人工智能在基层医学影像辅助诊断中的应用现状

人工智能在基层医学影像辅助诊断中的应用现状

唐维和1  杨发炜2  杨虎3  马乙怀1  张海霞3通讯作者

1.河西学院 医学影像技术 甘肃张掖 734000

2.河西学院 临床医学 甘肃张掖 734000

3.河西学院 计算机技术 甘肃张掖 734000

【摘要】影像医学是利用医学影像设备对人体或人体某部分进行检查的一门科学,目前,在临床上常用的影像医学技术包括线片、造影技术、电脑断层扫描、磁共振成像技术、融合成像技术等。使用计算机对人类思维过程进行模拟的学科被称之为人工智能。伴随近些年来人工智能技术的更新与进步，其也被越来越多的应用在了基础医学影像辅助诊断领域，有效提高了基层医院的诊疗质量，可进一步提高医院的整体诊断效率与诊断准确性。文章简述了人工智能在基层医学影像辅助诊断中的应用原理，阐述了其应用要点，并介绍了人工智能在基层医学影像中的应用发展方向，希望能够为医务工作者提供一些帮助。

【关键词】人工智能；基层医学影像辅助诊断；应用要点；发展方向

引言：所谓医学影像诊断，简单来说就是医生通过采取非侵入性操作获取到人体内部结构情况的方法，可对人体所患的疾病急性定量或定性诊断。而伴随人工智能技术的持续更新与发展，医学影像诊断领域同样被融入了人工智能技术，可为医生提供智能诊断与影像分析层面的自动辅助条件，进而将诊断效率与准确性予以全面提高。为此，展开对人工智能应用于医学影像辅助诊断领域中的应用分析，具有极为重要的现实意义。

1 人工智能在基层医学影像辅助诊断中的应用原理

    伴随图像处理技术的更新与发展，已经出现了基于计算机的诸多人工智能辅助诊断技术，例如CAD等疾病的判断形式等。新的CAD技术可将计算机与原有的医学影像技术相结合，提供辅助诊断的必要条件，用以保证诊断效率与准确度。作为一类常用的机器学习方法，若将深度学习与人工智能相结合，可在获取到神经网络研究要点的同时，使用卷积神经网络、自编码神经网络、深度置信网络等形式，实现在深度学习背景下的AI类人化思考，达到主动记忆与自学的目的[1]。从这一点可以看到，CAD俨然已经获得了良好的发展条件，在海量影像数据的支持下，可用于对大规模与高价值的影像学数据进行整体的处理分析，进而获取到更多规律信息。尤其是在AI技术的辅助应用下，医生的诊断思维可通过计算机进行全面模拟，并在持续的识别中展开深度学习，获取海量数据中的一系列数据发展规律，达到对数据模型进行智能化分析的根本目的。

2 人工智能在基层医学影像辅助诊断中的应用要点

2.1 CAD

第一是颅脑。颅脑CAD主要是对精神分裂症诊断、脑部肿瘤的分析、分级神经胶质瘤、认知障碍鉴别、阿尔茨海默病的确定等[2]。通过神经网络分类器，可展开对脑部的MRI造影进行肿瘤检测，所呈现出的脑部MR图像中，可对正常组织进行识别，分析异常组织的准确率为100%；

第二是肺脏。肺脏CAD可联系针对胸部的X射线与CT领域层面的肺结节与肺部间质性病变展开全面检测。从研究的实际情况来看，通过联合使用AIA辅助系统，可用于肺癌的快速诊断领域，具有灵敏度与准确度均相对较高的特点， 相较人工对影像进行分析，识别速度更快[3]。此外，可基于神经网络模型对肺部结节患者的影像进行智能化分析，分析的要素主要为纹理特征，可用于对患者是否存在肺癌隐患的判断，并展开能量化分析确定肺癌的严重程度，具有病情分级的功能；

第三是乳腺。基于对研究结果的分析，可发现通过采取网络层面的乳腺钼靶CAD能够将乳腺癌的检出概率进一步提高。有研究者对钼靶CAD的乳腺肿块进行了分析，发现用于对良性与恶性肿瘤进行判断的准确率可达到99%。此外，在卷积神经网络的支持下，更可将MRI乳腺脂肪与纤维腺体分隔问题予以动态性的强化，其同样是用于乳腺纤维腺体类型予以准确判断的重要基础；

第四是心脏。基于卷积神经网络可用于对超声心电图的标准切面进行观察与准确识别，继而确保明确心脏结构特点与功能的正常化判断[4]。有研究者通过将深度学习与卷积神经网络进行融合后，在识别多个超声心动图后可发现其标准视图的准确性在97.8%左右。此外，通过使用卷积神经网络，可用于对MRI层面的纤维腺体与乳腺脂肪的分隔问题予以动态性强化，是对腺体类型予以准确判断的重要方法；第五是肝脏。在动态CT与MRI对肝脏肿块的结合分析下，可对肝脏的癌细胞进行诊断。借助卷积神经网络，可开展针对性的深度学习，在三相影像训练识别层面，可将其准确率予以进一步提升[5]。此外，从肝囊肿与肝脏血管瘤的分析实况来看，敏感性同样较高。基于计算机辅助诊断，可在对核磁共振层面的肿块大小、数量、假包膜、边界等进行动态识别，相较医生的诊断存在80%左右的一致性；

第六是甲状腺。通过采取甲状腺的超声智能检查，可对甲状腺的恶性风险分层进行全面诊断分析。基于相关研究者的分析可以发现，通过采取计算机的智能化辅助诊断方式，可遵循ACR指南细化甲状腺的诊断流程，可发现其表现出了较高的灵敏度与AUC，并可在甲状腺影像数据与系统的共同配合下，确保甲状腺诊断的特异性。

2.2 影像组学

    CAD是影像组学的源头，属于大数据分析方法的一种，可展开对庞大数量的医学影像进行深入分析与挖掘，并保证解读的准确性，全面挖掘隐藏的信息。影像组学的出现将传统层面的半定量与形态学分析予以打破，继而提供了以往需要采取病理检测或基因检测才能够获取到的一系列信息，可为医生在图像检查的早期提供相应的诊断依据[6]。图像的采集、分割、提取、量化、构建是模型分析的五个过程，主要集中在肿瘤层面的研究，可展开对肿瘤严重程度的分级、定性以及预后评价等。

2.3 影像基因组学

    作为实施精准诊疗的前提条件，基因分析的重要性毋庸置疑。从传统的基因分析情况来看，活检术或病例检测是分析的基础，存在潜在的并发症伴随风险。而医学影像属于非侵入性的检测方法，配套的影像基因组学更可将基因组数学与影像数据进行关联，展开相应的分析解读工作[7]。此过程在获取影像数据的同时，也可将个体数据中存在的定量影像学特征予以充分反映，并可从生物组学的角度将基因型的特征予以提取。如此，方可在AI的技术应用背景下，实现定量表现特征层面的基因特征分析，达到对疾病进行基因诊断与预后判断的目的。

2.4影像智能分析

2.4.1 X射线成像

    X射线成像应用于人体中密度较大组织中的成像效果相对较好，而由于X射线的特殊性，使得成像的结果可能出现与人体组织重叠的情况，进而影响了医生的判断准确性。而在人工智能技术的应用下，可加速智能分析，保证判断的精准性[8]。例如，通过深度学习技术的融入，可打造出对应的卷积神经网络框架，开展针对不同病种的精准化X射线医学影像扫描与智能分析。这一过程包括对乳腺癌等其他疾病的高风险或低风险分析，并可通过胸部X射线医学影像的分析判断是否存在肺结核的患病风险。

2.4.2 CT检查

    从医学影像分析的情况来看，可通过CT与人工智能技术相结合的方式，充分发挥深度学习智能算法优势，展开对CT影像的分类与检测，提供给临床具有更高价值的参考信息。从实际应用情况来看，针对人体器官进行CT医学影像检查的全面分割应用相对较为广泛。通过医学影像的针对性分割，可获得不同组织方向的切面信息，进而为病情诊断与病灶严重程度的判断提供支持，整体的临床治疗价值较高[9]。在CT医学影像的智能分析过程中，在分类肺部结节的情况下，可将人工智能技术融入其中，进而获得精确病灶轮廓，确保病灶的分割精准性。应注意的是，器官组织位置由于存在诸多不同之处，因此使用的医学影像技术同样存在诸多差异，例如肝脏病灶分割、肺部结节分割、膀胱肿瘤分割等。

2.4.3 磁共振

    基于原子核的强磁场共振效果所发展出的磁共振成像技术，本身可通过对信号的空间编码实现人体图像的构建。磁共振成像技术包含的信息量相对较多，用以对人体不同方向与断层图像的获取，且此类成像技术存在电离辐射，可能会对人体产生不良影响。此类技术的整体发展趋势，在于人工智能技术的融入与深度学习的自动化图像处理，使得信息处理效率更高且质量更佳。小块图像组模型、语义模型以及级联网络模型是磁共振成像技术与人工智能技术结合后三种类型，可在多种技术的支持下，实现对影像的深入分析，以及展开对影像的自由评估与高质量分割。基于对医学影像的智能化分析，可发现其应用领域主要为大脑层面的磁共振影像分割。在对卷积神经网络模型进行输入与改进的过程中，经由人工智能技术的持续发展，可将此领域内的影像分割准确性进一步提高。

3 人工智能在基层医学影像辅助诊断中的应用发展方向

    1966年首次提出了计算机辅助诊断的概念，并于20世纪80年代获得了将其应用于医学影像领域的机会，并延伸出了计算机辅助诊断的一系列方法。在啊AI技术迅速发展的今天，CAD发展俨然已经成为当下进行医学影像诊断的核心技术类型。

3.1 AI学派

    从六十余年的人工智能发展情况来看，4个AI学派的发展情况并不稳定。从现阶段的AI医学影像诊断发展实况来看，所使用的理论与技术的来源，主要为连接注意学派，而关联的统计主义与行为主义的整体进展却发展较为缓慢。不同的AI学派之间存在着模型与算法的结合差异，而深度的理论与思想融合则是未来需要探究的主要发展方向[10]。而符号主义的知识驱动，以及基于连接主义的数据启动，则是推进医学影像与人工智能技术结合发展的关键路径。

3.2 AI学习方法

    从AI的第三次发展浪潮中可以看到，通过迁移学习与元学习等方法，使得人工智能技术相较以往发生了较大的变化，基于深度学习的方式，促使影像模型获得了进一步发展，延伸出了包括卷积网络、对抗网络、群变卷积网络、胶囊网络等诸多的影像网络模型。但应注意的是，此类方法与模型的出现对于大样本训练数据有着较强的依赖性，但临床层面对于疑难杂症的影像数据本身数量较少，具有高质量与多区域特点的影像数据想要获得较为困难。再加上在深度学习模型的发展过程中，虽然黑箱问题被诸多研究者所钻研，并在特定任务层面获得了相对较为满意的效果，但依然对高层次的研究较为期待。通过将因果分析、几何分析等理论融入人工智能技术中，依然可以在医学影像分析期间实现小样本的方法使用与模型构建目标，这也是未来的人工智能技术的发展方向。

3.3 医学影像数据库建设

    保证使用医学影像数据的高质量是AI影像诊断研究的重要基础，而成果转化与产品研发过程中所对应的全生命周期，需求医学影像的数据库建设条件。但从实际情况来看，其包含的高质量数据却相对匮乏，未能统一数据的质量检验标准。再加上数据类型依然不统一，使得不仅覆盖范围狭窄，且存在严重同质化现象，整体的共享程度相对较低，依然存在着标注不够规范等一系列问题。从医疗数据的应用发展情况来看，数据孤岛与壁垒的打破是主要的发展方向，可基于人工智能技术建立不同领域与行业之间的信息共享通道，并覆盖更多医疗机构与科研场所，打造相应的多中心医学数据库，在广泛覆盖与大样本、多病种的医学影像数据库的支持下，可实现国家层面的大数据战略实施目标，其更是未来展开AI医学影像诊断的主要发展方向。

结语：综上所述，医学影像设备作为重要的医疗器械，既是医院综合实力的展现，也可为临床诊断与全面治疗提供保障信息。若能够将AI技术融入其中，可在持续的成果转化与产品研究过程中，获取人工智能层面的技术切入要素，用以完善医学影像的分析过程，进而为提高医学影像的分析效率与疾病判断准确性奠定坚实基础。

参考文献

[1] 陈冲,夏黎明.积极稳妥地推进人工智能在医学影像的应用[J].中华放射学杂志, 2022, 56(1):4.

[2] 林广,张志强.人工智能医学影像在骨关节系统中的应用进展[J].中国医学影像学杂志, 2022(002):030.

[3] 吴绯红,赵煌旋综述,杨帆,等.医学影像+人工智能的发展,现状与未来[J].临床放射学杂志, 2022, 41(4):4.

[4] 姜雪吕发金李昱仑谢雄飞李信友.医学影像人工智能技术评价脑出血准确性研究[J].中国医学计算机成像杂志, 2021, 027(001):1-5.

[5] 王蓉,王铁梅.人工智能在口腔颌面医学影像中的研究探讨[J].口腔医学研究, 2020, 36(7):3.

[6] 赵彤彤.影像组学在肾肿瘤中的研究进展[J].医学影像学杂志, 2020(011):030.

[7] 张敏,陈钧强.人工智能技术在尘肺病诊断中的应用研究进展[J].环境与职业医学, 2020(2):5.

[8] 曲海波,许海军.医学影像技术在新型冠状病毒肺炎诊疗中的应用[J].中国医疗设备, 2020, 35(10):6.

[9] 辛小燕, 张帅, 蒋宛平,et al.基于深度学习的胸部平片人工智能自动诊断模型的设计及研究[J].实用放射学杂志, 2020, 36(5):4.

[10] 陈疆红,钟朝辉,江桂莲,等.人工智能肺结节辅助诊断系统预测亚实性肺结节恶性概率[J].中国医学影像技术, 2020, 36(4):5.

2023年甘肃省大学生创新创业训练计划项目，项目编号：S202310740024