协和医学杂志 动以达到目标的系统。自2016年3月 Alphagan与围于诊断的思维过程,是最典型的科研问题。 棋世界冠军李世石的人机大战后,A又一次进入公众 视野,备受关注。基于医学影像特点和提高影像诊断2人工智能在超声医学领域的应用 效能的诉求,A有望在将来成为影像医生诊治过程中 的有效辅助工具。本文将结合具体案例介绍AI在超2.1传统人工神经网络研究 声医学领域的可行性和局限性,并对未来应用前景进2.1.1大脑中动脉痉挛所致狭窄诊断方法效能评估 行分析与预测,希望为进一步研究提供依据 大脑中动脉痉挛是蛛网膜下腔出血的严重并发 症,早期诊断和干预对预防卒中十分重要。数字减影 1人工智能与医学影像 血管造影( digital subtraction angiography,DsA)是作 出该诊断的金标准,但鉴于其为有创性操作并可导致 鉴于医学影像领域信息更加结构化,大部分基于图相关并发症,不宜作为常规监测手段。经颅多普勒 像的判断相比临床电子病历总结式的描述更加客观,深( transeranial Doppler,TCD)作为一项非侵入性监测方 度学习取得突破前就有学者利用A方法中的人工神经法,可在床旁操作,且指导临床实践准确性高,因此 网络来分析医学图像,然而受限于梯度消失和过拟合问被广泛应用;同时,有文献显示,经颅双功能彩色 题,模型很难构建深层次的架构来学习,同时还要面对多普勒超声( transcranial color- coded duplex sonography 数据量和终端计算能力不足的困难,相关研究取得的成T℃CS)在大脑中动脉痉挛所致狭窄的诊断上比TCD 果有限。而如今,基于放射信息系统( radiology infor-具有更高准确性,但这些文献存在TCD和TCS入 mation svstem,RlS)、医学图像存档和传输系统组人群不同、研究组与对照组基线特征不同、受试者 ( picture archiving and communication system,PACS)中工作特征曲线( receiver operating characteristic curve 的大量病例图像,A可更好地进行深度学习,同时利ROC)仅包括一项脑动脉血流动力学参数等不足,横向 用深度学习中一系列具有不同优势和适用性的模型,如比较存在较大争议,研究结果缺乏说服力。于是 循环神经网络、卷积神经网络等,建立输入图片特征与 Swierez等匀利用传统人工神经网络建模,并将经TCD 输出目标结果之间的对应关系,更加高效识别图片中的和TCCS获得的数据处理后的输出值与DSA的结果进行 对象,为相关研究与发展提供了更多可行性。 匹配,以匹配程度最高的模型作为评判TCD和TCCS诊 深度学习作为此次A兴起以及相关医学影像研究断准确性的仲裁者,该模型能够将大脑中动脉平均流速 兴盛的核心技术,其主流模型延续了早期机器学习中的( mean velocity, Vmean)、收缩期峰值流速( systolic 个重要算法,即人工神经网络,原理是模拟人脑多层 peak velocity,wps)及舒张末期流速( end of diastol 神经网络结构并作出判断,而应用于医学影像的深度学 velocity,ved)整合为一个集合参数,建立ROC并进行 习以神经网络为主,大致分为两类:(1)监督学习,相关比较,从而避免了超声医生解读数据作出判断时的 包括递归神经网络、卷积神经网络和普通深度神经网络主观影响,减少了混杂因素,但该研究由于样本量有 等主流模型;(2)无监督学习,包括深度生成模型限,阳性病例数相对较少,模型的准确性受到质疑。 (预训练)和自编码器等模型。二者主要区别在于对2.1.2建立非侵入性肝脏纤维化评级体系 具有相关特征的训练数据进行分类时,训练数据是 慢性肝炎或肝损伤所致肝纤维化是肝硬化的共同 否有人工标注的标签,如数据有标签则称为监督学特征,肝纤维化是可逆的病理过程,及时有效的治疗 习,无标签即为无监督学习,又称聚类。监督学习可避免其进一步发展为肝硬化。为了在治疗过程中定 中的卷积神经网络正是目前医学影像领域AI的研究期进行纤维化或硬化评级,常常选择超声作为监测手 热点,作为一种具有自主学习能力的神经网络,其段。 Zhang等6将传统人工神经网络的训练规则调整 多层结构可基于多级抽象提取一系列辨识性特征,为错误反向传播算法,即将输入值包括肝脏实质、脾 从而识别图像中的目标,超声医学中的前沿研究方厚度、肝动脉搏动指数、衰减指数及肝静脉频谱经过 法也多以此为核心。该神经网络模型对于解决现阶一系列不可知的调整后与已有的肝纤维化分级进行比 段科研中分类、检测、分割这3个主要问題均具有较,如有偏差则返回上一步的层级训练,直至单位错 重要意义,其中分类问题主要涉及完成探测组织结误总和被调整至最小,训练出的相应模型经过评估, 构异常并将其划归至各个疾病类别中的任务,类似其准确性可达88.3%(曲线下面积0.922)。相较肝 454 Septembe,4018协 和 医 学 杂 志 ４５４ Ｓｅｐｔｅｍｂｅｒꎬ ２０１８ 动以达到目标的系统[２] ꎮ 自 ２０１６ 年 ３ 月 Ａｌｐｈａｇｏ 与围 棋世界冠军李世石的人机大战后ꎬ ＡＩ 又一次进入公众 视野ꎬ 备受关注ꎮ 基于医学影像特点和提高影像诊断 效能的诉求ꎬ ＡＩ 有望在将来成为影像医生诊治过程中 的有效辅助工具ꎮ 本文将结合具体案例介绍 ＡＩ 在超 声医学领域的可行性和局限性ꎬ 并对未来应用前景进 行分析与预测ꎬ 希望为进一步研究提供依据ꎮ １ 人工智能与医学影像 鉴于医学影像领域信息更加结构化ꎬ 大部分基于图 像的判断相比临床电子病历总结式的描述更加客观ꎬ 深 度学习取得突破前就有学者利用 ＡＩ 方法中的人工神经 网络来分析医学图像ꎬ 然而受限于梯度消失和过拟合问 题ꎬ 模型很难构建深层次的架构来学习ꎬ 同时还要面对 数据量和终端计算能力不足的困难ꎬ 相关研究取得的成 果有限ꎮ 而如今ꎬ 基于放射信息系统 ( ｒａｄｉｏｌｏｇｙ ｉｎｆｏｒ￣ ｍａｔｉｏｎ ｓｙｓｔｅｍꎬ ＲＩＳ )、 医 学 图 像 存 档 和 传 输 系 统 (ｐｉｃｔｕｒｅ ａｒｃｈｉｖｉｎｇ ａｎｄ ｃｏｍｍｕｎｉｃａｔｉｏｎ ｓｙｓｔｅｍꎬ ＰＡＣＳ) 中 的大量病例图像ꎬ ＡＩ 可更好地进行深度学习ꎬ 同时利 用深度学习中一系列具有不同优势和适用性的模型ꎬ 如 循环神经网络、 卷积神经网络等ꎬ 建立输入图片特征与 输出目标结果之间的对应关系ꎬ 更加高效识别图片中的 对象ꎬ 为相关研究与发展提供了更多可行性ꎮ 深度学习作为此次 ＡＩ 兴起以及相关医学影像研究 兴盛的核心技术ꎬ 其主流模型延续了早期机器学习中的 一个重要算法ꎬ 即人工神经网络ꎬ 原理是模拟人脑多层 神经网络结构并作出判断ꎬ 而应用于医学影像的深度学 习以神经网络为主ꎬ 大致分为两类: (１) 监督学习ꎬ 包括递归神经网络、 卷积神经网络和普通深度神经网络 等主流模型ꎻ (２) 无监督学习ꎬ 包括深度生成模型 (预训练) 和自编码器等模型ꎮ 二者主要区别在于对 具有相关特征的训练数据进行分类时ꎬ 训练数据是 否有人工标注的标签ꎬ 如数据有标签则称为监督学 习ꎬ 无标签即为无监督学习ꎬ 又称聚类ꎮ 监督学习 中的卷积神经网络正是目前医学影像领域 ＡＩ 的研究 热点ꎬ 作为一种具有自主学习能力的神经网络ꎬ 其 多层结构可基于多级抽象提取一系列辨识性特征ꎬ 从而识别图像中的目标ꎬ 超声医学中的前沿研究方 法也多以此为核心ꎮ 该神经网络模型对于解决现阶 段科研中分类、 检测、 分割这 ３ 个主要问题均具有 重要意义ꎬ 其中分类问题主要涉及完成探测组织结 构异常并将其划归至各个疾病类别中的任务ꎬ 类似 于诊断的思维过程ꎬ 是最典型的科研问题ꎮ ２ 人工智能在超声医学领域的应用 ２􀆰 １ 传统人工神经网络研究 ２􀆰 １􀆰 １ 大脑中动脉痉挛所致狭窄诊断方法效能评估 大脑中动脉痉挛是蛛网膜下腔出血的严重并发 症ꎬ 早期诊断和干预对预防卒中十分重要ꎮ 数字减影 血管造影 ( ｄｉｇｉｔａｌ ｓｕｂｔｒａｃｔｉｏｎ ａｎｇｉｏｇｒａｐｈｙꎬ ＤＳＡ) 是作 出该诊断的金标准ꎬ 但鉴于其为有创性操作并可导致 相关并发症ꎬ 不宜作为常规监测手段ꎮ 经颅多普勒 (ｔｒａｎｓｃｒａｎｉａｌ Ｄｏｐｐｌｅｒꎬ ＴＣＤ) 作为一项非侵入性监测方 法ꎬ 可在床旁操作ꎬ 且指导临床实践准确性高ꎬ 因此 被广泛应用[３] ꎻ 同时ꎬ 有文献显示ꎬ 经颅双功能彩色 多普勒超声 (ｔｒａｎｓｃｒａｎｉａｌ ｃｏｌｏｒ￣ｃｏｄｅｄ ｄｕｐｌｅｘ ｓｏｎｏｇｒａｐｈｙꎬ ＴＣＣＳ) 在大脑中动脉痉挛所致狭窄的诊断上比 ＴＣＤ 具有更高准确性[４] ꎬ 但这些文献存在 ＴＣＤ 和 ＴＣＣＳ 入 组人群不同、 研究组与对照组基线特征不同、 受试者 工作特征曲线 ( ｒｅｃｅｉｖｅｒ ｏｐｅｒａｔｉｎｇ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｃｕｒｖｅꎬ ＲＯＣ) 仅包括一项脑动脉血流动力学参数等不足ꎬ 横向 比较存在较大争议ꎬ 研 究 结 果 缺 乏 说 服 力ꎮ 于 是ꎬ Ｓｗｉｅｒｃｚ 等[５]利用传统人工神经网络建模ꎬ 并将经 ＴＣＤ 和 ＴＣＣＳ 获得的数据处理后的输出值与 ＤＳＡ 的结果进行 匹配ꎬ 以匹配程度最高的模型作为评判 ＴＣＤ 和 ＴＣＣＳ 诊 断准确性的仲裁者ꎬ 该模型能够将大脑中动脉平均流速 (ｍｅａｎ ｖｅｌｏｃｉｔｙꎬ Ｖｍｅａｎ)、 收 缩 期 峰 值 流 速 ( ｓｙｓｔｏｌｉｃ ｐｅａｋ ｖｅｌｏｃｉｔｙꎬ Ｖｐｓ) 及舒张末期流速 ( ｅｎｄ ｏｆ ｄｉａｓｔｏｌｉｃ ｖｅｌｏｃｉｔｙꎬ Ｖｅｄ) 整合为一个集合参数ꎬ 建立 ＲＯＣ 并进行 相关比较ꎬ 从而避免了超声医生解读数据作出判断时的 主观影响ꎬ 减少了混杂因素ꎬ 但该研究由于样本量有 限ꎬ 阳性病例数相对较少ꎬ 模型的准确性受到质疑ꎮ ２􀆰 １􀆰 ２ 建立非侵入性肝脏纤维化评级体系 慢性肝炎或肝损伤所致肝纤维化是肝硬化的共同 特征ꎬ 肝纤维化是可逆的病理过程ꎬ 及时有效的治疗 可避免其进一步发展为肝硬化ꎮ 为了在治疗过程中定 期进行纤维化或硬化评级ꎬ 常常选择超声作为监测手 段ꎮ Ｚｈａｎｇ 等[６]将传统人工神经网络的训练规则调整 为错误反向传播算法ꎬ 即将输入值包括肝脏实质、 脾 厚度、 肝动脉搏动指数、 衰减指数及肝静脉频谱经过 一系列不可知的调整后与已有的肝纤维化分级进行比 较ꎬ 如有偏差则返回上一步的层级训练ꎬ 直至单位错 误总和被调整至最小ꎬ 训练出的相应模型经过评估ꎬ 其准确性可达 ８８􀆰 ３％ (曲线下面积 ０􀆰 ９２２２)ꎮ 相较肝