(資料圖片僅供參考)

原標題：科普|未來，給你診斷疾病的可能是AI

AI是人工智能技術的縮寫，全程為artificial intelligence technology，這項技術是近些年發展非常迅速的技術領域。平時在我們生活中我們經常能從媒體和報道中聽到諸如人臉識別、自動駕駛等高科技正逐漸滲透到我們的日常生活中。這些都是AI技術應用于不同工業領域的體現。其實，在醫學領域，尤其疾病的影像診斷方面，AI也有著廣闊的應用空間，有些也已經逐步應用到臨床。大家熟知的影像科檢查方法，比如普通X線檢查，計算機體層攝影（CT）和磁共振成像（MRI），所采集的圖像，均可利用AI的方法進行分析和處理。

首先，我們來看看什么是醫學影像領域的AI。簡單說來，是將影像設備所采集的圖像，進行標準化處理后（比如圖像采集的方位統一、格式統一、大小統一等等），利用計算機軟件編程所設定的程序進行數據讀取、識別，并輸出計算機模擬分析后的病灶分割、疾病診斷或者分類。目前主要有兩種方法：基于傳統機器學習方法的放射組學（radiomics）和引領最新一波人工智能熱潮的深度學習（deep learning）方法。放射組學是使用不同的算法與公式從原始采集的醫學圖像中提取定量化數據特征，并利用這些特征進一步挖掘隱藏在圖像中的內在信息，幫助診斷和和揭示疾病的預后。深度學習能夠模仿人腦的結構和功能，使用由多層互連的節點組成的人工神經網絡，自動從大量數據中學習、并識別其中的模式和特征。深度學習擺脫了放射組學需要人工設計提取信息的公式的限制，可以完成各種基于影像的任務；在存在大量高質量數據的情況下，可以顯著提高圖像分析和診斷的準確性，在醫學成像領域顯示出巨大的前景。現在應用比較成熟的AI方法，是肺部CT中小結節計算機輔助識別和標注，目前已經應用到臨床，輔助放射科醫生判斷小結節的性質。隨著大影像設備的普及，相應帶來的是海量影像數據，而這對于診斷醫生來說，瀏覽這些影像信息，將花費更多的時間，隨之帶來的是職業疲憊感的上升。可以表明，利用AI技術，不僅僅帶來的是輔助診斷，更多的是效率提高。除此之外，比如乳腺鉬靶攝影，也都逐步嘗試利用AI的方法進行乳腺惡性病變的輔助診斷。隨著健康中國戰略的實施，我們將更加重視疾病的預防，而規范化的體檢則是早期發現病變的必要手段。體檢影像信息的特點在于：絕大多數為陰性樣本（即健康個體）。這種樣本信息，則特別適用于利用AI的方法進行早期篩查，判斷出風險較高的高危人群，并進行進一步的診治。此外，AI 的方法也應用在前列腺、胰腺、腦部疾病等的分類及腫瘤患者預后的判定方面，也有了很多科研應用，初步研究也有不錯的時間結果，預示著今后較好的臨床應用場景。

在婦科疾病成像中，放射組學可以幫助提高診斷和治療計劃的準確性。例如，基于MRI的放射組學分析不僅可以提供有關腫瘤大小、形狀和質地的詳細信息，也能幫助進行手術計劃，還可區分良性和惡性子宮內膜腫瘤、預測子宮內膜癌患者淋巴結轉移的風險等，從而指導治療決策并改善患者預后。利用深度學習技術也可用于提高X射線成像在如骨質疏松癥和骨盆骨折等疾病診斷中的準確性。在組織病理學領域，深度學習可對巴氏涂片圖像或組織切片樣本進行分析，迅速、準確地識別異常細胞，從而幫助實現婦科癌癥，如子宮頸癌和子宮內膜癌的早期發現和治療，降低死亡率并改善生存質量。

筆者所在單位主要開展了利用MRI的深度學習技術輔助識別子宮內膜腫瘤肌層侵犯深度判定、卵巢腫瘤患者的術前分類判斷和孕婦胎盤植入的術前判定。子宮內膜癌是婦科三大腫瘤之一，近些年隨著生活方式的轉變(肥胖率的逐步增加)，發病率逐年提高。而準確的術前分期，對于治療對應的治療方案至關重要。針對子宮內膜癌MRI圖像我們訓練了一個基于 YOLOv3 算法的檢測模型來定位腫瘤在MRI圖像上的病變區域。之后，將檢測到的區域反饋到該學習網絡的分類模型中，該分類模型在內膜癌肌層侵犯深度判斷的準確率為 84.78%，敏感性為 66.67%，特異性為 87.50%，陽性預測值為 44.44%，陰性預測值為 94.59%。這也初步提示，基于深度學習的網絡模型在術前判斷內膜癌肌層侵犯深度方面是可行和可靠的，特別適用于一些非三級醫院，幫助術前醫生準確判定腫瘤分期。

綜上，以影像組學和深度學習為代表的醫學影像人工智能，在臨床應用中有著廣闊的前景。但不可否認，人工智能相關科研成果的臨床轉化，也存在著不少障礙：一、醫學影像的圖像質量與對比度，隨著醫院、設備、掃描參數與操作人員的偏好不同而不盡相同，特別是MRI，提供的檢查序列十分豐富，不同醫院的檢查設備和掃描方案也各不相同，圖像存在著較大的異質性，造成模型泛化困難。這就要求前期開展多中心、多任務、多設備的大樣本研究；二、目前的影像學AI研究，仍以單一模態數據為主，而結合臨床信息、病理圖片信息的多模態組合，能為臨床醫生提供一站式分析處理疾病的解決方案，代表著智慧醫療的發展方向，具有更好的臨床應用場景。但多模態數據分析對研究者基礎要求更高，需要更專業數據處理能力、更長的建模周期和科研投入；三、為了建立更加穩健的人工智能模型，需要大量不同病種的多模態、多中心、高質量的數據。如何在充分保護患者隱私以及遵守數據安全相關法律的前提下，建立高質量的公開數據集，滿足建立人工智能模型對多中心大數據的需求，也應引起相關人員的充分重視，需要建立相關規范和標準。

AI在醫學領域的發展方興未艾，也是大勢所趨。這能讓醫生從繁重的重復勞動中解脫出來，使醫生回歸到與患者更多面對面的交流、問診，和人文關懷中來，而這也才是醫患關系最本質的體現，而這也恰恰是AI的方法所無法取代，也不能取代的。