced computed tomography-guided radiofrequency ablation in patients with atrial fibrillation
[J]. Pacing Clin Electrophysiol, 2017, 40: 1206–1212.
[16] LOU B, DOKEN S, ZHUANG T, et al. An image-based deep learning framework for individualising radiotherapy dose: a retrospective analysis of outcome prediction[J]. Lancet Digit Health, 2019, 1: e136–e147.
来源：智能医学工程
排版编辑：肿瘤资讯-Astrid
苏公网安备32059002004080号
