【關(guān)鍵詞】人工智能；機器學(xué)習(xí)；醫(yī)學(xué)影像；北美放射學(xué)會
2017年北美放射學(xué)會（RSNA）上展示了許多新技術(shù)、新知識，其中最大的熱點是人工智能（artificial intelligence，AI），它不是通常意義上的影像學(xué)成像技術(shù)，而被認為是目前影像領(lǐng)域最重要的潛在創(chuàng)新應(yīng)用。行業(yè)專家和影像專家對AI的感受和判斷并不一致，不乏有“AI是對影像醫(yī)生職業(yè)的威脅”的觀點，也有AI行業(yè)專家認為影像醫(yī)生將有可能被替代［1］。目前主流的觀點認為醫(yī)學(xué)影像工作的復(fù)雜性，特別是在影像服務(wù)過程中，影像專家與臨床專家的合作、影像專家對患者提供的咨詢服務(wù)等，決定了影像醫(yī)生并不會輕易地被替代。同時，影像專家也充分認識到，拒絕和焦慮不會發(fā)揮任何自我保護的作用，應(yīng)主動積極的接納AI，利用它來提升現(xiàn)有的服務(wù)質(zhì)量。影像醫(yī)師既是影像信息的生產(chǎn)者、管理者，又可成為影像與臨床信息的整合者，借助AI拓展新的服務(wù)領(lǐng)域，有助于提高影像醫(yī)生在醫(yī)學(xué)服務(wù)中的核心地位。要做到這一點，作為影像專業(yè)的從業(yè)者，應(yīng)盡快了解AI背后的技術(shù)，利用各種機會將其納入醫(yī)療實踐中，使患者真正受益。
以下是本人參會的部分體會和感想，需特別說明的是，筆者以外行的身份去評價其他專業(yè)的進展，所述內(nèi)容必有一定的局限性和片面性，文中提及的知識、概念等不免有謬誤之處，懇請專家批評指正。
AI在醫(yī)學(xué)影像中的探索過程
1、AI技術(shù)概述
AI是指利用計算機系統(tǒng)完成一些通常需要人類智力才能完成的任務(wù)，如視覺感知、語音和文字識別、決策制定等。AI是計算機科學(xué)的一個分支，與大數(shù)據(jù)等領(lǐng)域相互交叉，涉及內(nèi)容廣泛，如計算機視覺（computer vision）、自然語言處理（natural language processing）、語音識別（speech recognition）等，同時還包括機器人學(xué)、專家系統(tǒng)、知識圖譜、推理機等。
2、醫(yī)學(xué)領(lǐng)域的AI研究歷史
醫(yī)學(xué)領(lǐng)域的AI研究并不是一個新的概念，將AI應(yīng)用于科學(xué)研究的思路已提出數(shù)十年，只是近幾年才實現(xiàn)了少數(shù)的臨床應(yīng)用案例。在AI的發(fā)展過程中，其方法學(xué)和研究方向均發(fā)生了較大的轉(zhuǎn)變。早期的研究方向主要是知識工程（knowledge engineering），如專家系統(tǒng)、計算機輔助臨床決策支持系統(tǒng)、定性建模和推理等。近年來由于計算能力的提高、計算方法的優(yōu)化、數(shù)據(jù)量的增大，AI研究由知識驅(qū)動轉(zhuǎn)變?yōu)閿?shù)據(jù)驅(qū)動，技術(shù)手段則以機器學(xué)習(xí)（machine learning）和數(shù)據(jù)挖掘（data mining）為主。
在AI演變的同時，近年來的醫(yī)學(xué)模式亦發(fā)生了變化。與傳統(tǒng)的經(jīng)驗醫(yī)學(xué)模式不同，目前臨床決策的主流模式是基于循證醫(yī)學(xué)和臨床實踐指南。在群體和社會方面，全世界范圍內(nèi)慢性疾病人群日益增長，醫(yī)療保健成本上升，醫(yī)療服務(wù)與醫(yī)保支付的矛盾也日益顯著。所以，當(dāng)前AI在醫(yī)學(xué)領(lǐng)域主要研究的問題是：指南和規(guī)范的應(yīng)用、機器學(xué)習(xí)、語義學(xué)技術(shù)和生物信息學(xué)等。在醫(yī)學(xué)影像這個分支，從20世紀90年代初開始，圖像和信號處理及自然語言處理等引起了較多關(guān)注［2］。與此同時，迅速興起的CT、MRI技術(shù)較二維成像（如X線）產(chǎn)生更大量的數(shù)據(jù)，且圖像性質(zhì)多樣、更難以解讀。早期AI主要研究基于模型的分割和分類、基于知識的病灶檢出等，現(xiàn)今則是以數(shù)據(jù)驅(qū)動的機器學(xué)習(xí)最常用。
醫(yī)學(xué)影像工作是高強度的技術(shù)性工作，醫(yī)務(wù)人員在日常工作中要準確、高效地完成大量的臨床檢查。目前新一代AI系統(tǒng)已逐漸顯示出越來越強的能力，有望從根本上改變這種狀態(tài)，從而引起行業(yè)內(nèi)外的廣泛興趣。
醫(yī)學(xué)影像AI研究的現(xiàn)狀
1、醫(yī)學(xué)影像AI研究內(nèi)容以影像診斷為主
2017年RSNA學(xué)術(shù)交流中使用機器學(xué)習(xí)進行影像診斷的研究幾乎涵蓋所有影像診斷亞專業(yè)，近年來已有不少類似的文獻報道，如乳腺疾病［3］、肺部疾病［4］、神經(jīng)系統(tǒng)疾病［5］、骨關(guān)節(jié)系統(tǒng)疾病［6］、心血管系統(tǒng)疾病［7］和體部疾病［8］等。這些研究通常的思路是：收集一定數(shù)量的圖像，經(jīng)過標注后（少量研究中不標注），使用機器學(xué)習(xí)得到優(yōu)化的算法模型參數(shù)（多數(shù)為卷積神經(jīng)網(wǎng)絡(luò)），經(jīng)過驗證和測試，最終以較高的預(yù)測效能識別某種疾病，得到影像診斷。除影像診斷外，也有少數(shù)AI研究涉及影像技術(shù)［9］、結(jié)構(gòu)式報告［10］等方面，影像與其他相關(guān)學(xué)科的關(guān)聯(lián)應(yīng)用也偶有提及［11］。
2、AI效能的臨床驗證尚不充分
當(dāng)前醫(yī)學(xué)影像AI測試過程中的方法缺陷多很明顯，應(yīng)通過更科學(xué)的試驗對其宣稱的效能進行評價［12］。在RSNA上報告的研究通常為小樣本初步探索，多缺乏真實臨床場景中的驗證。雖然AI影像診斷的研究中基本都有驗證過程，但應(yīng)注意，AI研究中定義的“驗證（validation）”階段與傳統(tǒng)的醫(yī)學(xué)影像研究中的驗證試驗是不同的，AI的驗證通常是指模型優(yōu)化過程中參數(shù)的微調(diào)過程。AI研究中定義的“測試（test)”階段是驗證模型效能的過程，常用ROC曲線和校準曲線作為評價指標。理論上來說，以少量訓(xùn)練數(shù)據(jù)集內(nèi)部的樣本進行測試是可行的，但在醫(yī)療工作中，很難保證提交做預(yù)測分析的實際病例與訓(xùn)練所用的數(shù)據(jù)集來源于同一總體，所以臨床醫(yī)生多主張用訓(xùn)練集外部的新數(shù)據(jù)進行測試，且確認AI模型的性能時，還要結(jié)合疾病表現(xiàn)譜和疾病流行情況進行綜合考慮。如果有可能，AI效能驗證試驗設(shè)計的主要終點應(yīng)為可評測的臨床結(jié)局，研究AI是否可以改善臨床結(jié)局是最有意義的，但當(dāng)前極少研究能提供這方面的證據(jù)。
3、AI應(yīng)用于臨床的倫理和法規(guī)問題尚待解決
當(dāng)前醫(yī)學(xué)影像AI的能力是很弱的，其輸出的結(jié)果僅對醫(yī)生的診斷提供幫助，最終決策仍由醫(yī)生決定，所以臨床應(yīng)用的倫理問題尚不突出。但在其他AI預(yù)測能力較強的領(lǐng)域，關(guān)于AI“自我意識”的風(fēng)險和倫理問題已引起關(guān)注?？梢灶A(yù)見，如果未來醫(yī)學(xué)影像AI能力超越專家，同時將AI與智能硬件結(jié)合，其輸出的結(jié)果直接處理人體疾病時，AI以什么樣的邏輯做出決策應(yīng)有明確的規(guī)定，否則必將帶來倫理風(fēng)險，而我們現(xiàn)在就應(yīng)有所警醒和準備［13］?，F(xiàn)階段關(guān)于醫(yī)學(xué)影像AI臨床驗證的法規(guī)問題，是RSNA上廠家和業(yè)內(nèi)專家的共同關(guān)注熱點。AI與傳統(tǒng)醫(yī)療器械明顯不同，且不同AI產(chǎn)品和服務(wù)之間的差距也很大，當(dāng)前監(jiān)管機構(gòu)還沒有定義明確的AI臨床驗證方法，這對AI實際進入臨床應(yīng)用是不利的。隨著AI引入臨床路徑中，支付體系將發(fā)生怎樣的變化，也是各方面關(guān)注的重要問題。
4、非傳統(tǒng)醫(yī)療行業(yè)的資本和技術(shù)大量涌入帶來正反兩方面的影響
RSNA上有不少AI初創(chuàng)公司亮相，許多互聯(lián)網(wǎng)和信息產(chǎn)業(yè)的標志性企業(yè)也投入到AI研發(fā)中。在大會交流的論文中，有相當(dāng)多的AI研究是由企業(yè)發(fā)起的。資本的巨大投入對AI的發(fā)展無疑是有益的——可吸引人才、凝聚資源、促進AI成果快速轉(zhuǎn)化。但也要注意到，醫(yī)學(xué)的進步有其自身規(guī)律，短期內(nèi)大量資本的投入未必能帶來醫(yī)學(xué)進步的質(zhì)變。在資本的裹挾下，對有些研究結(jié)果的過度解讀和不當(dāng)宣傳，反而不利于學(xué)術(shù)本身的發(fā)展。
5、AI發(fā)展中的問題遠多于答案
AI研究進展迅速，顯示其潛在的臨床應(yīng)用價值，RSNA期間所有AI會場的交流均引起參與者極大的興趣。但實際上，AI發(fā)展中給我們帶來的問題遠遠多于答案［14］。除了技術(shù)問題，我們更關(guān)心：AI能否解決醫(yī)療實踐中的“痛點”，減輕醫(yī)生負擔(dān)，提升服務(wù)患者的效果？ AI僅僅是預(yù)測，還是真正能夠改善患者的臨床結(jié)局？AI會加強還是減弱醫(yī)生與患者的溝通？AI會剝奪一些醫(yī)生的工作和/或降低醫(yī)生的價值（降低醫(yī)生的收入）嗎？醫(yī)生過度依賴AI是否會降低技術(shù)水平？醫(yī)生群體對AI接受度的不同，是否會造成醫(yī)生相對地位的改變？
醫(yī)學(xué)影像AI臨床研究的方向
AI研究方向的維度很多，在臨床實用的方向上，建立適合AI研究的標準數(shù)據(jù)庫、將AI植入實際工作中做出決策以及優(yōu)化工作流程等，都大有可為。
1、建立適合AI研究的標準數(shù)據(jù)庫和場景
缺乏大量的、標準的、有臨床結(jié)局的影像數(shù)據(jù)，是AI研究的難點之一。雖然中國絕大多數(shù)醫(yī)院并不缺少數(shù)字化圖像，但大量的病例資料并不一定能轉(zhuǎn)換為可供AI訓(xùn)練和驗證的數(shù)據(jù)。大數(shù)據(jù)在氣象、金融、實驗物理、電信、軍事偵察和商業(yè)信息等多個領(lǐng)域的應(yīng)用，得益于其標準化的數(shù)據(jù)定義和數(shù)據(jù)結(jié)構(gòu)。醫(yī)療服務(wù)中，電子健康記錄、基因測序、數(shù)字成像、可穿戴設(shè)備等提供了多維的、海量的、但通常非結(jié)構(gòu)化、非標準化的患者健康數(shù)據(jù)，對這些數(shù)據(jù)進行分析和利用的難度顯而易見。為了將醫(yī)學(xué)影像數(shù)據(jù)順利地納入AI研究，需要提取影像的“組學(xué)”數(shù)據(jù)并與臨床數(shù)據(jù)相結(jié)合；需要深入地研究影像資料的數(shù)據(jù)結(jié)構(gòu)和索引結(jié)構(gòu)，并將其用于分布式和/或并行計算；需要將不同維度的數(shù)據(jù)納入統(tǒng)一的新模型；需要對海量的、不均勻數(shù)據(jù)集設(shè)計檢索語言等。除了橫斷面的數(shù)據(jù)分析，還應(yīng)具備多時間維度的聯(lián)機分析處理、時間數(shù)據(jù)倉庫設(shè)計、時間數(shù)據(jù)挖掘和可視化、綜合挖掘和分析環(huán)境等方面的開發(fā)。自上而下地組織這些跨學(xué)科研究是非常困難的，較實際的解決方案是先從某個小的、簡單的、數(shù)據(jù)結(jié)構(gòu)清晰的領(lǐng)域建立數(shù)據(jù)庫并發(fā)起研究［15］，沿著公認的本體框架逐步外推到不同領(lǐng)域，最終形成完整的數(shù)據(jù)結(jié)構(gòu)。
2、將AI植入實際工作中做出決策
將AI研究融入循證醫(yī)學(xué)和臨床實踐指南中，可使臨床實踐直接受益［16］。醫(yī)療服務(wù)過程中的決策，是在醫(yī)患充分溝通的基礎(chǔ)上，參考循證醫(yī)學(xué)研究證據(jù)和各種指南而做出的，堅持這一點對醫(yī)患雙方都是最有益的。但是循證醫(yī)學(xué)的發(fā)展提供了日益更新的證據(jù)，其應(yīng)用場景更加細分，證據(jù)的數(shù)量也越來越大，同時各種規(guī)范和指南也層出不窮，醫(yī)務(wù)工作者在繁忙的日常醫(yī)療服務(wù)中持續(xù)進行知識更新是一項艱苦的任務(wù)［17］。隨著電子病歷系統(tǒng)在臨床實踐中的廣泛應(yīng)用，AI在證據(jù)確認和臨床決策支持方面有望提供實際的幫助。但是目前影像診斷AI的輸出結(jié)果中，多是對影像特征進行識別和分類，如果能進一步將影像特征與現(xiàn)有指南、證據(jù)等整合，在計算機視覺分析輸出結(jié)果的基礎(chǔ)上，增加醫(yī)生認可的臨床信息，納入指南的判斷邏輯，則可基于規(guī)則做出決策，能明顯提升AI對醫(yī)生的服務(wù)效果。
3、將AI用于影像業(yè)務(wù)流程的優(yōu)化
除了用于影像診斷中，AI更應(yīng)該盡可能地用于影像業(yè)務(wù)流程的優(yōu)化。在過去幾十年中，工程技術(shù)界的工作流建模和業(yè)務(wù)流程優(yōu)化使生產(chǎn)效率和質(zhì)量得到明顯提升。醫(yī)療領(lǐng)域的傳統(tǒng)業(yè)務(wù)模式使業(yè)務(wù)的數(shù)據(jù)化存在一定困難，業(yè)務(wù)的規(guī)范化也不夠，從而對數(shù)據(jù)采集和分析造成極大困難。幸運的是，為適應(yīng)信息時代的各種要求，醫(yī)療業(yè)務(wù)的數(shù)據(jù)規(guī)范化程度正逐步提高，AI可以嘗試對管理水平較高的、醫(yī)療行為較規(guī)范的、信息化較完善的、覆蓋范圍明確且局限的業(yè)務(wù)進行分析和優(yōu)化。與臨床其他業(yè)務(wù)流程相比，醫(yī)學(xué)影像檢查過程就是這樣一種流程，有可能用AI來輔助管理影像檢查業(yè)務(wù)的各個方面，如基于決策的流程管理、時間限制、運行模式切換、異常情況預(yù)警和處理、隱私和安全保護等，以規(guī)范影像檢查業(yè)務(wù)，提高影像服務(wù)的價值［18］。如果AI能對影像業(yè)務(wù)流程進行管理和優(yōu)化，則是對整體影像服務(wù)平臺的提升，其價值遠遠大于對單個疾病的診斷預(yù)測。
總之，醫(yī)學(xué)影像專業(yè)與其他領(lǐng)域一樣，傳統(tǒng)的方法和意識形態(tài)均面臨深層次的挑戰(zhàn)。目前多數(shù)學(xué)者認為，最好的認知能力是人類專家大腦與AI的組合，其能力超過任何單獨的系統(tǒng)［19］。不論是外因還是內(nèi)因，都驅(qū)使影像醫(yī)師必須立即投入到這項新技術(shù)的學(xué)習(xí)和應(yīng)用中。AI也許很快就能取代影像醫(yī)生完成一部分工作，也有潛力使我們將來的一部分工作得到提升，只有在AI的幫助下開拓新的服務(wù)領(lǐng)域，借助AI實現(xiàn)對醫(yī)療服務(wù)的創(chuàng)新，才能保證影像醫(yī)生擁有更美好的未來。
參考文獻（略）
聯(lián)系客服
