内容字号:默认大号超大号

段落设置:段首缩进取消段首缩进

字体设置:切换到微软雅黑切换到宋体

人工智能在医学影像诊断中的应用研究

2020-04-02 16:22 出处:未知 人气: 评论(0
  随着计算机技术、电子工程学以及统计学等学科的发展,人工智能(AI)在医学领域取得突破性进展,诊疗智能化成为重要发展趋势[1~3]。结合医学应用需求和AI功能来定义,即智能机器执行与人类智能有关的活动,如判断、推理、证明、识别、感知、理解、设计、思考、规划、学习和问题求解等[4]。数据密集是医学研究的一大特点,尤其在影像学、遗传学等领域,数据生成速度的进一步提升必将带来医疗数据库的急剧扩充,人工智能必须提高挖掘提取深层信息的效率,方可适应智慧医疗的发展[5]。
 
  [4]医学影像大数据与AI
 
  作为医生的“第3只眼睛”,医学数字成像设备和电子诊断技术在临床实践中被广泛应用[6]。影像学技术应用多种物理学成像原理,获得人体组织的结构图像数据,影像数据精准直观,特异敏感,可靠性强[7]。常用的医学成像技术包括核磁共振成像(MRI)、计算机断层扫描成像(CT)、超声成像、正电子发射断层成像(PET)、弥散张量成像(DTI)等,因其不同的原理与功能而满足特定的医学成像需求[8]。
 
  大数据处理是汇集大规模、高运转、多种类、高价值的数据信息,从中找到一定的规律,人工智能需要从丰富的数据资源中提取规律信息,进而通过模型转化为“智能化”[9]。深度学习和图像识别等技术对医学数据的需求是不言而喻的。
 
  [5]人工智能医学影像诊断技术的基本原理
 
  影像诊疗智能化包含两个层面:一是图像识别,应用于感知环节来获取患者重要生理病理特征精准信息,完成组织器官的定位、分类以及分割工作并将可疑位置进行标注,相当于为医生去除了干扰项,辅助医生提高其判读医学影像的效率[10];二是深度学习,应用于预测和分类,通过对大量的医学影像数据和诊断结果进行特定的多层神经网络训练,定量分析预测,降低临床漏诊误诊的概率[11]。
 
  •图像识别的基本工作原理
 
  模式识别被划分为多个处理阶段,这些处理阶段被划分成具有类似底层结构的管道,在整个图像数据上执行通用机器学习方法,其中包含图像技术、视频技术和机器人视觉[12]。视觉图像识别技术通过不同类型的机器视觉系统提取到二维或三维图像,传输给图像处理系统,进而根据像素分布和亮度偏差、颜色排列等进行二值化去噪、版面分析和分割识别,转变成数字化信号,再进行自动检测模式识别算法[13,14]。
 
  •深度学习的基本工作原理
 
  影像数据的高维数决定训练模型对学习适应能力的高需求性。多层深度神经网络通过接合多个非线性处理层来逐层采集原始医学图像数据,获取不同层面的抽象特征用于分类预测,如图1所示。其突出优点在于使用非监督或半监督的特征学习和分层抽取的高效算法,而非传统的手工获取信息特征[9,15]。与传统专家诊断系统相比,基于深度学习的医学影像智能诊断实现了量化经验增加而逐步进化,并通过系统策略网络和价值网络对医学影像信息逐层分析提取,无需人类逻辑和知识的干预,机器可自行从诊断经验中实时学习[16]。因此影像诊断智能化能按照深度神经模型进行影像信息分析,并不断提高临床诊断决策能力。
 
  [6]基于人工智能医学影像诊断的研究现状
 
  当前影像诊断智能化的研究集中于影像数据较为充足的病种,如皮肤癌、肺癌、乳腺癌、甲状腺癌和胃癌等肿瘤性疾病[1,17]。另一方面,诊断智能化在非肿瘤性疾病的研究应用中也取得重大突破,如心脏病、阿尔茨海默病、帕金森病、癫痫等。随着数据复杂性和规模的不断拔高,利用机器学习进行整合组学数据的研究可望完善当前的医学实践[8]。鉴于当前国内外医学影像智能诊断的疾病研究案例范畴,本文将从肿瘤性疾病和非肿瘤性疾病两方面分别进行分析阐述。
 
  •肿瘤性疾病
 
  肿瘤是一种新的有机体,在基因水平上已经失去对细胞生长的调控,并导致单克隆异常增殖分化[18]。以下通过常见的皮肤癌、肺癌、乳腺癌和脑瘤为例来介绍影像智能诊断在肿瘤性疾病中所取得的进展。
 
  •皮肤癌据美国癌症协会报告,全球每年皮肤癌患者中大约会有232000个新病例和55500个死亡病例。黑色素瘤发病的早期诊治与晚期诊治,5年存活率分别为99%和14%,这意味着若早期诊断,黑色素瘤可被治愈。传统皮肤癌诊断通过视觉诊断进行初步临床筛查,进而皮肤镜检查、活检和组织病理学检查。深度卷积神经网络在此方面显示了跨多细粒度对象类别执行一般和高度可变任务的潜力。Esteva等[19]使用一个包含129450张临床图像的数据集来训练卷积神经网络(CNN)进行二元分类:角质细胞癌与良性脂溢性角化病;恶性黑色素瘤和良性痣,CNN证明一种AI算法对皮肤癌的分类能力与皮肤科医生相当。Haenssle等[20]选取超过10万张恶性/良性皮肤癌和葡萄胎皮肤镜影像,应用深度学习v4卷积神经网络来检测皮肤黑色素瘤进而诊断皮肤癌,敏感度更高,特异性强,深度神经训练网络原理如图2。Marchetti等[21]从国际计算机视觉黑素瘤挑战数据集(n=379)中随机选取100张皮肤镜图像(50张黑素瘤,44张痣,6张小扁豆)进行横断面研究,并将独立自动检测与算法相融合,智能诊断系统通过皮肤镜图像识别黑色素瘤的准确性超过部分皮肤科医生。

  
  •肺癌癌症中发病率及死亡率最高的肺癌一直是临床难题,死亡率达70%以上,约占全部癌症死亡人数的1/4。肺癌患者的生存率与首次诊断的疾病分期高度相关,早期肺癌无明显症状,这导致大部分临床确诊时已处于肺癌中晚期,治疗费用高昂且效果不佳,因此肺癌的早期预防和诊断至关重要。肺部影像主要通过胸部X线平片和胸部CT扫描进行获取,目前公开临床数据集中主要为CT图像的肺结节标注数据。应用智能神经网络模型对CT图像中肺结节的纹理特征进行观察训练,便可较为清晰地识别病人是否有肺癌隐患,进而量化分析肺癌的恶性程度,从而高效地进行辅助诊断。Javaid等[22]应用机器学习SVM分类器设计了一种通过检测分叶肺区近胸膜结节进行肺癌诊断的计算机辅助分析系统,该系统采用10倍交叉验证,其灵敏度为93.8%,准确率为96.22%,系统的图像识别速度达3.8秒/张。Masood等[23]使用一种基于身体局域网络(MBAN)的新型深度学习模型和转移信息的计算机辅助决策支持系统,可将检测到的每1个肺结节划分为4个肺癌阶段,并对不同扫描条件下的不同数据集进行性能评估。与现有的CNN相比,该系统分类器DFCNet的整体准确率达84.58%,CNN的准确率为77.6%。这表明该系统在辅助放射科医师提高肺癌结节检测准确度和效率方面的巨大潜力。
 
  •乳腺癌 乳腺癌是女性主要健康问题之一,被认为是女性中最常见的癌症。美国癌症协会公布美国女性中新发侵入性乳腺癌约有2.3亿例,其中因乳腺癌导致死亡病例约为39620例,平均每8名女性中就会有1人患上乳腺癌[24],控制乳腺癌仍需持续推进,为女性群体提供高质量的筛查、诊断和治疗是不可或缺的[25]。Zadeh等[26]报道一种自组织映射和复合值神经网络(CVNN)的混合计算智能模型用于检测乳腺癌。其选取822例患者的病例,通过SOM技术对相似度最高的患者进行聚类,应用特征到深层神经网络处理分类,与临床诊断结果相比较,疾病诊断率分别为94%和95%,显示该模型的优越性及实用性。Ortiz-Rodriguez等[27]提出一种基于人工智能的早期乳腺癌检测技术,采用乳腺X线钼靶分析进行乳腺癌自动分类,训练并测试了广义回归人工神经网络,其恶性和良性肿瘤区分的准确率高达95.83%。研究表明广义回归人工神经网络是乳腺癌检测的一个稳定且优越的系统。
 
  •脑肿瘤脑瘤是一组生长在大脑内部或周围的异常细胞,是使人口死亡率增加的主要原因之一,美国脑瘤基金会(NBTF)统计死于癌症的儿童中脑瘤占四分之一[28]。磁共振成像对人类大脑神经结构进行了区分,包含了多种捕捉人脑内部结构的成像模式[7]。El-Dahshan等[29]提出一种利用磁共振自动辅助检测脑肿瘤的混合智能机器学习技术。该方法基于图像分割的反馈脉冲耦合神经网络(PCNN-pulsecoupledneuralnetwork,如图3)和用于特征提取的离散小波变换、主分量分析的前馈反向传播神经网络。其研究选取101幅人脑MRI图像数据,包括恶性和良性肿瘤,训练图像和测试图像的分类准确率均为99%,表明其显著的有效性。VarunaShree等[18]开发了一种基于概率神经网络分类器对脑磁共振造影检测肿瘤位置的方法。该研究进行准确性训练测试和噪声去除,提取灰度共现矩阵特征基于DWT的脑瘤区域生长分割,以降低复杂性。实验结果在大脑MR图像中识别正常和异常组织的准确率接近100%,证明该技术的有效性。
 
  •非肿瘤性疾病
 
  与肿瘤性疾病相区别,非肿瘤性疾病所涵盖的疾病种类不胜枚举。下面以常见的心脏病和糖尿病为例:
 
  •心脏病据统计,心血管疾病导致的死亡占全球非传染性疾病的最大比例46%,缺血性心脏病是世界上第一大死因。Manogaran等[30]研究一种基于自适应神经模糊推理系统的多核学习方法用于心脏病诊断。该方法用MKL法对心脏病患者和正常对照组进行参数划分,并用ANFIS分类器对心脏病患者和健康人进行分类。用ANFIS方法提出的MKL方法产生了高灵敏度(98%)、高特异性(99%)和更少均方误差(0.01),用于KEGG代谢反应网络数据集。Nazari等[31]开发了一套基于模糊层次分析法的推理专家系统,以评估心脏病患者的病情。模糊层次分析法用于计算影响心脏疾病发展的不同权重,模糊推理系统用于评估患者发生心脏疾病的可能性。该系统已在德黑兰的一所医院实施,并证明所开发的方法有效性和准确性。
 
  •糖尿病视网膜病变 专家预测,到2040年全球将有大约6亿糖尿病患者,其中三分之一的人患有糖尿病视网膜病变。糖尿病视网膜病变筛查和及时转诊治疗,是一种公认预防失明的策略[32]。深度学习系统使用人工智能和决策分析法处理大数据,对提取眼部影像诊断具有重大意义。Ting等[33]利用DLSwas深度学习开研发一种具有筛查糖尿病视网膜病变和相关眼疾能力的系统。该系统使用494661张视网膜图像来评估糖尿病视网膜病变对系统进行学习训练,并设置参与者的诊断性能。DLSwas训练用于检测糖尿病视网膜病变、青光眼和老年性黄斑变性,完成对神经网络模型的培训和验证检测。结果得到糖尿病视危视网膜病变AUC为0.958,敏感性为100%;对于可能发生的青光眼,敏感性为96.4%;AMD的敏感性为93.2%。而对多名糖尿病患者的视网膜图像进行评估时,DLS对于识别糖尿病视网膜病变具有很高的敏感性和特异性。Rajalakshmi等[34]开发了一套基于智能手机眼底摄影的糖尿病视网膜病变自动检测设备,并通过眼科医生的评分对其进行验证。该研究中对300名患者和1名Ⅱ型糖尿病患者进行视网膜摄影(FOP),用来训练的视网膜照片经过验证性肿瘤区分的准确率高达95.83%。研究表明广义回归人工神经网络是乳腺癌检测的一个稳定且优越的系统。
  
  [7]总结与展望
 
  当前而言,无论肿瘤性疾病或非肿瘤性疾病,人工智能可替代人类医生完成海量图像的分类和快速审查工作,必将成为新型的疾病诊断和管理模式。尽管人工智能具有潜力,但其临床解释能力和可行性的制备仍是一个巨大的挑战。发展基于医学影像的人工智能诊断是一个很有吸引力的研究,但当前的数据资源与媒介工具限制了其在临床研究中的实施[15]。医学影像学的发展有助于识别驱动疾病诊断,以及对智慧医疗和依赖性的评估将有助于在未来解除这一瓶颈。除了这些科学挑战,信息采集和精密计算问题仍然是发展精准医疗的一个主要限制[35]。例如,大多数肿瘤性疾病的低发生率阻碍了随机试验,因为需要筛查的患者样本量过于庞大。
 
  此外,医学视觉成像是一个活跃的过程,它以一种智能的、特定于任务的方式对光学阵列进行测序。专家们预计,未来在视觉上的许多进展将来自于训练有素的端到端的医学成像系统,并将卷积神经网络与循环神经网络结合起来,利用强化学习来决定特定部位图像采集视野[15]。基于人工智能的深度学习与强化学习的结合还处于起步阶段,但在分类任务上已经超过了被动视觉系统。无监督学习在激发人们对深度学习的兴趣方面起到了催化作用,但从那以后,纯监督学习的成功就给人们蒙上了一层阴影[10,12]。尽管本篇综述没有重点讨论这个问题,但从长远预计,非监督学习对基于医学影像的智能诊断将变得更为重要。
 
  不论基于医学影像的智能诊断如何、何时、何地实施,都将带来重大的社会变革。目前监管机构要求人工智能应用程序的表现至少要和经验丰富的医生一样好,随着这一领域的发展,对人工智能性能的医疗期望值必然会越来越高。机器是否会取代医生的可能性,至少在放射医学这样的专业领域来说是非常真实的[33]。但眼下的挑战是将医学人工智能(尤其是计算机视觉诊断)与现有的人的脑力劳动结构整合,而不是互为取代,所以就目前而言,无论如何,基于医学影像的智能诊断依然是需要和医生密切地配合并相辅相成的。
 
  【参考文献】
 
  [1]ChenJH,AschSM.Machinelearningandpredictioninmedicine-beyondthepeakofinflatedexpectations[J].NEnglJMed,2017,376(26):2507-2509.
 
  [2]涂仕奎,杨杰,连勇,等.关于智能医疗研究与发展的思考[J].科学,2017,3(69):9-11.
 
  [3]李金昌.人工智能与统计学[J].中国统计,2018(10):16-18.
 
  1刘泉宝,刘永清.从思维科学看人工智能的研究[J].计算机科学,1994,20(5):9-12.
 
  2KochM.Artificialintelligenceisbecomingnatural[J].Cell,2018,173(3):531-533.
 
  3张逊.现代医学事业发展的新理念-充分利用互联网、大数据、人工智能[J].中国肺癌杂志,2018,21(3):141-142.
 
  4ZaharchukG,GongE,WintermarkM,etal.Deeplearninginneuroradiology[J].AJNRAmJNeuroradiol,2018,39(10):1776-1784.
 
  5李华秀,李振辉,王关顺.影像组学在消化道系统的应用进展[J].中国临床医学影像杂志,2017,28(9):672-674.
 
  
分享给小伙伴们:
本文标签:

相关文章

评论

发表评论愿您的每句评论,都能给大家的生活添色彩,带来共鸣,带来思索,带来快乐。

签名: 验证码: 点击我更换图片

评论列表

    Copyright © 2020 医药论文投稿_药学论文网 版权所有