人工智能在医学影像学及肿瘤治疗决策中的应用

　　［摘要］人工智能（artificialintelligence，AI）即具有人类思维方式的电脑技术，能模仿人脑思考。50多年来AI有了长足的进步，已广泛应用于人类生活的各个方面。在医学领域也开展了深入而广泛的研究并得到初步应用，尤其是在医学影像学方面。本文就AI在影像学领域的研究和应用，主要是对肺癌、乳腺癌的辅助诊断和鉴别诊断等作一简要综述，并兼及在肿瘤治疗方案决策中的应用。

　　［关键词］人工智能；辅助诊断；医学影像学；肿瘤

　　956年JohnMcCarthy在学术会议上首次提出人工智能（artificialintelligence，AI）的概念，即具有人类思维方式的电脑技术，能模仿人脑思考［1］。50多年来AI有了长足的进步，在医学领域也开展了深入的研究并得到初步应用，尤其是在医学影像学方面［2］。本文就AI在影像学领域的研究和应用，主要是对肺癌、乳腺癌的辅助诊断和鉴别诊断及在肿瘤治疗方案决策中的应用做简要综述。

　　关于医学的论文范文还有全科医师晋升职称要准备的学术材料，您可以点击并前往查看。

　　1AI用于影像学的基本原理

　　与人脸识别技术类似，AI用于影像学则是识别病灶。不过前者技术已较成熟，应用广泛，后者尚在研究中，只得到初步应用。

　　影像诊断人工智能检测模型是基于机器视觉的深度学习神经元数学模型，直接从大量的原始像素出发，挖掘出有效影像组学特征，学习和模仿医师的诊断技术，作出诊断，并通过反馈纠正错误，自行从经验中学习。可以构建多层人工神经网络，例如卷积神经网络，用于影像学的分类、察觉和分割等［3］，成为AI的核心部分，用于电脑辅助检测/诊断（comput-er-aideddetection/diagnosis，CAD）等。CAD综合运用电脑、算法、统计、图像处理与分析等，从医学影像上提取特征、标注可疑病变、对病灶进行良、恶性判断，已应用于临床诊断和疾病筛查，既减轻了医生负担，又提高了诊断准确率［4］。

　　2AI用于肺癌的诊断

　　刘晓鹏等［5］应用自行开发的AI系统分别对1mm和5mm层厚CT片各5000例肺癌样本集合进行训练，自动学习得出肺癌结节的识别特征及分类规则。然后以500例CT片测试。结果AI读取1mm胸部CT片的敏感性为96。40%，特异性为95。60%，Kappa值为0。9386，重复性很高；读取5mm胸部CT片的敏感性为95。20%，特异性为93。20%，Kappa值为0。9261。AI与人工读片比较，在1mm层面CT片上，两者差异无统计学意义（P＞0。05）；在5mm层面CT片上，AI敏感性高于人工读片（P＜0。05），但特异性略低。Lee等［6］以CAD检测CT胸片，鉴定了309枚结节，检出率为81%，放射科医生的为85%，两者差异无统计学意义（P＞0。05）。在检出小于或等于5mm直径结节以及孤立性结节时，CAD的敏感度高于医生的肉眼观察（83%vs。75%，P＞0。05；93%vs。76%，P＜0。001）；而检出大于5mm直径结节以及与邻近组织关系密切的结节时CAD的敏感度低于医生肉眼观察（79%vs。98%，P＜0。001；71%vs。91%，P＜0。001）。Marten等［7］，在135个肺结节CT胸片判读中，CAD的检出率为76。3%，高于二位放射科医生（均为52。6%）；假阳性率三者分别为55%、25%和15%。而医生结合CAD，检出率增至93。3%，假阳性率降至10%。罗红兵等［8］抽取100例接受低剂量CT筛查的高危人群进行研究。CAD结合医师阅片的检出率为95。5%，高于CAD自动阅片法的82。9%（P＜0。001）。Jeon等［9］以134例参与者为研究对象，先由放射科医生读片，确定并描述结节，测量其直径，其后由CAD来复习、标记，然后再请读片医师复读并修正其原来的决定。结节的发现率从77%提高到84%。可见医生结合CAD阅片能够增加肺结节的检出率，减少假阳性率，尤其是对较小的结节。

　　3AI用于乳腺癌的诊断

　　Rodrlguez-Ruiz等［11］请14名影像学医师使用AI诊断240位女性乳腺X线图像。发现在AI帮助下，AUC为0。89，高于无AI帮助的0。87（P=0。002）；在AI帮助下的敏感度为86%，高于无AI帮助的83%（P=0。046）；在AI帮助下的特异度为79%，高于无AI帮助的77%（P=0。06）。在AI帮助下，影像学医师提高了其检出癌症的能力，但并未明显增加读片时间。Becker等［12］评价了AI检测乳腺癌的诊断正确性。以143例首次诊断为乳腺癌或交界性病变的患者为研究对象，AI的AUC为0。82，影像学医师则为0。77～0。87，影像学医师诊断敏感性常稍低，特异性略高。

　　4AI用于其他疾病的诊断

　　4.1在前列腺癌中的应用

　　Wang等［19］比较了基于深度学习算法与非深度学习算法AI分析MR图像在前列腺癌与前列腺良性增生的诊断准确率。172例患者的MR图像（2602幅），深度学习算法的AUC为0。84（95%CI0。78～0。89），非深度学习算法AUC为0。70（95%CI0。63～0。77），前者优于后者。

　　4.2在骨肿瘤中的应用

　　Wang等［20］以深度学习算法AI对26例患者的磁共振图像进行分析，诊断肿瘤脊椎骨转移，诊断的阳性率达90%。

　　5AI用于肿瘤治疗方案的决策

　　沃森（Watson）是2007年由IBM公司开发的肿瘤AI软件（WatsonforOncology，WFO），专业知识库涵盖300多册医学期刊、250多种医疗书籍以及巨大的论文实例研究，汇总了欧美的治疗案例以及大量的文献摘要和分析。几秒钟就能筛选150万份患者记录，十几秒钟就能阅读十万份临床记录，能够协助医生快速而准确地判断病情与制订治疗方案。目前已用于乳腺癌、胃癌、结直肠癌等多种肿瘤的治疗决策。2017年青岛医学院附属医院成立了沃森肿瘤诊疗中心，4个月接诊1002例癌症患者，其中乳腺癌596例、肺癌119例、胃癌83例、卵巢癌59例、结肠癌56例、直肠癌46例、宫颈癌43例。将沃森给出的“推荐方案”“可选择方案”“不推荐方案”与肿瘤科医生针对同一病人的治疗方案比较，若肿瘤科医生的治疗方案列在WFO的“推荐方案”或“可选择方案”中，设定为方案一致。两者在乳腺癌中的一致性为79。0%，其中，人表皮生长因子受体2阴性乳腺癌患者的一致率达90%；肺癌患者的一致率为97%，其中小细胞肺癌的一致率高达100%，非小细胞肺癌患者一致率为96。3%；结肠癌患者的一致率为100%；直肠癌患者一致率为87。5%［23］。

　　6小结与展望

　　综上所述，AI技术依靠强大的图像识别和深度学习技术等，极大地提高了数据分析的效率和准确性，部分AI的CAD的诊断正确率达到影像科熟练医师水平，减轻了医师的工作负担，有很大的发展前景。近年，我国AI在影像学的研究应用已有所开展，但还是存在许多问题。例如，尚缺乏完全自行研制的AI辅助诊断系统，仍有大量的病例可供开发，需要权威部门组织经验丰富的影像学医师开展多中心、大样本、盲法、随机对照研究，建立训练集，以充分训练AI系统；对从国外引进的AI系统也需要补充足够的国内数据，以适合国内临床应用。但是国内数据的获取及标注都存在很多困难，例如目前医院之间的数据共享和互通程度较低，来自单一医院的训练集无疑会导致模型的过度拟合，使该产品在其他医院难以直接应用。在数据标注方面，深度学习要结合经验知识对模型进行训练，训练集需要事先标注，而大多数标注依赖人工识别，而数据标注需耗费大量的人力、物力和时间。但建立的标准影像数据库势在必行，只有建立标准数据库才能在质量上解决影像的临床代表性、多样性、权威性、规范性以及数据的可溯源性等问题，提高产品的质量和稳定性能，加速AI医疗器械产品的研发和应用。

　　参考文献

　　［1］Amisha，MalikP，PathaniaM，etal。Overviewofartificialintelligenceinmedicine［J］。JFamilyMedPrimCare，2019，8（7）：2328-2331。

　　［2］HosnyA，ParmarC，QuackenbushJ，etal。Artificialintelligenceinradiology［J］。NatRevCancer。2018，18（8）：500-510。

　　［3］ChartrandG，ChengPM，VorontsovE，etal。Deeplearning：aprimerforradiologists［J］。Radiographics，2017，37（7）：2113-2131。

　　［4］VybornyCJ，GigerML。Computervisionandartificialintelligenceinmammography［J］。AJRAmJRoentgenol，1994，162（3）：699-708。

　　［5］刘晓鹏，周海英，胡志雄，等。人工智能识别技术在T1期肺癌诊断中的临床应用研究［J］。肺癌杂志，2019，22（5）：319-323

　　吴心怡1，黄海峡2，吴伟3，黄一心3