人工智能在超声医学领域中的应用 析。目前更多研究集中于读片场景的应用,而针对患者 289-301 的操作扫查研究,有学者提出可用一个计算机控制的机9]ChiJ, Walia e, Babyn F,etal. Thyroid nodule classific 械臂控制探头的位置和角度进行不同标准切面的扫查, in ultrasound images by fine-tuning deep convolutional neural network [J]. J Digit Imaging, 2017, 30: 477-486 根据高矮胖瘦不一,机械臂借助一些辅助参数和标记部[10]kesr, Cyteval c, Gallix h,ctal. Appendiciti:eal 位精确调整扫查图像的位置和范围从而得到标准切面图 ation of sensitivity, specificity, and predictive values of US 像2。但是实际工作中,一个超声诊断临床决策的实 doppler US, and laboratory findings [J]. Radiology, 2004 现往往要结合多个切面、直接与间接征象以及临床信息 230:472-478 的分析,这样的能力或许需要到强A阶段才能实现。 [11 Kim KB, Park HJ, Song DH, et al. Developing an 一种新药从研发到推广应用至少需要经过3个阶 intelligent automatic appendix extraction method from ultra- IT and image processing [J 段,表明医疗创新实例往往需要面临更高的门槛,这主 Comput Math Methods Med, 2015, 2015: 389057. 要是由于医疗行业的预防原则所致。A亦是如此,其[12] Tajbakhsh N, Shin JY, Gurudu sr,etal. Convolutional 需要经历大量的测试,测试越多,暴露的信息与问题越 neural networks for medical image analysis: full training or 多,继而越能够预测后续可能产生的风险,同时考虑到 fine tuning? [J]. IEEE Trans Med Imaging, 2016, 35 法律法规、民众接受度以及潜在的医疗事故背后相应的 1299-1312. [13]孙夏,吴蔚,吴鹏,等.基于卷积神经网络的颈动脉斑 权责等问题,在大量测试后A能否切实应用于实际工 块超声图像特征识别[J].中国医疗器械信息,2016 作尚未可知,而如果AI能够代替医生完成大部分工作, 医生就可将工作重心放在临床决策的审核及科学研究方[14] Salomon, Winer n, Bernard JP,etal. A score-based 面,这一应用将解放医生们的生产力,使医生更加具有 创新动力,为专科发展带来裨益! mester ultrasound examination [J]. Prenat Diagn, 2008 822827 n H, Ni D, Qin J, et al. Standard plane localization in 参考文献 ultrasound via domain transferred deep neural network ]. IEEE J Biomed Health Inform, 2015 [1 Turing AM. Computing machinery and intelligence [J]. [16] Abdi AH, Luong C, Tsang T, et al. Automatic quality assess- Mind,1950,59:433-460. ment of echocardiograms using convolutional neural networks Peter N. Artificial intelligence, modern asibility on the apical four-chamber view []. IEEE Tran [M]. Englewood: Prentice Hall, 1995 Med Imaging,2017,36:;122-1230 3 Sekhar L, Wechsler L, Yonas H, et al. Value of transcranial [17 Knackstedt C, Bekkers SC, Schummers G, et al. Fully au- e dagnosIs after subarachnoid hemorrhage [J]. Neurosurgery, 1988 fraction and longitudinal strain: the fast-EFs multicenter study I. J Am Coll Cardiol, 2015, 66: 1456-1466 [4] Baumgartner RW, Mattle HP, Schroth G. Assessment of 2 [18] Furiasse N, Thomas JD. Automated algorithmic software in 50% and <50% intracranial stenoses by transcranial color-co. echocardiography: artificial intelligence? [J].J Am Coll Car ded duplex sonography [J]. Stroke, 1999, 30:87-92 diol,2015,66:1467-1469 [5] Swiercz M, Swiat M, Pawlak M, et al. Narrowing of the [19 Jeganathan J, Knio Z, Amador Y, et al. Artificial intellige middle cerebral artery: Ann Card Anaesth. 2017. 20 parison of transcranial color coded duplex sonography with con- 129134 ventional TCD [J]. Ultrasound Med Biol, 2010, 36: 17-28. [20 Kumar S, Nilsen WJ, Abernethy A, et al. Mobile health [6] Zhang L, Li QY, Duan YY, et al. Artificial neural network technology evaluation: the health evidence workshop [J] aided non-invasive grading evaluation of hepatic fibrosis by Am J Prev Med,2013,45:228-236. duplex ultrasonography[J]. BMC Med Inform Decis Mak,[2l]王弈,李传富.人工智能方法在医学图像处理中的研究新进 展[J].中国医学物理学杂志,2013,3:4138-4143 7] Zhu LC, Ye YL, Luo WH, et al. A model to discriminate [22] Priester AM, Natarajan S, Culjat MO. Robotic ultrasound alignant from benign thyroid nodules using artificial neural systems in medicine [J]. IEEE Trans Ultrason Ferroelectr etwork [J]. PLos One, 2013: e82211 Freq Control, 2013, 60: 507-523 [8 Acharya UR, Swapna G, Sree SV, et al. A review on ultra- und-based thyroid cancer tissue characterization and auto- 收稿日期:2017-09-06) mated classification [J]. Technol Cancer Res Treat, 2014 vo.9No.5457人工智能在超声医学领域中的应用 Ｖｏｌ􀆰 ９ Ｎｏ􀆰 ５ ４５７ 析ꎮ 目前更多研究集中于读片场景的应用ꎬ 而针对患者 的操作扫查研究ꎬ 有学者提出可用一个计算机控制的机 械臂控制探头的位置和角度进行不同标准切面的扫查ꎬ 根据高矮胖瘦不一ꎬ 机械臂借助一些辅助参数和标记部 位精确调整扫查图像的位置和范围从而得到标准切面图 像[２２] ꎮ 但是实际工作中ꎬ 一个超声诊断临床决策的实 现往往要结合多个切面、 直接与间接征象以及临床信息 的分析ꎬ 这样的能力或许需要到强 ＡＩ 阶段才能实现ꎮ 一种新药从研发到推广应用至少需要经过 ３ 个阶 段ꎬ 表明医疗创新实例往往需要面临更高的门槛ꎬ 这主 要是由于医疗行业的预防原则所致ꎮ ＡＩ 亦是如此ꎬ 其 需要经历大量的测试ꎬ 测试越多ꎬ 暴露的信息与问题越 多ꎬ 继而越能够预测后续可能产生的风险ꎬ 同时考虑到 法律法规、 民众接受度以及潜在的医疗事故背后相应的 权责等问题ꎬ 在大量测试后 ＡＩ 能否切实应用于实际工 作尚未可知ꎬ 而如果 ＡＩ 能够代替医生完成大部分工作ꎬ 医生就可将工作重心放在临床决策的审核及科学研究方 面ꎬ 这一应用将解放医生们的生产力ꎬ 使医生更加具有 创新动力ꎬ 为专科发展带来裨益! 参 考 文 献 [１] Ｔｕｒｉｎｇ ＡＭ. Ｃｏｍｐｕｔｉｎｇ ｍａｃｈｉｎｅｒｙ ａｎｄ ｉｎｔｅｌｌｉｇｅｎｃｅ [ Ｊ ]. Ｍｉｎｄꎬ １９５０ꎬ ５９: ４３３￣ ４６０. [２] Ｓｔｕａｒｔ ＪＲꎬ Ｐｅｔｅｒ Ｎ. Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ: ｍｏｄｅｒｎ ａｐｐｒｏａｃｈ [Ｍ]. Ｅｎｇｌｅｗｏｏｄ: Ｐｒｅｎｔｉｃｅ Ｈａｌｌꎬ １９９５. [３] Ｓｅｋｈａｒ Ｌꎬ Ｗｅｃｈｓｌｅｒ Ｌꎬ Ｙｏｎａｓ Ｈꎬ ｅｔ ａｌ. Ｖａｌｕｅ ｏｆ ｔｒａｎｓｃｒａｎｉａｌ ｄｏｐｐｌｅｒ ｅｘａｍｉｎａｔｉｏｎ ｉｎ ｔｈｅ ｄｉａｇｎｏｓｉｓ ｏｆ ｃｅｒｅｂｒａｌ ｖａｓｏｓｐａｓｍ ａｆｔｅｒ ｓｕｂａｒａｃｈｎｏｉｄ ｈｅｍｏｒｒｈａｇｅ [ Ｊ ]. Ｎｅｕｒｏｓｕｒｇｅｒｙꎬ １９８８ꎬ ２２: ８１３￣ ８２１. [４] Ｂａｕｍｇａｒｔｎｅｒ ＲＷꎬ Ｍａｔｔｌｅ ＨＰꎬ Ｓｃｈｒｏｔｈ Ｇ. Ａｓｓｅｓｓｍｅｎｔ ｏｆ ≥ ５０％ ａｎｄ <５０％ ｉｎｔｒａｃｒａｎｉａｌ ｓｔｅｎｏｓｅｓ ｂｙ ｔｒａｎｓｃｒａｎｉａｌ ｃｏｌｏｒ￣ｃｏ￣ ｄｅｄ ｄｕｐｌｅｘ ｓｏｎｏｇｒａｐｈｙ [Ｊ]. Ｓｔｒｏｋｅꎬ １９９９ꎬ ３０: ８７￣ ９２. [５] Ｓｗｉｅｒｃｚ Ｍꎬ Ｓｗｉａｔ Ｍꎬ Ｐａｗｌａｋ Ｍꎬ ｅｔ ａｌ. Ｎａｒｒｏｗｉｎｇ ｏｆ ｔｈｅ ｍｉｄｄｌｅ ｃｅｒｅｂｒａｌ ａｒｔｅｒｙ: ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｍｅｔｈｏｄｓ ａｎｄ ｃｏｍ￣ ｐａｒｉｓｏｎ ｏｆ ｔｒａｎｓｃｒａｎｉａｌ ｃｏｌｏｒ ｃｏｄｅｄ ｄｕｐｌｅｘ ｓｏｎｏｇｒａｐｈｙ ｗｉｔｈ ｃｏｎ￣ ｖｅｎｔｉｏｎａｌ ＴＣＤ [Ｊ]. Ｕｌｔｒａｓｏｕｎｄ Ｍｅｄ Ｂｉｏｌꎬ ２０１０ꎬ ３６: １７￣ ２８. [６] Ｚｈａｎｇ Ｌꎬ Ｌｉ ＱＹꎬ Ｄｕａｎ ＹＹꎬ ｅｔ ａｌ. Ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ａｉｄｅｄ ｎｏｎ￣ｉｎｖａｓｉｖｅ ｇｒａｄｉｎｇ ｅｖａｌｕａｔｉｏｎ ｏｆ ｈｅｐａｔｉｃ ｆｉｂｒｏｓｉｓ ｂｙ ｄｕｐｌｅｘ ｕｌｔｒａｓｏｎｏｇｒａｐｈｙ [ Ｊ]. ＢＭＣ Ｍｅｄ Ｉｎｆｏｒｍ Ｄｅｃｉｓ Ｍａｋꎬ ２０１２ꎬ １２: ５５. [７] Ｚｈｕ ＬＣꎬ Ｙｅ ＹＬꎬ Ｌｕｏ ＷＨꎬ ｅｔ ａｌ. Ａ ｍｏｄｅｌ ｔｏ ｄｉｓｃｒｉｍｉｎａｔｅ ｍａｌｉｇｎａｎｔ ｆｒｏｍ ｂｅｎｉｇｎ ｔｈｙｒｏｉｄ ｎｏｄｕｌｅｓ ｕｓｉｎｇ ａｒｔｉｆｉｃｉａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ [Ｊ]. ＰＬｏＳ Ｏｎｅꎬ ２０１３: ｅ８２２１１. [８] Ａｃｈａｒｙａ ＵＲꎬ Ｓｗａｐｎａ Ｇꎬ Ｓｒｅｅ ＳＶꎬ ｅｔ ａｌ. Ａ ｒｅｖｉｅｗ ｏｎ ｕｌｔｒａ￣ ｓｏｕｎｄ￣ｂａｓｅｄ ｔｈｙｒｏｉｄ ｃａｎｃｅｒ ｔｉｓｓｕｅ ｃｈａｒａｃｔｅｒｉｚａｔｉｏｎ ａｎｄ ａｕｔｏ￣ ｍａｔｅｄ ｃｌａｓｓｉｆｉｃａｔｉｏｎ [Ｊ]. Ｔｅｃｈｎｏｌ Ｃａｎｃｅｒ Ｒｅｓ Ｔｒｅａｔꎬ ２０１４: ２８９￣ ３０１. [９] Ｃｈｉ Ｊꎬ Ｗａｌｉａ Ｅꎬ Ｂａｂｙｎ Ｐꎬ ｅｔ ａｌ. Ｔｈｙｒｏｉｄ ｎｏｄｕｌｅ ｃｌａｓｓｉｆｉｃａｔｉｏｎ ｉｎ ｕｌｔｒａｓｏｕｎｄ ｉｍａｇｅｓ ｂｙ ｆｉｎｅ￣ｔｕｎｉｎｇ ｄｅｅｐ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ [Ｊ]. Ｊ Ｄｉｇｉｔ Ｉｍａｇｉｎｇꎬ ２０１７ꎬ ３０: ４７７￣ ４８６. [１０] Ｋｅｓｓｌｅｒ Ｎꎬ Ｃｙｔｅｖａｌ Ｃꎬ Ｇａｌｌｉｘ Ｂꎬ ｅｔ ａｌ. Ａｐｐｅｎｄｉｃｉｔｉｓ: ｅｖａｌｕ￣ ａｔｉｏｎ ｏｆ ｓｅｎｓｉｔｉｖｉｔｙꎬ ｓｐｅｃｉｆｉｃｉｔｙꎬ ａｎｄ ｐｒｅｄｉｃｔｉｖｅ ｖａｌｕｅｓ ｏｆ ＵＳꎬ ｄｏｐｐｌｅｒ ＵＳꎬ ａｎｄ ｌａｂｏｒａｔｏｒｙ ｆｉｎｄｉｎｇｓ [ Ｊ]. Ｒａｄｉｏｌｏｇｙꎬ ２００４ꎬ ２３０: ４７２￣ ４７８. [１１] Ｋｉｍ ＫＢꎬ Ｐａｒｋ ＨＪꎬ Ｓｏｎｇ ＤＨꎬ ｅｔ ａｌ. Ｄｅｖｅｌｏｐｉｎｇ ａｎ ｉｎｔｅｌｌｉｇｅｎｔ ａｕｔｏｍａｔｉｃ ａｐｐｅｎｄｉｘ ｅｘｔｒａｃｔｉｏｎ ｍｅｔｈｏｄ ｆｒｏｍ ｕｌｔｒａ￣ ｓｏｎｏｇｒａｐｈｙ ｂａｓｅｄ ｏｎ ｆｕｚｚｙ ＡＲＴ ａｎｄ ｉｍａｇｅ ｐｒｏｃｅｓｓｉｎｇ [ Ｊ]. Ｃｏｍｐｕｔ Ｍａｔｈ Ｍｅｔｈｏｄｓ Ｍｅｄꎬ ２０１５ꎬ ２０１５: ３８９０５７. [１２] Ｔａｊｂａｋｈｓｈ Ｎꎬ Ｓｈｉｎ ＪＹꎬ Ｇｕｒｕｄｕ ＳＲꎬ ｅｔ ａｌ. Ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ ｆｏｒ ｍｅｄｉｃａｌ ｉｍａｇｅ ａｎａｌｙｓｉｓ: ｆｕｌｌ ｔｒａｉｎｉｎｇ ｏｒ ｆｉｎｅ ｔｕｎｉｎｇ? [ Ｊ ]. ＩＥＥＥ Ｔｒａｎｓ Ｍｅｄ Ｉｍａｇｉｎｇꎬ ２０１６ꎬ ３５: １２９９￣ １３１２. [１３] 孙夏ꎬ 吴蔚ꎬ 吴鹏ꎬ 等. 基于卷积神经网络的颈动脉斑 块超声图像特征识别 [ Ｊ]. 中国医疗器械信息ꎬ ２０１６ꎬ ９: ４￣ ８. [１４] Ｓａｌｏｍｏｎ ＬＪꎬ Ｗｉｎｅｒ Ｎꎬ Ｂｅｒｎａｒｄ ＪＰꎬ ｅｔ ａｌ. Ａ ｓｃｏｒｅ￣ｂａｓｅｄ ｍｅｔｈｏｄ ｆｏｒ ｑｕａｌｉｔｙ ｃｏｎｔｒｏｌ ｏｆ ｆｅｔａｌ ｉｍａｇｅｓ ａｔ ｒｏｕｔｉｎｅ ｓｅｃｏｎｄ￣ｔｒｉ￣ ｍｅｓｔｅｒ ｕｌｔｒａｓｏｕｎｄ ｅｘａｍｉｎａｔｉｏｎ [ Ｊ ]. Ｐｒｅｎａｔ Ｄｉａｇｎꎬ ２００８ꎬ ２８: ８２２￣ ８２７. [１５] Ｃｈｅｎ Ｈꎬ Ｎｉ Ｄꎬ Ｑｉｎ Ｊꎬ ｅｔ ａｌ. Ｓｔａｎｄａｒｄ ｐｌａｎｅ ｌｏｃａｌｉｚａｔｉｏｎ ｉｎ ｆｅｔａｌ ｕｌｔｒａｓｏｕｎｄ ｖｉａ ｄｏｍａｉｎ ｔｒａｎｓｆｅｒｒｅｄ ｄｅｅｐ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ [Ｊ]. ＩＥＥＥ Ｊ Ｂｉｏｍｅｄ Ｈｅａｌｔｈ Ｉｎｆｏｒｍꎬ ２０１５ꎬ １９: １６２７￣ １６３６. [１６] Ａｂｄｉ ＡＨꎬ Ｌｕｏｎｇ Ｃꎬ Ｔｓａｎｇ Ｔꎬ ｅｔ ａｌ. Ａｕｔｏｍａｔｉｃ ｑｕａｌｉｔｙ ａｓｓｅｓｓ￣ ｍｅｎｔ ｏｆ ｅｃｈｏｃａｒｄｉｏｇｒａｍｓ ｕｓｉｎｇ ｃｏｎｖｏｌｕｔｉｏｎａｌ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ: ｆｅａｓｉｂｉｌｉｔｙ ｏｎ ｔｈｅ ａｐｉｃａｌ ｆｏｕｒ￣ｃｈａｍｂｅｒ ｖｉｅｗ [Ｊ]. ＩＥＥＥ Ｔｒａｎｓ Ｍｅｄ Ｉｍａｇｉｎｇꎬ ２０１７ꎬ ３６: １２２１￣ １２３０. [１７] Ｋｎａｃｋｓｔｅｄｔ Ｃꎬ Ｂｅｋｋｅｒｓ ＳＣꎬ Ｓｃｈｕｍｍｅｒｓ Ｇꎬ ｅｔ ａｌ. Ｆｕｌｌｙ ａｕ￣ ｔｏｍａｔｅｄ ｖｅｒｓｕｓ ｓｔａｎｄａｒｄ ｔｒａｃｋｉｎｇ ｏｆ ｌｅｆｔ ｖｅｎｔｒｉｃｕｌａｒ ｅｊｅｃｔｉｏｎ ｆｒａｃｔｉｏｎ ａｎｄ ｌｏｎｇｉｔｕｄｉｎａｌ ｓｔｒａｉｎ: ｔｈｅ ｆａｓｔ￣ＥＦｓ ｍｕｌｔｉｃｅｎｔｅｒ ｓｔｕｄｙ [Ｊ]. Ｊ Ａｍ Ｃｏｌｌ Ｃａｒｄｉｏｌꎬ ２０１５ꎬ ６６: １４５６￣ １４６６. [１８] Ｆｕｒｉａｓｓｅ Ｎꎬ Ｔｈｏｍａｓ ＪＤ. Ａｕｔｏｍａｔｅｄ ａｌｇｏｒｉｔｈｍｉｃ ｓｏｆｔｗａｒｅ ｉｎ ｅｃｈｏｃａｒｄｉｏｇｒａｐｈｙ: ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ? [Ｊ]. Ｊ Ａｍ Ｃｏｌｌ Ｃａｒ￣ ｄｉｏｌꎬ ２０１５ꎬ ６６: １４６７￣ １４６９. [１９] Ｊｅｇａｎａｔｈａｎ Ｊꎬ Ｋｎｉｏ Ｚꎬ Ａｍａｄｏｒ Ｙꎬ ｅｔ ａｌ. Ａｒｔｉｆｉｃｉａｌ ｉｎｔｅｌｌｉｇｅｎｃｅ ｉｎ ｍｉｔｒａｌ ｖａｌｖｅ ａｎａｌｙｓｉｓ [Ｊ]. Ａｎｎ Ｃａｒｄ Ａｎａｅｓｔｈꎬ ２０１７ꎬ ２０: １２９￣ １３４. [２０] Ｋｕｍａｒ Ｓꎬ Ｎｉｌｓｅｎ ＷＪꎬ Ａｂｅｒｎｅｔｈｙ Ａꎬ ｅｔ ａｌ. Ｍｏｂｉｌｅ ｈｅａｌｔｈ ｔｅｃｈｎｏｌｏｇｙ ｅｖａｌｕａｔｉｏｎ: ｔｈｅ ｈｅａｌｔｈ ｅｖｉｄｅｎｃｅ ｗｏｒｋｓｈｏｐ [ Ｊ ]. Ａｍ Ｊ Ｐｒｅｖ Ｍｅｄꎬ ２０１３ꎬ ４５: ２２８￣ ２３６. [２１] 王弈ꎬ 李传富. 人工智能方法在医学图像处理中的研究新进 展 [Ｊ]. 中国医学物理学杂志ꎬ ２０１３ꎬ ３: ４１３８￣ ４１４３. [２２] Ｐｒｉｅｓｔｅｒ ＡＭꎬ Ｎａｔａｒａｊａｎ Ｓꎬ Ｃｕｌｊａｔ ＭＯ. Ｒｏｂｏｔｉｃ ｕｌｔｒａｓｏｕｎｄ ｓｙｓｔｅｍｓ ｉｎ ｍｅｄｉｃｉｎｅ [ Ｊ]. ＩＥＥＥ Ｔｒａｎｓ Ｕｌｔｒａｓｏｎ Ｆｅｒｒｏｅｌｅｃｔｒ Ｆｒｅｑ Ｃｏｎｔｒｏｌꎬ ２０１３ꎬ ６０: ５０７￣ ５２３. (收稿日期: ２０１７￣ ０９￣ ０６)