伍佳莉，李东伦，唐 泳，郑英俊，杨小李，李 波，方 程 综述，苏 松△ 审校

(1.西南医科大学附属医院麻醉科，四川 泸州 646000；2.西南医科大学附属医院肝胆外科，四川 泸州 646000;3.电子科技大学计算机科学与工程学院，四川 成都 610054)

1956年，美国达多马斯大学将人工智能(AI)定为一门学科，自此，AI就以极快的速度发展。目前，人类对AI的研究和开发已经涵盖了医学[1]、自然语言处理[2]、机器人[3]等领域。AI是指，任何能够感知和理解其周围环境，并采取相应适当行动，最大限度地实现其目标的代理或设备[4],其具有机器及智能设备的特点，主要特点是机器根据数据自动预测计算，从而达到自主学习[5]。

1 AI与医学

早在20世纪80年代，就有人设想将AI与生物医学进行结合[6]。在过去，人们收集大量数据，再利用机器系统来寻找数据规律，最后凭借人为经验不断调整、改进机器性能以实现智能化。该类机器系统可以帮助人们进行简单的数据整理和logistic回归运算，得到更为准确的结果[7]。然而，这种基于人选特征的AI，过于依赖人为操作，没有紧急情况的应变功能，对于复杂且紧急情况也无法进行自动化分析，在实际应用上本质上仍未脱离“人”的范畴。

随后，有科学家利用机器系统模拟人类学习，构建出神经网络，实现了可对实际问题进行预测的深度学习系统[8]。目前，随着机器学习[9]与人工神经网络[10]的高速发展，AI已经在医疗机器人[11]、AI医学影像、AI辅助诊疗、AI健康管理[12]等方面取得了不错的成绩。将AI技术应用医学影像诊断已成为热门，其可通过精确标识和分析病灶，大大提高医生的工作效率和诊断结果的准确性。已有研究报道，医学AI在超声、X线片、计算机断层扫描(CT)、核磁共振成像(MRI)、消化内镜、神经阻滞定位等方面的诊治有较多研究，随着AI与医学的进一步革新与结合，AI影像诊断有望在不久的将来广泛应用于临床实践中。

2 AI在超声中的应用

超声影像具有安全、方便、成本低的特点，但受主观因素和人为经验影响较大[13]。以甲状腺疾病诊断为例，实际临床超声诊断中，仍然会出现恶性结节的遗漏。因此，为了提高超声对甲状腺疾病诊断的精准性，有研究者开发了应用于甲状腺结节良恶性诊断的AI系统。早期研究者通过计算机辅助诊断(CAD)系统分类提取、分析影像学图像特征，CHOI等[14]在进行一系列临床研究后，发现CAD系统对甲状腺恶性结节的敏感度(88.4%)与高年资超声医生(90.7%)近乎一致(P>0.99)。

KELLY等[15]通过AI技术，开发出一套全自动乳腺超声扫查系统(ABUS)，可以自动扫查受试者整个乳房，并建立三维立体乳房结构，从而对乳腺癌病灶进行自动识别与分类，提高乳腺癌检出率，缩短患者受检时间。

美国研究者基于AI技术开发了HeartModel (Philips Healthcare，USA)软件[16]，能三维量化经胸超声心动图的左心室、左心房容积和左心室射血分数(LVEF)。TSANG等[16]使用Heartmodel软件自动分析159例患者左心室、左心房容积和LVEF，该方法与“金标准”心脏MRI数据相关性高(r=0.84、0.93、0.85)，且其分析耗时[(26±2)s]比人工分析耗时[(144±32)s]更短(P<0.001)。

AI结合超声在神经阻滞的应用已处于起步阶段。超声引导下进行神经阻滞不仅可应用于局部麻醉手术，也可以结合复合喉罩进行全身麻醉，还可以用于局部神经疼痛治疗等。将AI技术与此类技术结合，能提高临床治疗效率，是目前研究者关注的重点。HEMMERLING等[17]开发了一种新的AI系统，用于执行超声引导下的神经阻滞，并对神经阻滞部位进行视频成像增强，精确化神经阻滞部位。在招募的13例患者试验中，所有操作均成功完成，平均执行时间为3 min，没有出现明显的血管穿刺。在阻断后的24 h内，没有患者出现任何神经系统并发症。

3 AI在X线片中的应用

数字X线片成像系统作为最常用的检查方法，能够简便、快速地诊断胸腹部、骨、脊柱等有关疾病。X线片的诊断标准是国内外专家经过长期临床经验得出的共识，较为全面、合理，但由于影像学医生工作量较大，容易出现误差。通过AI算法将这些标准编入机器，通过智能质量控制，能大大提高诊断辅助效率。

2020年，四川大学华西医院以深度学习图像处理方法为基础[18]，对6 770例受检者的正位胸部X线片进行分析，收集包括体外异物、体内异物、体位不正等情况，然后对胸部X线片进行标注，开发出了一套能实现辅助拍片功能的智能质量控制系统。

乳腺钼靶X线影像是临床上筛查乳腺癌常用的检查，MOHANTY等[19]提出了基于AI的钼靶影像肿块分类方法。该方法通过提取影像数据并利用关联规则，挖掘感兴趣区域，并对其进行良恶性鉴别。在深度学习方面，有研究基于卷积神经网络(CNN)进行图像分类法[20]，提出了一种对乳腺钼靶影像进行分类的多尺度CNN策略，能塑造一个扫描模型，对影像结果进行决策。

4 AI在CT中的应用

CT技术作为目前普遍开展的诊断方式，不仅对高密度组织显像清晰，而且在骨性结构疾病诊断方面也有较大优势。将AI深度学习技术与CT结合，可以快速自动标注出病灶的部位、大小、性质与周围组织关系等，极大地缩短诊断时间，提高诊断效率，帮助青年医生深入学习。有研究结果已经表明，基于CNN算法开发的甲状腺结节CT诊断AI系统能减轻临床工作量，提高准确率，对减少恶性疾病漏诊误诊有重要意义[21]。

ERICKSON等[22]利用AI系统进行肺结节良恶性疾病筛查，其检测的效能受数据数量及质量、深入学习程度、CT分辨率等多因素影响。杨尚文等[23]选取2019年9-10月胸部CT平扫检查患者35例，对每例患者的肺部图像使用2种不同分辨率进行AI智能重建。结果发现，使用超高分辨率CT图像进行肺结节AI诊断，比常规高分辨率CT的敏感度更高。尹泚等[24]通过分析2016年5月至2020年7月兰州大学第二医院胸外科199例肺结节患者的临床资料，导入AI系统后，评价系统对肺结节良、恶性鉴别的敏感度及特异度，结果显示，AI系统对肺结节的检出率达到100%，表明AI肺结节辅助诊断系统已经可作为一种临床辅助诊断手段。ROTH等[25]提出了自动胰腺定位和分割的两阶段方法。该方法通过计算机进行胰腺定位并划分边界框，智能化修剪图像边缘从而生成分割图像。边界框可以覆盖整个胰腺，不需要人工预处理，并能实现对胰腺疾病精确诊断。

2020年，郑州大学第一附属医院郭和合等[26]初步探索AI肺炎辅助诊断系统在新型冠状病毒肺炎(COVID-19)疑似病例CT筛查中的应用价值，发现AI肺炎辅助诊断系统对 COVID-19疑似病例的胸部CT有一定的筛查价值，可以定量评估肺炎感染区域的体积和密度，为患者病情评估或随访提供客观的量化指标，但该系统对肺部磨玻璃影、实变影、条索影及小叶间隔增厚等征象的识别并不理想。同期，武汉人民医院LI等[27]开发了深度学习模型COVID-19检测神经网络(COVNet)，从胸部CT容积检查中提取视觉特征来检测COVID-19、社区获得性肺炎(CAP)和其他非肺炎CT。结果表明，该模型对COVID-19具有高敏感度(90%)和高特异度(96%)，对冠状肺炎的筛查有一定的帮助作用，但是碍于技术限制，仍然不能更好地区分不同类型的病毒性肺炎。

5 AI在MRI中的应用

在MRI领域，Facebook AI实验室与纽约大学医学院联手开发智能MRI，实现了5 min快速MRI检测；西门子与英特尔公司合作开发基于AI的心脏MRI分析模型[28]，有望进行实时、有效、快速的心血管疾病诊断。

DU等[29]利用AI开发MRI辅助诊断技术，通过建立3D模型来对术前肿瘤边界进行评估。其对1例年轻骨盆骨肉瘤女性患者进行评估，结果显示，与传统3D模型比较，基于AI建立的模型能显示更加全面的诊断信息，同时还发现了容易漏诊的静脉癌栓。

DONG等[30]收集了72例子宫内膜癌Ⅰ期患者的4 896张增强T1加权图像(T1WI)和T2加权图像(T2WI)，然后使用其中24例患者的图像来训练AI，用其余48例患者的图像来评估模型的准确性。结果显示，增强T1WI中的AI诊断准确率(79.2%)高于放射线医生(77.8%)，而T2WI中的AI诊断准确率(70.8%)也较高。因此，验证了AI深度学习技术在MRI肌层浸润深度检测中的高准确度，但是，其研究缺乏一项前瞻性随机研究，无法确定AI辅助方法在子宫内膜癌检查中的效果，因此其在临床应用上仍未得到推广。

6 AI在内镜影像中的应用

消化内镜是经消化道直接获取图像，通过直接观察消化道管壁结构改变，以诊断甚至治疗消化系统疾病的一组设备。HWANG等[31]基于Gabor滤波器和K均值算法，将其与AI结合，筛选结肠息肉的特异性标记，通过分析其曲率特征来诊断结肠息肉，检测准确率达100%。FU等[32]通过对超像素消化内镜图像进行分割，分析超像素单通道颜色直方图，最终得到多尺度的图像颜色特征，并用于消化道出血的检测。但由于消化道出血患者需要医生迅速诊治，时间非常紧迫，而该研究还未达到临床实用要求。AOKI等[33]开发出基于SSD的CNN系统，其对小肠溃疡诊断准确率为90.8%。LEE等[34]使用AI深度学习鉴别良恶性胃溃疡，但无法实现真正的临床疾病分期，仍需对AI质量控制系统做进一步优化。随着AI的快速发展，深度学习技术在消化内镜上得到快速发展，目前尚未能通过图像处理方法获得精确定位的效果。此外，虽然试验研究表明AI诊断可以达到专业医生程度，但是仍然缺乏大量临床应用数据，临床效率及准确性也有待提升。ZHU等[35]则利用最先进的预训练CNN架构系统，开发了基于AI的CNN计算机辅助检测(CNN-CAD)，采用图像增强和迁移学习方法区分早期胃癌及胃癌浸润深度。其对胃癌检测敏感度为76.47%，准确度为89.16%，能更加精准地计算肿瘤在胃黏膜的浸润深度，有效降低了人工诊断对浸润程度的误估值，从而减少了不必要的胃切除术。

7 小 结

AI技术在医学影像学的诊断应用技术已取得了重大进展，可用于开发快速有效的诊断方法。AI智能平台通过收集大量临床数据，提取患者的特征信息，通过泛化可更好地进行疾病分类及图像处理，不仅能降低人工识别的误差，还能实现更高的检测准确率。深度学习技术尤其是CNN实现了对医学图像精准分割，在医学技术中得到了广泛应用，解决了医学领域中的很多实际问题。

然而，在AI识别影像图像方面仍有较多问题等待解决。虽然部分实验研究已经证实AI检测的准确率已经达到或超过专业医生，但是受研究数据库的限制及临床实际情况的复杂性、时效性影响，还无法将AI应用于影像学临床。应加强软件开发者与临床医生的联系，将临床需求设定在AI开发程序中，才能更好地满足患者需求，设计出更加符合临床使用的诊断程序。此外，仍需进一步完善AI检测系统的检测效率，增强系统对病灶精准定位及相关疾病鉴别诊断的能力。