人工智能在医学影像中的研究与应用 |Radcloud智慧科研特辑

5月24日起汇医慧影将推出为期一个月的Radcloud智慧科研特辑，以每周2篇的频次，在汇医慧影公众号中发布Radcloud大数据智能分析科研平台中产出的高质量论文/摘要，分享前沿科研成果和观念，欢迎大家关注。

- 第二期 -

主笔 | 汇医慧影创新事业部 李其花

汇医慧影携手东软在《大数据（Big Data Research，BDR）》期刊发表综述论文，对人工智能在医学影像中的研究与应用进行总结和展望，并着重介绍了人工智能在医学影像领域最新的研究与应用进展，包括：

1）智能医学成像设备，包括快速医学影像成像方法、医学图像质量增强方法及医学成像智能化工作流；

2）智能医学图像处理与分析方法，主要介绍了现阶段研究和应用最为广泛的影像组学和深度学习算法；

3）智能医学影像&自然语言文本处理结合分析，主要解决医疗影像领域缺乏已标注数据库的难题。

阐明了研究和发展从源头入手的全链条人工智能技术的重要性和可行性，论述了学术界和工业界在医学影像方向上的创新性工作。并且指出人工智能在医学影像领域中的研究尚处于起步阶段，人工智能与医学影像的结合将成为国际上长期的研究热点。

人工智能（Artificial Intelligence, AI）概念从提出至今已有60余年，然而近几年才成为炙手可热的研究领域，这主要是得益于算法、算力的快速发展和大数据的爆发。同样，随着人口老龄化问题的显现以及人们对健康与日俱增的要求，医疗数据急剧增加，在众多医疗信息中，医学影像是疾病筛查和诊断、治疗的最主要的信息来源，也是最为被看好的未来人工智能医学发展的重要组成部分，是最可能率先实现落地应用的人工智能医疗领域。医学影像大数据和人工智能涉及影像链中的成像、图像挖掘、利用文本和影像的关联解决部分图像标注这3个方面的问题：

1. 智能医学成像：临床中常用的医学影像模态包括电子计算机断层扫描（computed tomography, CT）、磁共振成像（magnetic resonance imaging, MRI）、正电子发射计算机断层显像（PET-CT）、X射线、超声等。AI在快速医学影像成像方法、医学图像质量增强方法及医学成像智能化工作流图等方面均有突出表现。综述原文中展示了BrainQuant结合AI技术在5 min内同时获取到的10种不同模态的MRI图像，和采用东软医疗的基于多任务学习的MRI图像增强方法与传统的k空间滤波方法的对比实验结果，可以看出，基于MTL的MR图像增强方法能够在保护图像分辨率的情况下有效抑制Gibbs伪影。另外，采用东软医疗研发的基于2D定位片的头部扫描FOV自动设定方法可以在 0.6 s内完成特定方向的FOV自动设定，定位结果具有良好的准确性和一致性。

   2. 智能医学图像处理与分析方法：随着医学影像大数据时代的到来，使用，使用计算机辅助诊断技术对医学影像信息进行进一步的智能化分析挖掘，以辅助医生解读医学影像，成为现代医学影像技术发展的重要需求。其中，影像组学和深度学习算法在现阶段更是被广泛研究和使用，被应用在医学图像的分类、检测、分割和配准等任务中。以综述原文中所呈现的慧影科技（北京）有限公司的放射组学分析云平台工作流程为例，其中影像组学特征提取、特征选择和降维、预测模型的建立及预测模型性能评估预测都可以依据操作者的设定自动完成，基于这一平台，真正实现了零代码基础的医学影像信息智能化分析与挖掘。

关于深度学习在医学影像领域的应用及实现，综述原文列举了弱监督胸部疾病定位与分类流程、基于DeepLesion 构建的通用病灶检测流程、基于cGAN 的乳腺肿块分割和形态分类流程、基于AIR-net的MR和TRUS 图像配准流程等实例。可以看出深度卷积神经网络的优势在于它能够自动学习重要的低级特征，并且能够从低级特征中迭代地提取更复杂和更高级的特征，其端到端的设计给模型提供了更多可以根据数据自动调节的空间，增加了模型的整体契合度。

  3. 智能医学影像&自然语言文本处理结合分析：深度神经网络模型在图像视觉识别中表现卓越。主流的、应用效果较好的深度神经网络计算机视觉模型大多基于有监督的训练过程，而有监督的训练过程依赖于大规模高质量的有标注数据集。在医疗影像研究方面，通过人工方式对医疗影像进行标注构建训练数据集具有非常大的挑战性，标注者需要具备相当程度的医学专业知识，不能像普通的图像标注任务一样进行众包。

另外，医疗影像的标注工作要求更加细致，病灶的人工识别过程往往需要仔细阅片，并尽可能地发现和准确标注微小病灶，标注速度慢，标注成本高，因此很多情况下标注的准确度往往不令人满意。使用自然语言处理技术从这些文本中提取有价值的标签，对相关的影像进行标注，是自动化生成有标注影像数据集的一种有效途径。比如利用人工智能算法，构建并训练的深度学习模型，根据影像自动生成标注信息，实现分层次的CNN网络模型生成不同层级的输出词汇，或使用迁移学习算法模型生成数个词汇的描述。通过人工智能算法自动生成医学影像标注信息有望通过人在环路（ human-in-the-loop）的方法，迭代构建基于临床数据的有标注、标准化、大规模数据。

 

综上所述，AI在医学影像中有非常广泛的应用，本文列举的只是很小的一部分。从这些研究成果中不难看出，AI已经在推动医学成像设备智能化、数据采集规范化和标准化、数据分析自动化等方面取得了重要的进展。随着数据的积累和技术的进一步成熟，AI与医疗的结合将产生巨大的社会效益和经济效益，改变医疗资源紧缺的现状，在技术的驱动下迅速提高基层医生的诊疗水平，切实解决看病难的问题。

Radcloud全球

智慧科研百人助推计划

汇医慧影Radcloud大数据智能分析科研平台，提供以影像为专长，融合临床、病理等多学科研究方法的一站式医疗大数据研究解决方案，至今已在两年产品化落地中，历经4次升级迭代，与400+医院合作，服务20000+医生用户，产出千篇高质量论文及摘要，成功申报各类科研基金近亿元。致力于解决医疗科研难题，降低医疗科研门槛，唤醒沉睡的临床医疗数据，促成临床-科研-临床转化闭环。

在探索医学影像的国际化产学研用过程中，汇医慧影也关注到更普惠的科研需求，特启动Radcloud全球智慧科研百人助推计划——在全球范围内征集医疗科研课题需求，从选题方向、创新性、学术价值、临床价值等方面，遴选100位伙伴，开放提供Radcloud个人版本使用权限及汇医慧影科研团队助力，让更多走在科研第一线的医务工作者享受智慧科研，加速科研成果转化。

同时，课题组版本、多中心版本也同步开放试用申请通道，汇医慧影期待与您一起，让科研创想变现，让数据赋能临床，加速实现全民健康。