超聲醫(yī)學(xué)領(lǐng)域運(yùn)用人工智能技術(shù)的優(yōu)勢(shì)分析,超聲醫(yī)學(xué)論文

超聲醫(yī)學(xué)領(lǐng)域運(yùn)用人工智能技術(shù)的優(yōu)勢(shì)分析,超聲醫(yī)學(xué)論文內(nèi)容摘要：人工智能(artificialintelligence,AI)最近幾年再度成為各領(lǐng)域關(guān)注的焦點(diǎn),華而不實(shí)深度學(xué)習(xí)的提出帶來了一系列革命性變化,而隨著計(jì)算機(jī)視覺向深度學(xué)習(xí)過渡以及硬件和大數(shù)據(jù)的進(jìn)步,AI在圖像辨別領(lǐng)域展現(xiàn)出更廣闊的發(fā)展前景。深度學(xué)習(xí)模型使得相關(guān)圖像算法甚至到達(dá)了比人眼更高層次的辨別準(zhǔn)確率,這為醫(yī)學(xué)影像的發(fā)展提供了宏大契機(jī)。超聲醫(yī)學(xué)作為影像領(lǐng)域的重要分支,利用AI相關(guān)算法進(jìn)行聲像圖分析的研究不斷涌現(xiàn),不僅為臨床科研提供了新思路,亦有助于提高超聲診斷的準(zhǔn)確性。本文關(guān)鍵詞語(yǔ)：人工智能;深度學(xué)習(xí);超聲成像;臨床研究;1950年AlanTuring發(fā)表的(計(jì)算機(jī)器與智能〕一文中提出了圖靈測(cè)試,初次預(yù)見性地展示機(jī)器與人類難以分辨的智能行為[1];6年之后,達(dá)特茅斯大學(xué)研討會(huì)上科學(xué)家們對(duì)麥卡錫提出的新術(shù)語(yǔ)人工智能(artificialintelligence,AI)初步認(rèn)同并接受,標(biāo)志著這一概念的正式誕生。隨后幾十年間,AI經(jīng)歷了從跳棋程序到專家系統(tǒng),從發(fā)展邏輯推理的第5代計(jì)算機(jī)研制計(jì)劃乃至今天基于網(wǎng)絡(luò)大數(shù)據(jù)和深度學(xué)習(xí)模型的分布式AI研究等階段,已漸趨成熟。StuartRussell在其1995年出版的著作(人工智能:一種當(dāng)代方式方法〕中將AI定義為有關(guān)智能主體研究與設(shè)計(jì)的學(xué)問,而智能主體是指能夠觀察周遭環(huán)境并作出行動(dòng)以到達(dá)目的的系統(tǒng)[2]。自2021年3月Alphago與圍棋世界冠軍李世石的人機(jī)大戰(zhàn)后,AI又一次進(jìn)入公眾視野,備受關(guān)注。基于醫(yī)學(xué)影像特點(diǎn)和提高影像診斷效能的訴求,AI有望在將來成為影像醫(yī)生診治經(jīng)過中的有效輔助工具。本文將結(jié)合詳細(xì)案例介紹AI在超聲醫(yī)學(xué)領(lǐng)域的可行性和局限性,并對(duì)將來應(yīng)用前景進(jìn)行分析與預(yù)測(cè),希望為進(jìn)一步研究提供根據(jù)。1人工智能與醫(yī)學(xué)影像鑒于醫(yī)學(xué)影像領(lǐng)域信息愈加構(gòu)造化,大部分基于圖像的判定相比臨床電子病歷總結(jié)式的描繪敘述愈加客觀,深度學(xué)習(xí)獲得突破前就有學(xué)者利用AI方式方法中的人工神經(jīng)網(wǎng)絡(luò)來分析醫(yī)學(xué)圖像,然而受限于梯度消失和過擬合問題,模型很難構(gòu)建深層次的架構(gòu)來學(xué)習(xí),同時(shí)還要面對(duì)數(shù)據(jù)量和終端計(jì)算能力缺乏的困難,相關(guān)研究獲得的成果有限。而如今,基于放射信息系統(tǒng)(radiologyinformationsystem,RIS)、醫(yī)學(xué)圖像存檔和傳輸系統(tǒng)(picturearchivingandcommunicationsystem,PACS)中的大量病例圖像,AI可更好地進(jìn)行深度學(xué)習(xí),同時(shí)利用深度學(xué)習(xí)中一系列具有不同優(yōu)勢(shì)和適用性的模型,如循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)等,建立輸入圖片特征與輸出目的結(jié)果之間的對(duì)應(yīng)關(guān)系,愈加高效辨別圖片中的對(duì)象,為相關(guān)研究與發(fā)展提供了更多可行性。深度學(xué)習(xí)作為此次AI興起以及相關(guān)醫(yī)學(xué)影像研究興盛的核心技術(shù),其主流模型延續(xù)了早期機(jī)器學(xué)習(xí)中的一個(gè)重要算法,即人工神經(jīng)網(wǎng)絡(luò),原理是模擬人腦多層神經(jīng)網(wǎng)絡(luò)構(gòu)造并作出判定,而應(yīng)用于醫(yī)學(xué)影像的深度學(xué)習(xí)以神經(jīng)網(wǎng)絡(luò)為主,大致分為兩類:(1)監(jiān)督學(xué)習(xí),包括遞歸神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和普通深度神經(jīng)網(wǎng)絡(luò)等主流模型;(2)無監(jiān)督學(xué)習(xí),包括深度生成模型(預(yù)訓(xùn)練)和自編碼器等模型。二者主要區(qū)別在于對(duì)具有相關(guān)特征的訓(xùn)練數(shù)據(jù)進(jìn)行分類時(shí),訓(xùn)練數(shù)據(jù)能否有人工標(biāo)注的標(biāo)簽,如數(shù)據(jù)有標(biāo)簽則稱為監(jiān)督學(xué)習(xí),無標(biāo)簽即為無監(jiān)督學(xué)習(xí),又稱聚類。監(jiān)督學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)正是當(dāng)前醫(yī)學(xué)影像領(lǐng)域AI的研究熱門,作為一種具有自主學(xué)習(xí)能力的神經(jīng)網(wǎng)絡(luò),其多層構(gòu)造可基于多級(jí)抽象提取一系列辨識(shí)性特征,進(jìn)而辨別圖像中的目的,超聲醫(yī)學(xué)中的前沿研究方式方法也多以此為核心。該神經(jīng)網(wǎng)絡(luò)模型對(duì)于解決現(xiàn)前階段科研中分類、檢測(cè)、分割這3個(gè)主要問題均具有重要意義,華而不實(shí)分類問題主要牽涉完成探測(cè)組織構(gòu)造異常并將其劃歸至各個(gè)疾病類別中的任務(wù),類似于診斷的思維經(jīng)過,是最典型的科研問題。2人工智能在超聲醫(yī)學(xué)領(lǐng)域的應(yīng)用2.1傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)研究2.1.1大腦中動(dòng)脈痙攣所致狹窄診斷方式方法效能評(píng)估大腦中動(dòng)脈痙攣是蛛網(wǎng)膜下腔出血的嚴(yán)重并發(fā)癥,早期診斷和干涉對(duì)預(yù)防卒中特別重要。數(shù)字減影血管造影(digitalsubtractionangiography,DSA)是作出該診斷的金標(biāo)準(zhǔn),但鑒于其為有創(chuàng)性操作并可導(dǎo)致相關(guān)并發(fā)癥,不宜作為常規(guī)監(jiān)測(cè)手段。經(jīng)顱多普勒(transcranialDoppler,TCD)作為一項(xiàng)非侵入性監(jiān)測(cè)方式方法,可在床旁操作,且指導(dǎo)臨床實(shí)踐準(zhǔn)確性高,因而被廣泛應(yīng)用[3];同時(shí),有文獻(xiàn)顯示,經(jīng)顱雙功能彩色多普勒超聲(transcranialcolor-codedduplexsonography,TCCS)在大腦中動(dòng)脈痙攣所致狹窄的診斷上比TCD具有更高層次準(zhǔn)確性[4],但這些文獻(xiàn)存在TCD和TCCS入組人群不同、研究組與對(duì)照組基線特征不同、受試者工作特征曲線(receiveroperatingcharacteristiccurve,ROC)僅包括一項(xiàng)腦動(dòng)脈血流動(dòng)力學(xué)參數(shù)等缺乏,橫向比擬存在較大爭(zhēng)議,研究結(jié)果缺乏講服力。于是,Swiercz等[5]利用傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)建模,并將經(jīng)TCD和TCCS獲得的數(shù)據(jù)處理后的輸出值與DSA的結(jié)果進(jìn)行匹配,以匹配程度最高的模型作為評(píng)判TCD和TCCS診斷準(zhǔn)確性的仲裁者,該模型能夠?qū)⒋竽X中動(dòng)脈平均流速(meanvelocity,Vmean)、收縮期峰值流速(systolicpeakvelocity,Vps)及舒張末期流速(endofdiastolicvelocity,Ved)整合為一個(gè)集合參數(shù),建立ROC并進(jìn)行相關(guān)比擬,進(jìn)而避免了超聲醫(yī)生解讀數(shù)據(jù)作出判定時(shí)的主觀影響,減少了混雜因素,但該研究由于樣本量有限,陽(yáng)性病例數(shù)相對(duì)較少,模型的準(zhǔn)確性遭到質(zhì)疑。2.1.2建立非侵入性肝臟纖維化評(píng)級(jí)體系慢性肝炎或肝損傷所致肝纖維化是肝硬化的共同特征,肝纖維化是可逆的病理經(jīng)過,及時(shí)有效的治療可避免其進(jìn)一步發(fā)展為肝硬化。為了在治療經(jīng)過中定期進(jìn)行纖維化或硬化評(píng)級(jí),經(jīng)常選擇超聲作為監(jiān)測(cè)手段。Zhang等[6]將傳統(tǒng)人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練規(guī)則調(diào)整為錯(cuò)誤反向傳播算法,即將輸入值包括肝臟本質(zhì)、脾厚度、肝動(dòng)脈搏動(dòng)指數(shù)、衰減指數(shù)及肝靜脈頻譜經(jīng)過一系列不可知的調(diào)整后與已有的肝纖維化分級(jí)進(jìn)行比擬,如有偏差則返回上一步的層級(jí)訓(xùn)練,直至單位錯(cuò)誤總和被調(diào)整至最小,訓(xùn)練出的相應(yīng)模型經(jīng)過評(píng)估,其準(zhǔn)確性可達(dá)88.3%(曲線下面積0.9222)。相較肝活檢,結(jié)合了AI技術(shù)的超聲監(jiān)測(cè)不存在樣本取材問題以及醫(yī)師經(jīng)歷體驗(yàn)水平差異所導(dǎo)致的誤差,為慢性肝病患者的臨床決策提供了另一種參考。2.2以卷積神經(jīng)網(wǎng)絡(luò)為主的深度學(xué)習(xí)模型2.2.1處理分類問題甲狀腺影像報(bào)告和數(shù)據(jù)系統(tǒng)(thyroidimaging-reportinganddatasystem,TI-RADS)聯(lián)合深度學(xué)習(xí)分辨甲狀腺結(jié)節(jié)良惡性:TI-RADS現(xiàn)已廣泛用于分類甲狀腺結(jié)節(jié)并對(duì)其惡性風(fēng)險(xiǎn)進(jìn)行評(píng)分,然而這種方式方法耗時(shí)、費(fèi)力且通常不夠穩(wěn)健,其診斷的準(zhǔn)確性不僅受檢查醫(yī)生個(gè)人經(jīng)歷體驗(yàn)影響,且受結(jié)節(jié)回聲變異性等原因限制。Acharya等[8]基于離散小波變換特征,利用計(jì)算機(jī)對(duì)不同模態(tài)下的聲像圖進(jìn)行歸類,獲得了98.9%~100%的準(zhǔn)確性,這一類新的計(jì)算機(jī)決定的特征完全不同于臨床微鈣化灶等分類經(jīng)歷體驗(yàn),為深度卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用創(chuàng)始了前路。與傳統(tǒng)特征提取方式方法相比,深度卷積神經(jīng)網(wǎng)絡(luò)具有兩個(gè)優(yōu)點(diǎn):(1)針對(duì)操作時(shí)不同燈光條件、垂直和水平位移等所致的諸如形狀等失真改變,表現(xiàn)愈加穩(wěn)定;(2)特征提取時(shí)消耗損費(fèi)更少的計(jì)算資源,故結(jié)合預(yù)處理和微調(diào)等方式方法后,訓(xùn)練出的AI在二維聲像圖上辨別甲狀腺良惡性的準(zhǔn)確性、靈敏性和特異性分別可達(dá)96.34%、82.8%和99.3%,明顯優(yōu)于傳統(tǒng)方式方法[9]。2.2.2處理檢測(cè)問題協(xié)助定位進(jìn)而為急性闌尾炎診斷提供更多證據(jù):急性闌尾炎是外科常見急癥,但典型異常感覺和狀態(tài)發(fā)生率僅為66%,其臨床診治存在較多難點(diǎn),在兒童、老年人、孕婦等特殊群體中常因診斷困難而致穿孔。超聲檢查在疑似病例,十分是其他檢查不支持但患者又有持續(xù)異常感覺和狀態(tài)的診斷中提供了有價(jià)值的參考信息。一系列征象如闌尾外徑6mm、鈣化灶及其壁上血流信號(hào)加強(qiáng)、管腔內(nèi)積液均可為難以確診又高度懷疑闌尾炎的患者增加診斷根據(jù),華而不實(shí)闌尾外徑在探頭加壓探查下6mm作為診斷時(shí)準(zhǔn)確性最高的超聲征象[10]。有研究利用一系列AI算法除噪,提高亮度比照,提取出愈加完好的筋膜底線以確定闌尾所在區(qū)域,并避免了大量腹水影響,華而不實(shí)的核心算法FuzzyART是一種無監(jiān)督神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法,亦屬深度學(xué)習(xí)模型的一種,具有實(shí)時(shí)學(xué)習(xí)、無固定目的值、對(duì)經(jīng)歷體驗(yàn)知識(shí)歸類等特點(diǎn),其應(yīng)用顯著提高了確定闌尾區(qū)域的準(zhǔn)確性,在已確診闌尾炎的40幅聲像圖中,最新算法可成功辨別華而不實(shí)38幅,真陽(yáng)性率可達(dá)95%,與CT診斷能力相當(dāng),且無輻射[11]。2.2.3處理分割問題勁動(dòng)脈相關(guān)參數(shù)及病變測(cè)量:頸動(dòng)脈內(nèi)-中膜厚度(carotidintima-mediathickness,CIMT)對(duì)預(yù)測(cè)心血管病風(fēng)險(xiǎn)特別重要,超聲檢查時(shí)需醫(yī)師測(cè)量聲像圖中遠(yuǎn)端血管壁管腔與內(nèi)膜交界至中膜與外膜交界的距離,此人工標(biāo)記耗時(shí)乏味,于是有研究者提取92份CIMT檢查錄像作為數(shù)據(jù)庫(kù),每一份均由專家劃出3個(gè)感興趣區(qū)(regionofinterest,ROI),之后再在276份ROI中分別標(biāo)識(shí)出管腔-內(nèi)膜交界平面和內(nèi)膜-中膜交界平面作為訓(xùn)練的圖像塊進(jìn)而建立卷積神經(jīng)網(wǎng)絡(luò),經(jīng)過特定訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)即可自動(dòng)分割出需要的界面交由電腦測(cè)量,結(jié)果優(yōu)于人工測(cè)量[12]。也有學(xué)者設(shè)計(jì)調(diào)整了卷積神經(jīng)網(wǎng)絡(luò)模型用于頸動(dòng)脈斑塊的測(cè)量,并且相較以紋理特征作為輸入支持向量機(jī)(supportvectormachine,SVM)分類器的傳統(tǒng)機(jī)器學(xué)習(xí)方式方法,卷積神經(jīng)網(wǎng)絡(luò)的結(jié)果在準(zhǔn)確度(0.9733比0.9638),敏感性(0.9653比0.9746),特異性(0.9720比0.9602),馬修相關(guān)指數(shù)(0.9444比0.9254),約登指數(shù)(0.9466比0.9256)方面均更優(yōu)[13],提示了卷積神經(jīng)網(wǎng)絡(luò)在臨床圖像辨別中應(yīng)用的可行性與宏大潛力。2.3超聲醫(yī)學(xué)科產(chǎn)品化應(yīng)用實(shí)例我們國(guó)家自主研發(fā)的DE-超聲機(jī)器人已投入臨床進(jìn)行試驗(yàn),這是一款基于超聲影像,輔助醫(yī)生進(jìn)行甲狀腺結(jié)節(jié)良惡性辨別的智能診斷系統(tǒng)。測(cè)試環(huán)節(jié)中選取省級(jí)三甲教學(xué)醫(yī)院不同級(jí)別大夫?qū)ν粠瑘D像進(jìn)行辨別,診斷準(zhǔn)確率在60%~70%,該設(shè)備協(xié)助醫(yī)生工作同步進(jìn)行診斷,自動(dòng)采集圖像并給出結(jié)果及其概率值,準(zhǔn)確性可高達(dá)87%?？偟膩碇v,該系統(tǒng)大幅減輕了醫(yī)生工作量,提升了影像診斷的精準(zhǔn)性,既可節(jié)約醫(yī)療資源及社會(huì)成本,又可支持國(guó)家分級(jí)診療醫(yī)改戰(zhàn)略,但由于智能程序潛在的不穩(wěn)定性及運(yùn)算錯(cuò)誤,同時(shí)考量到醫(yī)學(xué)的發(fā)展與進(jìn)步,怎樣安全有效在工作中使用甚至推廣該類AI產(chǎn)品仍需進(jìn)一步探尋求索。3前景與局限隨著醫(yī)院管理信息化和智能化水平的不斷提高,AI與醫(yī)療行業(yè)的結(jié)合已是將來醫(yī)療發(fā)展的必然方向。2021年2月17日,國(guó)家衛(wèi)生和計(jì)劃生育委員委發(fā)布了2021版人工智能輔助診斷技術(shù)管理規(guī)范及人工智能輔助診斷技術(shù)臨床應(yīng)用質(zhì)量控制指標(biāo),提示AI已經(jīng)真正開場(chǎng)走入臨床工作并引起相關(guān)部門重視,但這是一個(gè)多學(xué)科穿插合作的經(jīng)過,需要廣大高水平?？漆t(yī)生積極介入,提供高質(zhì)量數(shù)據(jù)集訓(xùn)練AI,并為保障相關(guān)應(yīng)用的準(zhǔn)確性和穩(wěn)定性進(jìn)一步完善評(píng)估方案。AI在醫(yī)療領(lǐng)域的應(yīng)用已有相對(duì)成熟的系統(tǒng)如沃森(IBM公司)作為參考,由于醫(yī)學(xué)影像領(lǐng)域的特殊性,例如數(shù)據(jù)特征、人文交互少等,AI的應(yīng)用阻力相對(duì)較小,國(guó)內(nèi)外牽涉圖像區(qū)域分割、圖像目的檢測(cè)、圖像配準(zhǔn)等多個(gè)領(lǐng)域的研究也逾漸熾熱,相關(guān)模型以深度學(xué)習(xí)為主,結(jié)合機(jī)器學(xué)習(xí)多種方式方法,其發(fā)展對(duì)科研和臨床的助力不可小覷,但由于不同組織變異性大,邊界模糊,微細(xì)血管神經(jīng)分布復(fù)雜等原因,通常僅針對(duì)某一特定器官或疾病,多種類型方式方法結(jié)合與改良使用以便互相彌補(bǔ)算法缺陷,尚未有普適的方式方法能夠?qū)θ我庖粡埑暵曄駡D進(jìn)行解析[21]。關(guān)于AI能否會(huì)取代醫(yī)生的問題,應(yīng)基于AI應(yīng)用于超聲診斷需要完成兩項(xiàng)基本任務(wù),即掃查和讀片進(jìn)行分析。當(dāng)前更多研究集中于讀片場(chǎng)景的應(yīng)用,而針對(duì)患者的操作掃查研究,有學(xué)者提出可用一個(gè)計(jì)算機(jī)控制的機(jī)械臂控制探頭的位置和角度進(jìn)行不同標(biāo)準(zhǔn)切面的掃查,根據(jù)高矮胖瘦不一,機(jī)械臂借助一些輔助參數(shù)和標(biāo)記部位精到準(zhǔn)確調(diào)整掃查圖像的位置和范圍進(jìn)而得到標(biāo)準(zhǔn)切面圖像[22]。但是實(shí)際工作中,一個(gè)超聲診斷臨床決策的實(shí)現(xiàn)往往要結(jié)合多個(gè)切面、直接與間接征象以及臨床信息的分析,這樣的能力或許需要到強(qiáng)AI階段才能實(shí)現(xiàn)。一種新藥從研發(fā)到推廣應(yīng)用至少需要經(jīng)過3個(gè)階段,表示清楚醫(yī)療創(chuàng)新實(shí)例往往需要面臨更高層次的門檻,這主要是由于醫(yī)療行業(yè)的預(yù)防原則所致。AI亦是如此,其需要經(jīng)歷大量的測(cè)試,測(cè)試越多,暴露的信息與問題越多,繼而越能夠預(yù)測(cè)后續(xù)可能產(chǎn)生的風(fēng)險(xiǎn),同時(shí)考慮到法律法規(guī)、民眾接受度以及潛在的醫(yī)療事故背后相應(yīng)的權(quán)責(zé)等問題,在大量測(cè)試后AI能否切實(shí)應(yīng)用于實(shí)際工作尚未可知,而假如AI能夠代替醫(yī)生完成大部分工作,醫(yī)生就可將工作重心放在臨床決策的審核及科學(xué)研究方面,這一應(yīng)用將解放醫(yī)生們的生產(chǎn)力,使醫(yī)生愈加具有創(chuàng)新動(dòng)力,為?？瓢l(fā)展帶來裨益!以下為參考文獻(xiàn)[1]TuringAM.Computingmachineryandintelligence[J].Mind,1950,59:433-460.[2]StuartJR,PeterN.Arti