吴梦香，刘挨师（通讯作者）

（1 内蒙古医科大学 内蒙古 呼和浩特 010000）

（2 内蒙古医科大学附属医院影像诊断科 内蒙古 呼和浩特 010000）

1 AI概述

人工智能是当今计算机发展的代表性技术，与诸多学科相互交融渗透，是未来各个学科发展极具前景的方向。20 世纪末到21 世纪初，人工智能在医学领域的应用发展迅速，其中以图像数据为基础的医学影像也是AI 主要应用之一。其中以DL 在病灶检出、自动分割、影像诊断决策和其他固定场景中的应用最为突出[2]。

1956 年John McCarthy 等在美国达特茅斯大学举行的人工智能研讨会上首先提出“人工智能”的概念。人工智能一般被认为是一门包括计算机学、统计学、数学和脑神经学等在内的交叉学科，它是能模仿人类认知功能并深度学习的计算机系统[3]。AI 能够感知环境、执行模式识别、计划一个适当的决策及归纳推理出一个一般性的原则。ML 是对AI 探索的延伸，被广泛定义为计算机系统通过从大数据中提取一般模式来自主获取特征并分类的能力，无需设计明确的规则进行编程。目的是找出大数据中隐藏的特征，并将数据分类，最终培养计算机识别模式和支持临床诊断治疗[4]。ANN 是灵活的数学算法模型，以研究人脑连接机制为特点，使用多种算法来识别大数据中的复杂的非线性关系，通过对原始输入数据进行层层抽象，最终实现对不同模态数据的聚类和分类[5]。ANN 通过学习和训练实现其智能，其学习、记忆和归纳功能使其在医学影像领域具有良好的应用前景。DL 包含多个隐藏层，是一组试图对数据中高级抽象特征进行建模的人工智能算法[6]。DL从原始数据出发，通过深层非线性网络特征，自动学习并组合低层特征形成更高层次的、更抽象的特征。

2 AI在胸部影像的研究应用现状

2.1 肺结节和肺癌的筛查

AI 算法模型可全自动快速分割胸腔区域，准确定位疑似肺结节或者肺癌的病灶，可以大大减少放射科医师的工作量。LIU[7]等学者提出的级联双路径网络（Cascaded Dual-Pathway Residual Network，CDP-ResNet）肺结节分割模型，结合了不同结节的多视图和多角度特征，结果取得了较好的分割性能，并在对肺结节分割精度上略优于人类专家。计算机辅助检测和诊断（computer-aided detection/diagnosis，CAD）作为AI 的“雏形”，在协助放射科医师处理大量图像数据方面具有独特优势，一项CAD 对肺结节检测效能的研究表明其敏感度为93.8%，特异度为59%[8]，说明CAD 在肺结节筛查中虽然存在一些假阳性结节，但假阴性结节的出现明显降低。

2.2 乳腺癌筛查及鉴别

乳腺X 线摄影筛查是唯一被证实能降低乳腺癌死亡率的影像检查方法。在可触及肿块之前平均1.7 年查出乳腺癌，病死率降低20%，因此AI 乳腺癌筛查最先应用于乳腺X 线摄影，以提高微钙化和肿块检出；其次是肿块良恶性分类、分子分型及新辅助效果评价[9]。LI 等学者使用人工智能方法对乳腺X 线影像中的多类病灶进行检测，包括肿块、乳腺内淋巴结以及钙化，结果显示对乳腺内淋巴结的检测效果最好，敏感性为83.1%，而钙化的整体假阳性率非常低，尤其是环形钙化的假阳性率仅为0.6%。Al-Masni 等研究的乳腺钼靶摄影通过DL 及CNN 提取病灶影像组学特征，再连接神经网络预测病灶良恶性，结果表明其判断乳腺肿块位置和良恶性的准确性分别为99.7%和97%，且对胸肌附近及腺体致密区域的肿块检出更具优势。

目前MRI 纹理分析技术已经应用于乳腺疾病临床研究，一项探讨磁共振动态对比增强（dynamic contrast enhanced MRI，DCE-MRI）技术直方图纹理参数在乳腺纤维瘤和浸润性导管癌鉴别价值的研究发现直方图纹理特征分析方法对两者有鉴别价值。有研究通过 MRI 纹理特征分析技术将常规扩散加权成像（DWI）图像的灰度值转化为纹理信息，提取多种纹理特征，结果表明DWI 图像部分纹理特征在乳腺浸润性导管癌和乳腺纤维腺瘤之间也有鉴别诊断价值，进一步提高了MRI 乳腺癌的诊断准确率。

3 AI在胸部影像的机遇

3.1 AI 肺结节、肺癌机遇

国家癌症中心发布的2018 年全国癌症统计数据显示肺癌发病率仍居榜首。肺癌发生早期无明显临床症状，不易被发现，因此常规胸部CT 体检成为肺癌二级预防的首选检查手段，而且胸部CT 已经逐渐成为常规体检项目。肺CT 分辨率提高一方面有利于早期肺癌的发现和确诊，另一方面也检出更多的肺结节，增加了放射科医师的工作量。深度学习和机器学习的人工智能最先在肺结节和肺癌影像图像的识别、病变性质分析以及影像诊断方面应用。AI 在此方面的价值在于把影像诊断医师从机械简单的工作中解脱出来从而投入到疑难复杂的影像诊断和其他工作中以优化时间及医师资源分配。同时肺结节高检出率、肺癌高发病率为胸部人工智能技术提供数据支撑，好比是人工智能软件的“能量石”。

3.2 AI 乳腺癌机遇

研究发现致密型乳腺是乳腺癌的病因之一，而致密性腺体容易掩盖病灶，致使致密型腺体早期乳腺癌的漏诊率较高。乳腺X 线摄影对微钙化灶的检出率较高，但对肿块的检出率受腺体致密程度的影响较大。然而对于人眼不易分辨的病灶，计算机结合DL 和CNN 可能具有比较好的分辨力。未来AI 可能在致密型乳腺内病灶检出方面更具优势。其次，我国女性以致密型乳腺为主，因此有必要建立符合我国女性标准的乳腺钼靶数据库，训练适合致密型乳腺钼靶AI 检测与诊断系统。基因及遗传因素也是乳腺癌的致病因素之一。乳腺癌影像组学基于机器学习及深度学习技术深度挖掘影像组学的特征，定量分析医学影像图像内隐形的分子与基因变化，为解决肿瘤异质性提供了思路，为乳腺癌靶向治疗提供依据。

4 AI在胸部影像的挑战

目前多数研究集中于检测AI 模型对肺结节和肺癌的检出率、诊断的准确性以及与不同级别放射科医师的诊断一致性。研究证明，一些模型的筛查结果从统计学上要优于经验丰富的影像科医师；有研究显示CNN 模型对良恶性肺结节分类的准确率达89.93%。但一组完整的胸部CT 图像不仅仅是肺结节或者肺癌单一病种，在胸部CT 影像报告中需要全面、细致地观察并描述所有的异常影像表现，目前尚无研究多病种的AI 模型。随着当前肺癌检出率升高，复查率也增加，放射科医师需要对比两次或者更多次的胸部图像以动态观察肺结节和肺癌发展情况及治疗效果，增加了放射科医师的工作量。另外测量病变大小时存在很大人为误差，迫切需要稳定的、可重复性强的、对比速度快的人工智能系统，但目前在肺结节和肺癌先后影像对比方面尚未有开发的AI 模型。

当前乳腺癌人工智能研究多数停留在检出病灶方面，病变定性及分子分型研究较少，诊断灵敏度、特异度及与放射科医师诊断一致性有待进一步研究。随着技术和算法的不断完善，在病变良恶性鉴别诊断、乳腺癌术前分期、新辅助化疗效果评估及复发转移风险预测等方面还有广阔的研究空间。乳腺钼靶人工智能模型在乳腺癌侵及皮肤厚度、范围及程度方面的决策也有待研究。相信随着医学算法的完善和数据训练，AI将为更多的乳腺癌患者带来福音。

5 结语和展望

目前，多学科对疾病的认识已经从大体发展到分子病理乃至基因水平，影像科医师无法用肉眼从图像中挖掘疾病的分子基础，诸多因素使得AI 应用于医学影像不同器官和系统成为可能。目前AI 医学影像在其他例如中枢神经系统、腹部和骨关节系统逐渐研究应用。未来，AI 医学影像的发展要牢牢把握各系统和各器官的特殊性，寻找适合学科发展和研究的方向，促进人工智能影像医学时代到来。