放射學中的人工智能:當前應用和未來技術

在過去的五年中，關於人工智能(AI)在放射學中的應用的研究一直在以令人難以置信的速度增長。PubMed的一項搜索顯示，在2018年之前，隻有不到500份年度手稿包含“人工智能”和“放射學”這兩個術語。然而，在2018年，這一比例翻了一番，達到了1000篇左右，在2019年和2020年，這一數字達到了2000篇左右。很明顯，人工智能在放射學中的應用正在獲得勢頭，主要是因為其增強該領域的潛力。許多研究表明，人工智能能夠提高放射科醫生的效率，突出緊急病例，增加診斷的信心，減少工作量，並幫助告知患者的預後和治療策略。因此，人工智能實際上可以增強放射科醫生提供最佳患者護理的能力，而不是像曾經懷疑的那樣與放射科醫生競爭。人工智能有潛力通過圖像分析的三個主要步驟來改變放射科醫生的工作:檢測、表征和監測。這篇文章將回顧當前AI研究在每一個類別的現狀，並強調這些發現對未來放射學實踐的潛在影響。

檢測

檢測是指在圖像中標記和邊界一個可能包含病變或異常的特定子區域的過程(Montagnon et al. 2020)。目前幫助放射科醫生檢測感興趣區域的技術被稱為計算機輔助檢測(CADe)。然而，目前的CADe係統受到高假陽性率和高勞動力需求的限製，因為每個標記都需要放射科醫生進行評估。此外，每個CADe算法都是特定於任務的，不能在疾病和成像模式之間推廣。一些關於乳房x光片解讀的研究強調了這些局限性，報告稱，放射科醫生“在查看預定義的、基於特征的CADe係統的結果後，很少改變他們的診斷決定”，而且使用這些係統“對放射科醫生的表現沒有統計學意義”(Hosny et al. 2018)。

人工智能CADe係統的提出是為了解決當前檢測技術的局限性。基於人工智能的檢測工具利用模式識別及時評估大量圖像(Hosny等人，2018年)。微妙的可疑區域，否則可能被人眼忽略，迅速突出顯示並呈現給讀者(Bi等人，2019年)。除了提高放射科醫生的敏感度，基於深度學習的CADe係統還可以幫助確定任務優先級，因為高亮顯示的圖像可以升級到讀取隊列的頂部(Mouridsen等人，2020年)。

人工智能CADe係統的潛在優勢已經可以從圖像篩選的幾個領域的初步研究中看到。最近的研究強調了基於深度學習的CADe係統在CT上檢測肺結節的能力(Rauschecker et al. 2020)。在乳房x光造影中，卷積神經網絡(CNN)已被證明在低靈敏度下優於傳統的CADe係統，同時在高靈敏度下表現出類似的性能(Jung et al. 2018;Ribili等人。2018)。此外，AI CADe係統的性能與人類乳房x光片閱讀器相似(Kooi等人，2016年)。在2020年一項涉及冠狀動脈ct血管成像的研究中，人工智能應用能夠在兩分鍾內準確檢測出冠狀動脈疾病，這可以幫助未來的放射科醫生優先選擇CCTA圖像的陽性結果，以獲得更詳細的報告(Van Assen等人，2020年)。AI CADe係統也被用於神經學中識別顱內LVOs，具有極好的敏感性(82%)和特異性(94%);實施這些係統還可以通過向高級醫生提醒該病例來幫助確定任務優先級(Mouridsen等人，2020年)。所有這些發現都強調了在開發未來高性能CADe係統中使用AI的實用性。

描述

定性指的是確定病理發現的特定性質，如大小、程度和內部結構。這些特征可用於將病變劃分為不同的診斷類別(良性vs惡性，病理亞型)。目前的特征描述技術包括計算機輔助診斷(CADx)係統，該係統與CADe係統類似，基於預定義的鑒別特征，缺乏可泛化性(Montagnon等人，2020年)。這可能會限製它們的效用，因為定性描述通常難以定量定義和衡量(Hosny等人，2018年)。由於人類僅通過視覺檢查所能識別的定性特征數量有限，導致讀者之間缺乏標準化和顯著的差異性，這一限製被放大了(Montagnon et al. 2020)。例如，由於出現了惡性和良性病變，人類閱讀者往往難以準確識別高危肺結節非常類似。此外，對於任何病理，放射科醫生通常需要手動定義感興趣區域的邊界，這可能會導致分析中遺漏亞臨床疾病(Bi et al. 2019)。

人工智能有潛力克服這些限製，因為它能夠以可複製和及時的方式考慮大量的定性特征。基於深度學習的算法特別有前途，因為它們能夠從患者群體中學習，而不需要預先定義區分特征。此外，AI算法可以解釋它們檢測到的每個定性特征的相關性程度(Hosny等人，2018年)。最令人印象深刻的是，AI CADx係統已被證明可以預測腫瘤對不同治療方案的反應，因為它們能夠檢測出表明不同突變和亞型的微妙特性。這些工具可以幫助提供者了解他們應該首先嚐試哪種治療策略，而不需要侵入性活檢，因為可能無法獲得具有代表性的樣本組織。

對於肺結節，CNN已被證明在區分良性和惡性分類方麵比傳統CADx係統具有更高的性能，因為它們能夠在更高的噪聲容忍度下工作(Hosny等人，2018;Nasrullah等人。2019)。此外，在一項針對非小細胞肺癌患者的研究中，AI CADx算法能夠使用CT圖像顯著預測哪些癌症包含EGFR突變，為吉非替尼的潛在治療提供信息(Bi et al. 2019)。深度學習算法也得到了訓練，可以在磁共振成像(MRI)上對前列腺癌進行精確分類，這可以促進早期治療，並減少不必要的前列腺活檢和前列腺切除術的數量(Bi et al. 2019)。另一項研究報告稱，一種人工智能係統能夠使用MRI成像來精確生成腦腫瘤分類差異，其水平超過了人類的表現。該算法在其前三個鑒別診斷之一的準確率為91%，優於學術神經放射科醫生(86%)、研究員(77%)、普通放射科醫生(57%)和放射科住院醫生(56%)(Rauschecker et al. 2020)。通過識別與IDH1/IDH2、EGFR、MGMT和/或染色體1p和19q改變相關的影像學特征(80%的敏感性和95%的特異性)，大腦MRI AI算法也能夠將膠質瘤劃分為分子亞型(Bi et al. 2019)。這種程度的特征是重要的，因為它提供了整個腫瘤的表型，而不是隻從活檢中獲得腫瘤的核心，這可以更準確地指導治療。從這些研究中可以清楚地看到，在放射學中實施AI CADx係統可以大大提高準確性、細分和治療策略。

監控

監測是指隨著時間的推移，對已確定的病理進行縱向隨訪，以評估自然曆史或治療反應的變化。在實體腫瘤監測中，放射科醫生目前使用實體腫瘤反應評價標準(RECIST)或世界衛生組織(WHO)標準等協議(Hosny等人，2018年)。盡管這些標準多年來已經得到驗證，但它們因過於簡化的方法而受到批評，可能會遺漏更細微的變化特征(Bi等人，2019年)。這些特征可能包括紋理或異質性的輕微變化(Hosny等人，2018年)。

基於人工智能的監測可以通過捕獲大量人眼無法檢測到的鑒別特征來補充這些協議。識別這些細微特征的能力使基於人工智能的監測係統能夠提供更清晰的腫瘤演化圖像。一項最重要的研究證明了AI在病變監測方麵的有效性，該研究描述了一種能夠區分腦腫瘤進展與治療相關變化的算法(Bi等人，2019年)。放療和化療可導致對比度增強病變擴大，稱為“假進展”。放射科醫生很難區分假進展的外觀和實際的腫瘤擴展。已經證明，機器學習算法可以成功區分與治療相關的變化和病理性腫瘤(Bi等人，2019年)。這些算法通過結合大量放射科醫生難以評估的定性圖像特征來實現這種能力。

基於人工智能的監測技術不僅可以準確檢測活性腫瘤的進展，還可以預測腫瘤切除後的複發區域。一項MRI研究表明，一種人工智能算法能夠識別在對比後圖像上人眼無法檢測到的腫瘤細胞浸潤新邊緣(Liu等人，2019年)。利用這些信息，算法隨後在周圍組織上創建了一個預測空間圖，繪製出每個區域腫瘤複發的可能性(Liu等人，2019年)。該算法可以幫助醫生決定擴大組織切除的麵積，以提高術後緩解率。此外，該技術可以幫助放射科醫生更仔細地監測後續成像，因為他們要特別注意標記有高複發概率的區域。

總之，人工智能在放射學領域的應用機會是巨大而令人興奮的。目前的研究強調了人工智能在增強診斷成像護理方麵的潛力。病理學檢測、表征和監測方麵的進步隻是人工智能在未來幾年有望給該專業帶來革命的幾個方麵。改進的成像分析將導致更及時和更有針對性的診斷和治療，最終將改善患者的預後。在不久的將來，放射科醫生和人工智能技術之間的合作將開始重新定義未來幾年的成像護理。

的利益衝突

一個也沒有。