Artificial intelligence in medical imaging

随着大数据、超级计算、移动互联网、物联网和脑科学等领域的新理论、新技术、新应用取得了突破性进展，人工智能（artificial intelligence，AI）技术再次迎来质的进步，甚至被誉为第四次工业革命的代表性技术。在医疗行业应用场景中，AI在医学影像中的研究及其应用也同时得到了快速发展。

医学影像几乎贯穿于整个医疗诊疗的全过程，包括对疾病的筛查、诊断、治疗及疗效评估等方面。据统计，医院存储的信息超过90%来源于医学影像^[1]，尤其随着医学影像数据生成设备和存储通信平台的建立，医学影像数据具备了数据规模庞大、数据更新频繁、数据类型多样、数据价值巨大及数据处理复杂等“大数据”（big data）的特质。

数据、算法和算力是AI快速发展的三要素。AI需要大数据作为“思考”和“决策”的基础，需大数据进行智能模型的“训练”和“验证”，以保障其运行的可靠性及稳定性。大数据需要AI技术的具体表现包括以下三方面。①通过流程自动化以提高效率：可更有效地处理数字和物理任务，使“后台”功能自动化；②通过分析处理数据以提高精度：对数据的识别更加精细化，便于进行早期筛查或制定治疗决策；③通过数据深度挖掘以提高价值：可分析挖掘大量影像数据，提升影像数据的应用价值、辅助临床诊疗工作和提升医院整体业务水平^[2]。

AI在医学影像领域的进展表现在医疗影像设备、影像诊断及其智能服务等诸多方面。①AI在医疗影像设备方面：可使低剂量CT、PET图像通过重建得到高剂量图像，减少辐射风险；能提高影像设备的扫描速度（如速度可大幅提升3倍，PET扫描提高速度的同时可提高图像精度）、降低辐射剂量^[3-4]。②AI在影像临床诊断方面：能辅助X射线胸片或胸部CT片诊断，辅助完成肺结节、肺结核、气胸等多种疾病的医学影像筛查；实现对一些严重眼科疾病（如青光眼、糖尿病性视网膜病变等）的有效诊断；对颅脑MRI图像进行更精准的脑区分割；辅助脑疾病诊断，借助脑出血辅助分析软件（或者通过混合特征算法等）辅助医师短时间内评估患者病情及治疗方案；在放射治疗计划系统中，借助模型压缩技术及深度学习平台，大幅度降低医师的勾画时间。③AI在骨伤鉴定方面：智能检测多种类型骨折迹象，自动标注疑似骨折处。④AI在辅助乳腺诊断方面：精准分割乳房与致密腺体组织，客观评估乳腺癌风险。⑤AI在超声影像诊断方面：实现了对甲状腺结节及乳腺病灶的辅助诊断。⑥AI在病理切片分析方面：可发现人眼不易察觉的细节，内容识别及元路径增强度量学习模型（CAMEL）算法适合快速自动的病理影像标注，基于弱监督的多示例学习（MIL）方法适合病理图像的分类、分割和聚类，目前，在此领域的研究已经有了实质性的发展。⑦AI在智能服务方面：医学影像AI提供涵盖从辅助检测、辅助诊断、精准诊断、量化随访到精准治疗全流程的智能服务；处理如CT扫描、超声、MRI和PET等全模态的影像数据，提供全栈式的智能服务；融合诊断与报告工作流程，提供分诊、初诊、复读和智能报告等全方位服务^[5]。

在政策与技术双重驱动医学影像AI发展方面，国内外相关研发机构在医疗大数据挖掘和AI产品等方面均在积极布局，力争在医疗AI方面取得制高点。在我国，AI已经上升到国家战略层面，2015年7月，“人工智能”首次被写入《国务院关于积极推进“互联网+”行动的指导意见》，2017年7月8日，国务院印发的《新一代人工智能发展规划》中提出发展智能医疗、推广应用AI治疗的新模式和新手段、建立快速精准的智能医疗体系以及发展医疗影像辅助诊断系统^[6]。2019年已将与AI密切相关的立法项目列入立法规划。

在科学研究方面，由于政策与技术的驱动，医学影像AI的研究初现了良好的研发态势及广阔的落地场景，大量研究成果已在国际期刊及国际会议上发表或交流。许多AI公司及科研部门在医疗领域积极投入AI的研究，并已取得研究进展；全国各大医院也积极参与AI的研究与合作项目，智能诊疗助手、智能影像识别及智能诊疗方案等相继在一些医院落地。

为了适应AI在各领域的快速发展，近年来各层次多专业学会相继成立AI工作委员会或学组，旨在通过学术交流积极探讨AI的学术进展及发展方向，促进该专业领域的AI发展。如：2015年，浙江省首先在国内成立以医疗AI为特色的“浙江省数理医学学会”，截至2019年底，已有近40个分会成立；2018年7月20日，中国医学装备人工智能联盟宣告成立；2018年，中国生物医学工程学会医学人工智能 分会成立；2018年11月，中华医学会放射学分会大数据与医学人工智能工作委员会成立；2019年，中华医学会核医学分会分子影像人工智能工作委员会成立，期望加速推进分子影像与AI的发展及其临床转化。

有关医疗AI发展的权威性报告亦相继发布。2019年3月26日，由中国医学影像AI产学研用创新联盟牵头，汇集了国内三甲医院的影像专家、科研专家和AI医学公司，联合发布了《中国医学影像人工智能白皮书》；2019年剑桥大学发布了《2019年度人工智能发展报告》，报告涵盖AI研究、人才、产业等多方面内容；2019年1月，上海交通大学AI研究院、上海市卫生和健康发展研究中心发布了《中国人工智能医疗白皮书》。2019年12月，中华医学会核医学分会分子影像人工智能工作委员会发布了《分子影像人工智能发展报告白皮书》及《分子影像人工智能专家共识》：权威性审查规范分子影像AI术语；梳理分子影像AI领域最新研究成果；归纳目前分子影像AI的产学研及其未来发展趋势；审查AI发展需要直面的法律困境、伦理问题；提出分子影像AI研发困境及其建议等^[7]。

本期“人工智能”重点号从不同角度展示了AI在医学影像领域的最新研究成果和产品落地场景等。张佳佳等详细诠释AI机器学习、深度学习与其的关系，以及AI在肿瘤图像特征提取、图像分割、肿瘤的分类与分期等方面的应用；刘婧等详细介绍了深度学习模型：监督学习（包括卷积神经网络和大规模训练人工神经网络）及非监督学习（自动编码器、深度置信网络）；贾凯丽等全方位简述了包括X射线、CT、MRI诊断以及核医学等多模式影像AI的最新研究，提出作为医学影像从业者需要客观地看待AI与影像医学的结合，合理应用并服务于临床；潘野雄等详细阐述结构MRI、功能MRI及PET等多模态成像信息结合复杂网络分析方法，这种基于神经影像的阿尔兹海默症复杂脑网络研究正逐渐加深学界对阿尔兹海默症病理的理解，也将带来有潜力的临床应用前景；胡小丽等报道了冠状动脉AI在冠状动脉CT血管成像后处理及诊断效能的初步研究，研究结果发现冠状动脉AI工作效率是人工后处理的10倍左右，在诊断报告书写方面，冠状动脉AI工作效率是人工书写报告的15倍左右，冠状动脉AI检出斑块的灵敏度为93.3%、特异度为93.8%，这显示了冠状动脉AI在后处理及诊断报告的速度上较人工有显著优势。

随着医学数据集的不断扩增，硬件设备的提升及其算法的不断优化改进，越来越多的医学影像AI正逐渐形成产业化，并逐步落地于医疗领域。同时，也要意识到医学影像AI仍面临的一些挑战，如医学影像AI应用场景目前还非常局限，需面向医疗场景进一步加强医学和AI的产学研融合创新，加强研发多器官、多病种等AI产品；标准化大数据以提高产品的泛化性和鲁棒性；AI产品行业标准尚需出台；AI产品应用后的法律责任划分及其伦理问题等为今后重点研究方向。相信随着医学影像AI的发展，有望改变传统就医模式，缓解我国医疗行业缺乏影像医师的现象；有效缓解我国医疗资源不均衡的现象，助力分级诊疗，推动医联体诊断的同质化水平。

利益冲突　本研究不涉及任何利益冲突。