1. 首页 >
  2. 资讯首页 >
  3. 资讯详情

【述评】重视人工智能在医学影像中的研究与应用

 2022-08-11 13:31  2316人 来源： 中国中西医结合影像学杂志

摘要：人工智能在医学影像领域的研究和应用受到了广泛的关注，辅助诊断肿瘤的良恶性、解决疾病风险分层及预测肿瘤患者预后等是人工智能研究的热点，但其临床应用仍面临诸多挑战。拟从医学影像人工智能应用现状与面临挑战、医学人工智能提升影像组学研究与其生物学验证2个方面进行概述，并简要介绍本期“智能影像学”专栏的4篇相关论文，以期引起学者们的重视，促进人工智能在医学影像中的研究与应用。


关键词：人工智能    影像组学    临床应用    述评  


目前，大数据与人工智能在医学影像领域发展迅速，具有广阔的应用前景。人工智能不仅广泛应用于改善成像质量、提升成像速度等医学成像前处理中，其在疾病诊断、肿瘤分型、基因表达模式及患者预后评估等方面也广受关注。但人工智能在医学领域中的应用仍存在较大的挑战与瓶颈，如人工智能产品缺乏规范与标准、深度学习或机器学习模型的可重复性与临床应用有待提高[1-4]。因此，有必要加强人工智能在医学影像领域的研究，促进其临床应用。

1 医学影像人工智能的应用现状与面临挑战
随着人工智能、大数据的蓬勃发展，医学影像人工智能的研究已涉及放射影像、超声影像、病理图像等多个方面，包括肺部、乳腺、心血管等多个部位，脑肿瘤、脑卒中等多个病种，以及骨龄检测等领域[5-7]。深度学习及机器学习是医学影像人工智能的核心技术，机器学习又可根据底层任务分为监督学习、无监督学习及强化学习，旨在解决医学中不同类别问题的预测分析[8]。医学影像人工智能在医学成像设备开发、疾病影像诊断，以及医学智能服务等诸多方面均有应用潜力。医学影像人工智能在医学成像设备方面的应用包括低剂量图像高质量重建减低患者辐射剂量、提高成像速度等[9]；在疾病影像诊断方面的应用，如对肺结节、乳腺癌筛查、脑肿瘤等的辅助诊断[10-12]；此外，医学影像人工智能可优化诊断与报告的工作流程，提供分诊、初诊、复读和智能报告等全方位智能服务。

医学影像人工智能利用人工神经网络能够分析处理多层次、多样化大数据，完成特定的任务，将有望在未来彻底改变疾病诊疗方式。目前，医学影像人工智能在医学领域发挥着重要作用，并取得了长足进步，但同时也存在诸多问题与挑战[13]，如深度学习算法的优化与提升、人工智能产品的临床验证与评估规范、多个公司人工智能产品的一站式服务功能，以及医疗数据安全等问题。为促进医学影像人工智能技术应用，以下问题值得关注：人工智能研究需采用具有可获取性、标准化和高质量的代表性数据；用于开发人工智能的代表性数据、组成和数据质量等的完全透明、公开至关重要；此外，关于人工智能性能相关方面的透明与评估也同样重要[13]。

2 人工智能提升影像组学研究与其生物学验证
人工智能是国际学术前沿热点，其技术融合临床、影像等大数据信息，使影像组学在医学精准诊疗的研究与应用中得到了提升。影像组学最早于2012年由Lambin提出，其可采用人工智能技术等定量分析医学影像等海量数据，为实现精准诊断提供了新机遇[14]。近年来，随着对影像组学生物学意义关注度的增加，影像组学的生物学验证将成为该领域的实践标准之一，从而进一步推进影像组学在临床决策中的应用[15]。影像组学研究面临的主要挑战为实现影像组学研究数据、流程的标准化，以及影像组学模型的验证[16-17]，包括内部验证、外部验证，甚至是生物学基础上的验证，最好是采用前瞻性多机构、多来源的数据进行研究验证[17]。此外，对于影像组学特征的生物学验证将会促进影像组学研究的临床应用。

人工智能、机器学习等技术的飞速发展，促进了影像组学研究的飞速发展。基于医学图像能够反映潜在病理生理特征的假设，影像组学能够定量提取图像的特征，这可能为疾病诊断、预后和治疗反应评估提供有价值的信息。影像组学研究蓬勃发展，但大部分影像组学研究缺乏深度分析，如对影像组学特征生物学基础的探讨不够深入。一些研究努力将生物学意义引入影像组学研究中，寻找其与生物学潜在的关系，包括分析影像组学特征与基因组、组织病理学图像或生物标志物表达的相关性[15]。

虽然影像组学与一些临床终点相关，但影像组学、临床因素和肿瘤生物学的复杂关系多数未知。已有相关研究利用影像组学特征、分子途径、组织病理学标志物和临床信息之间关系，探索影像组学特征与组织学染色、血管生成和缺氧的组织病理学标志物之间的相关性[18-19]。这些影像组学特征在生物学方面的解释，将有利于增加影像组学模型的泛化性及临床应用的可能性。

3 本期“智能影像学”专栏介绍
本专栏共有4篇人工智能与影像组学临床应用相关论文，包括影像组学参数的一致性和重复性研究、深度学习对髓母细胞瘤与室管膜瘤的鉴别、高密度胸腺囊肿和低危胸腺瘤的影像组学鉴别，以及脑动脉瘤破裂风险影像评估的人工智能研究，展示了人工智能、影像组学应用的广泛前景。

在关于影像组学参数的一致性和重复性研究中，其通过提取较低级别胶质瘤的MRI影像组学特征，得出观察者间和观察者内一致性均为良好，这为今后构建低级别胶质瘤MRI影像组学模型提供了参考。临床应用影像组学特征鉴别髓母细胞瘤与室管膜瘤、高密度胸腺囊肿和低危胸腺瘤，为疾病的术前分级提供了客观、准确、无创的影像诊断依据。上述研究表明，基于T2 FLAIR图像灰度游程矩阵特征对术前鉴别儿童幕下髓母细胞瘤与室管膜瘤有一定鉴别价值。此外，CT平扫难以准确鉴别高密度胸腺囊肿和低危胸腺瘤，作者通过提取CT平扫的影像组学特征构建列线图进行鉴别。关于人工智能在脑动脉瘤破裂风险评估研究的文献综述，从脑动脉瘤影像与破裂风险预测、人工智能在脑动脉瘤破裂风险评估中的作用与挑战等方面介绍相关领域的最新研究成果，有助于提高临床对脑动脉瘤破裂风险的评估能力。

综上所述，人工智能在医学影像领域的应用已初现曙光，未来在辅助医学影像科医师实现更高效、更精准的影像诊断等方面也将发挥重要作用。相信随着人工智能算法的优化、硬件设备的提升、医学数据集的扩增、未来人工智能行业及影像组学研究流程标准的完善，以及多机构、多来源数据的外部验证与生物学基础验证的进一步推进，多器官、多病种一体化的医学影像人工智能产品将在未来逐步落地于医疗领域。



参考文献：

[1]

TOPOL E J. High-performance medicine: the convergence of human and artificial intelligence[J]. Nat Med, 2019, 25(1): 44-56. DOI:10.1038/s41591-018-0300-7

[2]

AERTS H J, VELAZQUEZ E R, LEIJENAAR R T, et al. Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach[J]. Nat Commun, 2014, 5: 4006. DOI:10.1038/ncomms5006

[3]

IBRAHIM A, PRIMAKOV S, BEUQUE M, et al. Radiomics for precision medicine: current challenges, future prospects, and the proposal of a new framework[J]. Methods, 2021, 188: 20-29. DOI:10.1016/j.ymeth.2020.05.022

[4]

BI W L, HOSNY A, SCHABATH M B, et al. Artificial intelligence in cancer imaging: clinical challenges and applications[J]. Ca Cancer J Clin, 2019, 69(2): 127-157.

[5]

LITJENS G, KOOI T, BEJNORDI B E, et al. A survey on deep learning in medical image analysis[J]. Med Image Anal, 2017, 42: 60-88. DOI:10.1016/j.media.2017.07.005

[6]

WANG S, YANG D M, RONG R, et al. Pathology image analysis using segmentation deep learning algorithms[J]. Am J Pathol, 2019, 189(9): 1686-1698. DOI:10.1016/j.ajpath.2019.05.007

[7]

倪炯, 王培军. 医学影像人工智能的现状与未来[J]. 中华医学杂志, 2021, 101(7): 455-457. DOI:10.3760/cma.j.cn112137-20201213-03351

[8]

CUI S, TSENG H H, PAKELA J, et al. Introduction to machine and deep learning for medical physicists[J]. Med Phys, 2020, 47(5): 127-147.

[9]

SHAN H, PADOLE A, HOMAYOUNIEH F, et al. Competitive performance of a modularized deep neural network compared to commercial algorithms for low-dose CT image reconstruction[J]. Nat Mach Intell, 2019, 1(6): 269-276. DOI:10.1038/s42256-019-0057-9

[10]

MA H, GUO H, ZHAO M, et al. Automatic pulmonary groundglass opacity nodules detection and classification based on 3D neural network[J]. Med Phys, 2022, 49(4): 2555-2569. DOI:10.1002/mp.15501

[11]

LARSEN M, AGLEN C F, LEE C I, et al. Artificial intelligence evaluation of 122 969 mammography examinations from a population-based screening program[J]. Radiology, 2022, 303(3): 502-511. DOI:10.1148/radiol.212381

[12]

TANDEL G S, TIWARI A, KAKDE O G. Performance optimisation of deep learning models using majority voting algorithm for brain tumour classification[J]. Comput Biol Med, 2021, 135: 104564. DOI:10.1016/j.compbiomed.2021.104564

[13]

MATHENY M E, WHICHER D, THADANEY ISRANI S. Artificial intelligence in health care: a report from the national academy of medicine[J]. JAMA, 2020, 323(6): 509-510.

[14]

LAMBIN P, RIOS-VELAZQUEZ E, LEIJENAAR R, et al. Radiomics: extracting more information from medical images using advanced feature analysis[J]. Eur J Cancer, 2012, 43(4): 441-446.

[15]

TOMASZEWSKI M R, GILLIES R J. The biological meaning of radiomic features[J]. Radiology, 2021, 298(3): 505-516.

[16]

GILLIES R J, KINAHAN P E, HRICAK H. Radiomics: images are more than pictures, they are data[J]. Radiology, 2016, 278(2): 563-577.

[17]

PARK S H, HAN K. Methodologic guide for evaluating clinical performance and effect of artificial intelligence technology for medical diagnosis and prediction[J]. Radiology, 2018, 286(3): 800-809.

[18]

GROSSMANN P, STRINGFIELD O, EL-HACHEM N, et al. Defining the biological basis of radiomic phenotypes in lung cancer[J]. Elife, 2017, 6: 23421.

[19]

GANESHAN B, GOH V, MANDEVILLE H C, et al. Non-small cell lung cancer: histopathologic correlates for texture parameters at CT[J]. Radiology, 2013, 266(1): 326-336.


资讯评论
 
提交评论

      还没有相关问答，快来抢沙发！

  返回顶部
  扫描关注

中影荟萃

中影之家
  在线咨询
  意见反馈