李坤成

(首都医科大学宣武医院放射科，北京 100053)

三次工业革命极大地推动了人类社会的文明进程。第一次工业革命是1760—1840年，蒸汽机的发明，将人类社会带入“蒸汽时代”，使生产力得到显著提高；第二次工业革命是1840—1950年的电气化进程；而1950年之后开始的信息化是第三次工业革命，使全球信息和资源空前整合，世界进入“地球村”时代。迈入21世纪，以人工智能(artificial intelligence， AI)、清洁能源、机器人技术、量子信息技术、虚拟现实及生物技术为主的第四次绿色工业革命已经悄然到来。

AI在医学领域的应用是目前热点，在医学影像学研究中占据重要地位。经历改革开放40余年的快速发展，我国现已成为世界第二大经济体，有实力面对第四次工业革命的机遇，在AI领域创新发展，实现“弯道超车”。据不完全统计，目前我国已经成立的医学影像学AI公司20余家，与发达国家同步开始有关产品研发。

我国人口基数大，大型教学医院集中在省会及大城市，在数十年无分级医疗情况下，患者集中于这些高水平医院接受诊治，使得各医学影像中心积累了大量数据，为AI奠定了雄厚基础。本质上讲，AI的主力军是生物医学工程师、计算机专家和统计学专家等，医师只是配角，但AI产品的研发必须针对临床和影像学医师的痛点和难点问题，而且首先需要由医院提供数据，产品也要在临床使用过程中不断改进，因此影像科医师必然深涉其中。

众所周知，多家跨国公司均已开展此领域研究，也有产品推出，但由于地域人群和疾病谱的不同，国外产品可能不适用于国内。本刊作为中科院主管的医学影像类期刊，编委会汇集了医学物理、生物医学工程、计算机、统计学和信息学专家，多学科融合、基础技术研究与临床应用相结合，整合多种医学影像技术是其显著特色，理应成为发表医学影像学AI领域研究成果的平台。本期AI专论回顾AI技术在医学图像分析中的应用研究进展，从4种常见计算机视觉任务(图像分类、目标检测、物体分割和图像生成)出发，介绍相关AI关键技术。医学影像学检查是临床诊疗证据的主要来源，也是现代化医院的重要支撑学科。伴随影像学技术的飞速发展，医学影像学检查和数据量急剧增长，影像学诊断医师严重不足，且不同级别医院中，医师专家水平存在差距。将以深度学习(deep learning, DL)为代表的AI应用于医学影像分析，有望切实提升医师工作效率和工作质量，具有广阔发展前景。本组论文主要针对医学影像学普遍关注的肺结节检出，乳腺X线摄影钙化灶检出、乳腺肿块检出及分类等，也有针对腕部X线平片应用DL算法评估骨龄的研究，结果均显示基于DL的图像分析系统具有显著优势。

在CT检出肺结节方面，DL软件检出肺结节的敏感度很高，尤其对于右肺中叶结节，而右肺下叶最低,但差异无统计学意义，且不同大小肺结节的检出率差异无统计学意义，即检出肺结节不受结节所在肺叶及其大小的影响，且采用肺窗、纵隔窗和骨窗3种重建算法所得图像检出肺结节的敏感度、误检结节类型差异均无统计学意义，均有助于医师提高工作效率和质量。

在乳腺X线摄片方面，DL系统对于钙化灶的检出率不受钙化形态、分布、BI-RADS分类等因素的影响。低年资医师在AI辅助下对不同ACR腺体构成分类、BI-RADS分类、形状的肿块检出差异均无统计学意义。AI系统对不同类型(钙化、肿块、非对称及结构扭曲)和BI-RADS分类病灶的敏感度差异亦无统计学意义。基于DL算法的乳腺X线影像检出系统对于钙化灶和肿块的检出率高，AI系统对BI-RADS 3类及其以上病灶具有较高敏感度，可有效降低影像科医师漏诊率。

在对儿童和青少年的骨龄判断中，DL模型通过腕部X线平片能准确、快速地评测儿童骨龄，取得接近甚至优于单纯医师的骨龄评测结果。

总之，AI可用于医学影像学设备制造，扫描方案设计，数据采集、重建、分析和诊断与鉴别诊断等各个环节，具有较强的发展潜力。