人工智能在超声医学领域中的应用 活检,结合了A技术的超声监测不存在样本取材问均可为难以确诊又高度怀疑阑尾炎的患者增加诊断依 题以及医师经验水平差异所导致的误差,为慢性肝病据,其中阑尾外径在探头加压探查下>6mm作为诊断时 患者的临床决策提供了另一种参考 准确性最高的超声征象0。有研究利用一系列A算法 2.1.3早期甲状腺结节良恶性分类 除噪,提高亮度对比,提取出更加完整的筋膜底线以确 类似的基于传统人工神经网络的研究还涉及甲状定阑尾所在区域,并避免了大量腹水影响,其中的核心 腺结节良恶性诊断,由于医疗资源普及和定期体检的算法 Fuzzy Art是一种无监督神经网络学习算法,亦属 推广,许多甲状腺结节被发现,为进一步定义其良恶深度学习模型的一种,具有实时学习、无固定目标值、 性,不得不施行细针穿刺活检或定期随访,给医院诊对经验知识归类等特点,其应用显著提高了确定阑尾区 疗和患者均增加了负担,为了提高单次诊断的准确域的准确性,在已确诊阑尾炎的40幅声像图中,最新 性,Zhu等利用具有显著统计学意义(P<0.001)算法可成功识别其中38幅,真阳性率可达95%,与CT 的6项指标,包括形状(纵径长于横径)、边界(界诊断能力相当,且无辐射 线模糊)、回声(低回声)、质地(实质)、钙化(微2.2.3处理分割问题 钙化)、晕环(缺如)作为输入值训练传统人工神经 劲动脉相关参数及病变测量:颈动脉内-中膜厚度 网络模型以预测是否有恶性结节的存在,其准确性、( carotid intima- media thickness,CIMT)对预测心血管 敏感性、特异性分别可达82.3%、84.5%和79.1%。病风险十分重要,超声检查时需医师测量声像图中远 2.2以卷积神经网络为主的深度学习模型 端血管壁管腔与内膜交界至中膜与外膜交界的距离, 2.2.1处理分类问题 此人工标记耗时乏味,于是有研究者提取92份CIMT 甲状腺影像报告和数据系统( thyroid imaging-re-检查录像作为数据库,每一份均由专家划出3个感兴 porting and data system, TI-RADS)联合深度学习分辨趣区( region of interest,RO),之后再在276份ROI 甲状腺结节良恶性:TI-RADS现已广泛用于分类甲状中分别标识出管腔-内膜交界平面和内膜中膜交界平 腺结节并对其恶性风险进行评分,然而这种方法耗面作为训练的图像块进而建立卷积神经网络,经过特 时、费力且通常不够稳健,其诊断的准确性不仅受检定训练的卷积神经网络即可自动分割出需要的界面交 查医生个人经验影响,且受结节回声变异性等原因限由电脑测量,结果优于人工测量。也有学者设计调 制。 Acharya等基于离散小波变换特征,利用计算整了卷积神经网络模型用于颈动脉斑块的测量,并且 机对不同模态下的声像图进行归类,取得了98.9%~相较以纹理特征作为输入支持向量机( support vector 100%的准确性,这一类新的“计算机决定的特征” machine,svM)分类器的传统机器学习方法,卷积神 完全不同于临床微钙化灶等分类经验,为深度卷积神经网络的结果在准确度(0.9733比0.9638),敏感性 经网络的应用开创了前路。与传统特征提取方法相(0.9653比0.9746),特异性(0.9720比0.9602),马 比,深度卷积神经网络具有两个优点:(1)针对操作修相关指数(0.9444比0.9254),约登指数(0.9466 时不同灯光条件、垂直和水平位移等所致的诸如形状比0.9256)方面均更优[1,提示了卷积神经网络在 等失真改变,表现更加稳定;(2)特征提取时耗费更临床图像识别中应用的可行性与巨大潜力。 少的计算资源,故结合预处理和微调等方法后,训练2.2.4卷积神经网络迁移学习 出的A在二维声像图上识别甲状腺良恶性的准确性、 中孕期胎儿畸形筛查标准平面自动定位:产前 灵敏性和特异性分别可达96.34%、82.8%和99.3%,畸形筛查是胎儿超声检査的重要内容,不同医疗机 明显优于传统方法 构敏感性从27.5%至96%不等1,其中很重要的一 2.2.2处理检测问题 个影响因素即为标准平面的获取,通常需要医师具 协助定位从而为急性阑尾炎诊断提供更多证据:急备全面的解剖知识和大量的经验。胎儿腹围平面 性阑尾炎是外科常见急症,但典型症状发生率仅为( fetal abdominal standard plane,FASP)的自动定位因 66%,其临床诊治存在较多难点,在儿童、老年人、孕涉及复杂的解剖结构,可获取的样本量较少,缺乏 妇等特殊群体中常因诊断困难而致穿孔。超声检査在疑足够的数据来训练卷积神经网络模型,这一直是一 似病例,特别是其他检査不支持但患者又有持续症状的个充满挑战性的难题,于是有学者利用已被大量不 诊断中提供了有价值的参考信息。一系列征象如阑尾外相干原始图片训练过的卷积神经网络的较低层级网 径>6m、钙化灶及其壁上血流信号增强、管腔内积液络作为基础,将其中的经验知识转移到用来识别定 vo.9No.5455人工智能在超声医学领域中的应用 Ｖｏｌ􀆰 ９ Ｎｏ􀆰 ５ ４５５ 活检ꎬ 结合了 ＡＩ 技术的超声监测不存在样本取材问 题以及医师经验水平差异所导致的误差ꎬ 为慢性肝病 患者的临床决策提供了另一种参考ꎮ ２􀆰 １􀆰 ３ 早期甲状腺结节良恶性分类 类似的基于传统人工神经网络的研究还涉及甲状 腺结节良恶性诊断ꎬ 由于医疗资源普及和定期体检的 推广ꎬ 许多甲状腺结节被发现ꎬ 为进一步定义其良恶 性ꎬ 不得不施行细针穿刺活检或定期随访ꎬ 给医院诊 疗和患者均增加了负担ꎬ 为了提高单次诊断的准确 性ꎬ Ｚｈｕ 等 [７]利用具有显著统计学意义 (Ｐ<０􀆰 ００１) 的 ６ 项指标ꎬ 包括形状 (纵径长于横径)、 边界 (界 线模糊)、 回声 (低回声)、 质地 (实质)、 钙化 (微 钙化)、 晕环 (缺如) 作为输入值训练传统人工神经 网络模型以预测是否有恶性结节的存在ꎬ 其准确性、 敏感性、 特异性分别可达 ８２􀆰 ３％、 ８４􀆰 ５％和 ７９􀆰 １％ꎮ ２􀆰 ２ 以卷积神经网络为主的深度学习模型 ２􀆰 ２􀆰 １ 处理分类问题 甲状腺影像报告和数据系统 ( ｔｈｙｒｏｉｄ ｉｍａｇｉｎｇ￣ｒｅ￣ ｐｏｒｔｉｎｇ ａｎｄ ｄａｔａ ｓｙｓｔｅｍꎬ ＴＩ￣ＲＡＤＳ) 联合深度学习分辨 甲状腺结节良恶性: ＴＩ￣ＲＡＤＳ 现已广泛用于分类甲状 腺结节并对其恶性风险进行评分ꎬ 然而这种方法耗 时、 费力且通常不够稳健ꎬ 其诊断的准确性不仅受检 查医生个人经验影响ꎬ 且受结节回声变异性等原因限 制ꎮ Ａｃｈａｒｙａ 等[８] 基于离散小波变换特征ꎬ 利用计算 机对不同模态下的声像图进行归类ꎬ 取得了 ９８􀆰 ９％ ~ １００％的准确性ꎬ 这一类新的 “ 计算机决定的特征” 完全不同于临床微钙化灶等分类经验ꎬ 为深度卷积神 经网络的应用开创了前路ꎮ 与传统特征提取方法相 比ꎬ 深度卷积神经网络具有两个优点: (１) 针对操作 时不同灯光条件、 垂直和水平位移等所致的诸如形状 等失真改变ꎬ 表现更加稳定ꎻ (２) 特征提取时耗费更 少的计算资源ꎬ 故结合预处理和微调等方法后ꎬ 训练 出的 ＡＩ 在二维声像图上识别甲状腺良恶性的准确性、 灵敏性和特异性分别可达 ９６􀆰 ３４％、 ８２􀆰 ８％ 和 ９９􀆰 ３％ꎬ 明显优于传统方法[９] ꎮ ２􀆰 ２􀆰 ２ 处理检测问题 协助定位从而为急性阑尾炎诊断提供更多证据: 急 性阑尾炎是外科常见急症ꎬ 但典型症状发生率仅为 ６６％ꎬ 其临床诊治存在较多难点ꎬ 在儿童、 老年人、 孕 妇等特殊群体中常因诊断困难而致穿孔ꎮ 超声检查在疑 似病例ꎬ 特别是其他检查不支持但患者又有持续症状的 诊断中提供了有价值的参考信息ꎮ 一系列征象如阑尾外 径>６ ｍｍ、 钙化灶及其壁上血流信号增强、 管腔内积液 均可为难以确诊又高度怀疑阑尾炎的患者增加诊断依 据ꎬ 其中阑尾外径在探头加压探查下>６ ｍｍ作为诊断时 准确性最高的超声征象[１０] ꎮ 有研究利用一系列 ＡＩ 算法 除噪ꎬ 提高亮度对比ꎬ 提取出更加完整的筋膜底线以确 定阑尾所在区域ꎬ 并避免了大量腹水影响ꎬ 其中的核心 算法 Ｆｕｚｚｙ ＡＲＴ 是一种无监督神经网络学习算法ꎬ 亦属 深度学习模型的一种ꎬ 具有实时学习、 无固定目标值、 对经验知识归类等特点ꎬ 其应用显著提高了确定阑尾区 域的准确性ꎬ 在已确诊阑尾炎的 ４０ 幅声像图中ꎬ 最新 算法可成功识别其中 ３８ 幅ꎬ 真阳性率可达 ９５％ꎬ 与 ＣＴ 诊断能力相当ꎬ 且无辐射[１１] ꎮ ２􀆰 ２􀆰 ３ 处理分割问题 劲动脉相关参数及病变测量: 颈动脉内￣中膜厚度 (ｃａｒｏｔｉｄ ｉｎｔｉｍａ￣ｍｅｄｉａ ｔｈｉｃｋｎｅｓｓꎬ ＣＩＭＴ) 对预测心血管 病风险十分重要ꎬ 超声检查时需医师测量声像图中远 端血管壁管腔与内膜交界至中膜与外膜交界的距离ꎬ 此人工标记耗时乏味ꎬ 于是有研究者提取 ９２ 份 ＣＩＭＴ 检查录像作为数据库ꎬ 每一份均由专家划出 ３ 个感兴 趣区 ( ｒｅｇｉｏｎ ｏｆ ｉｎｔｅｒｅｓｔꎬ ＲＯＩ)ꎬ 之后再在 ２７６ 份 ＲＯＩ 中分别标识出管腔￣内膜交界平面和内膜￣中膜交界平 面作为训练的图像块进而建立卷积神经网络ꎬ 经过特 定训练的卷积神经网络即可自动分割出需要的界面交 由电脑测量ꎬ 结果优于人工测量[１２] ꎮ 也有学者设计调 整了卷积神经网络模型用于颈动脉斑块的测量ꎬ 并且 相较以纹理特征作为输入支持向量机 ( ｓｕｐｐｏｒｔ ｖｅｃｔｏｒ ｍａｃｈｉｎｅꎬ ＳＶＭ) 分类器的传统机器学习方法ꎬ 卷积神 经网络的结果在准确度 (０􀆰 ９７３３ 比 ０􀆰 ９６３８)ꎬ 敏感性 (０􀆰 ９６５３ 比 ０􀆰 ９７４６)ꎬ 特异性 (０􀆰 ９７２０ 比 ０􀆰 ９６０２)ꎬ 马 修相关指数 (０􀆰 ９４４４ 比 ０􀆰 ９２５４)ꎬ 约登指数 (０􀆰 ９４６６ 比 ０􀆰 ９２５６) 方面均更优[１３] ꎬ 提示了卷积神经网络在 临床图像识别中应用的可行性与巨大潜力ꎮ ２􀆰 ２􀆰 ４ 卷积神经网络迁移学习 中孕期胎儿畸形筛查标准平面自动定位: 产前 畸形筛查是胎儿超声检查的重要内容ꎬ 不同医疗机 构敏感性从 ２７􀆰 ５％至 ９６％不等[１４] ꎬ 其中很重要的一 个影响因素即为标准平面的获取ꎬ 通常需要医师具 备全面的解剖知 识 和 大 量 的 经 验ꎮ 胎 儿 腹 围 平 面 ( ｆｅｔａｌ ａｂｄｏｍｉｎａｌ ｓｔａｎｄａｒｄ ｐｌａｎｅꎬ ＦＡＳＰ) 的自动定位因 涉及复杂的解剖结构ꎬ 可获取的样本量较少ꎬ 缺乏 足够的数据来训练卷积神经网络模型ꎬ 这一直是一 个充满挑战性的难题ꎬ 于是有学者利用已被大量不 相干原始图片训练过的卷积神经网络的较低层级网 络作为基础ꎬ 将其中的经验知识转移到用来识别定