医学影像非诊断类人工智能(AI)的研究进展

王可欣， 邱建星

人工智能(artificial intelligence，AI)工具已经用于医学影像科临床工作中，在图像处理、影像诊断、流程优化等方法取得了一定的成果。AI涉及多种技术，包括传统机器学习(machine learning)和深度学习(deep learning)算法两大类; 从应用的角度，可分为图像、表格类数据、自然语言和语音处理等; 在图像处理方面以影像组学和卷积神经网络是现在的热点技术。AI工具的应用场景多样，除了用于辅助诊断，还可以用于流程优化。本文重点对AI的非诊断应用进行综述。

为了便于表述，本文姑且将应用于医学影像科的AI工具分为“诊断类(image interpretive)AI”与“非诊断类(non-interpretive)AI”[1]。从辅助影像诊断医生工作的角度将AI工具按功能分类，诊断类AI主要是在图像处理和报告书写过程中帮助医生完成诊断任务，而非诊断类AI主要是在工作流中帮助流程优化和完善服务。这种分类概念的外延和内涵并不完全准确，将来随着技术的进展和学科的演化可能会有更准确的定义和分类。

美国放射医师学院数据科学学院(American College of Radiology, Data Science Institute)在发布AI用例(use case)时，将非诊断类AI按应用领域分为：事务管理、患者服务、公共卫生、读片环境和技术质控等方面。另有研究者将非诊断类AI分为：图像产生和质量控制、影像科流程优化、事务管理、研究应用和影像AI教学等[2]。虽然分类不尽相同，但多数都认为AI在流程优化工具在临床应用中，目前已对影像科工作产生了直接帮助[3]。本文结合自身经验，综述部分非诊断类AI的研究和应用进展，因认识水平不足，难免有错漏之处，欢迎同行专家批评指正。

AI在图像质量方面的应用

AI可以用于提高图像质量以控制射线辐射风险和对比剂风险。随着CT的广泛应用，医学影像检查的射线辐射问题日益引起关注。MR检查虽然没有射线辐射风险，但含钆对比剂导致的不良反应也成为医疗安全关注的问题之一。因此，低剂量CT(low-dose CT)、低对比剂增强MR成为更安全的影像检查方法，但是因图像噪声较大、对比度欠佳，有可能影响临床诊断而应用受限。AI可用于降低噪声、减少伪影，从而提高图像质量、缩短扫描时间、减少对比剂用量，取得保障患者安全和提高工作效率的成效[4]。

使用更好的图像重建方法有助于提高图像质量，通过各种算法的实施目标主要提高信噪比和减少伪影。AI技术中用于图像重建的主要是卷积神经网络(convolutional neural network，CNN)，近年来对抗生成网络(generative adversarial network，GAN)显示图像降噪效果似乎更佳[5]。AI模型输入的图像来源于X线、CT、MR、超声、PET等，既可以是探测器采集的原始数据，也可以是处理后的图像数据。AI模型学习的对象既可以是图像中的解剖及病灶结构，也可以是噪声。AI模型输出的结果通常是优化后的图像。输出图像与输入图像相比，通常有更高的信噪比，伪影更少，且保持图像中相关结构的对比度。这类工作的评价通常是以医生对图像的主观评估为主，也可结合一些客观定量评价指标[6]。通过降低图像噪声，可以转换为患者安全、采集时间、图像质量等方面的获益。利用AI技术，可从低剂量CT数据产生高质量图像，影像科医生的主观评价认为其效果优于或等同于常规CT扫描[7]。通过AI模型，可利用注射极低剂量对比剂(常规剂量的10%)生成MR增强扫描，图像对比度与常规增强MR图像类似[8]。

AI在影像质控方面的应用

AI应用于医学影像科的质控要求对合适的患者以恰当的方法取得合格的图像，并即时准确地生成影像诊断报告。

AI可以用于判断图像质量以辅助影像技术的质控工作。影像检查的质控主要关注图像质量是否合格。技师通常在采集图像之后通过观察图像中组织结构的显示来评价图像是否合格。通常图像质控的要点有：扫描范围、曝光条件或序列参数、动态增强扫描期相、图像伪影等。技师判断图像不合格时，可采取适当措施予以补救，必要时再次采集图像。主观评价要求承担质控任务者具备一定的经验，且质控在检查完成后，有一定的滞后性。AI模型有望用于判断图像质量，且与图像采集直接整合，在检查当时发现问题即提醒技师立刻处理，对全部检查均可有效率地完成质控任务[9]。

使用AI算法可以模拟技术专家评估图像质量。例如心脏超声检查中要通过标准的解剖定位以评价特定的心脏功能异常，人工定位不易保持精准，通过AI技术可以评估解剖定位是否达到质量要求，以保证超声测量值是可靠的[10]。胸片是影像科最常见的检查工作，使用AI技术可以在投照完成之后立即自动判断是否有肋膈角包括不全、患者体位是否有旋转、患者吸气是否恰当等[11]。新生儿MR图像常因存在运动伪影或信噪比低而影响诊断，使用AI技术可以即时发现这些情况[12]。总之，通过对AI技术对图像质量的即时评估、即时反馈可以监视图像形成过程，以达到质量要求，保障诊断需要。

AI在优化效率方面的应用

AI可以用于缩短扫描时间和后处理时间以直接提高影像工作效率。目前影像科的检查项目中，MR扫描的人次平均时间较长，检查效率不高。既往通过k空间不全采样(incomplete k-space sampling)、并行成像(parallel imaging)、压缩感知(compressed sensing)等技术提高扫描速度，但仍有一定的局限性。在上述技术的基础上，将AI用于MR图像处理可以保证在缩短扫描时间时保持较高的图像质量，提高MR工作效率[13]。AI工具可以用于提取影像中的定量信息，如使用AI技术可以从DCE MRI动态图像中自动提取出Ktrans相关参数[14]，从ASL序列中提取出组织灌注参数[15]等，这种自动的处理可以减少繁琐的图像后处理工作，提高后处理的工作效率。

AI可以用于优化工作流程以提高工作效率。AI在优化效率方面的应用日益受到影像科管理者的关注。在影像科日常工作中，将患者、设备、工作人员的负荷精准匹配，是非常复杂的任务。以MR检查为例，由于设备功能各具特色，在不同扫描设备上完成相同检查所需的时间不同，在相同设备上完成不同检查所需的时间也不一致；有些检查可以在全部设备上进行，有些检查仅能在某些设备上进行。有研究通过收集信息系统中人员信息和设备信息，以机器学习或深度学习的方法分析影响患者预约时间、候检时间的因素，对可能的爽约(no show)做出预测，就可以调整预约策略，以提高患者到检率，提高设备利用率。也有研究使用AI优化预约队列，缩短了患者等候时间，增加了单位时间内的MR检查数量[16]。基于AI对工作人员排班和设备开机时间进行管理，在不延长工作时间的情况下，提高检查量，对工作人员和患者是双赢的[17]。

AI在其他非诊断工作的应用

AI工具可以用于提高报告效率和满意度。医学影像工作的价值一方面体现在提供有意义的诊断信息用于诊疗活动，另一方面体现在患者和临床医生的满意度。将AI工具与信息化工具整合，可以为临床医生和患者提供更加快速、准确、直观的结构化报告，提升满意度。通过优化IT系统可以将AI生成的结果直接返回到结构化报告，使影像诊断医生可以方便地利用AI结果[18]。将AI产生的病灶标注区域自动地发送到多媒体报告(multimedia radiology report，MERR)中[19]，临床医生和患者就可以在移动端直接查看文本报告和病灶的关键图像，从而更直观地了影像检查的结果。基于规则和算法可以自动发送危急值警告、产生随访建议和推荐意见，并可以自动生成对报告的解释，使得报告信息充分发挥作用，实现影像工作的价值[20]。

AI工具可以用于辅助医学影像相关科研工作。NLP工具对科研数据的提取有帮助。从临床材料中提取科研记录时，常需要在医学文档中找到数据。既往日常工作中的临床记录多是自然语言文档，需要花费大量的时间去检索、录入、核查，因此大样本的临床研究成本很高。通过NLP自动提取文档中的关键信息，有利于高效、准确地整理临床资料[21]。使用AI图像分类模型可以对医学影像图像进行初步筛选和分类，包括扫描范围、期相；图像中解剖结构是否正确等，用于科研过程中图像的整理。使用AI图像分割模型可以对图像中的解剖结构和病变进行分割，然后做出精确的定量评价，如：径线、体积、密度/信号强度、增强曲线和功能参数等。AI模型的效率高、分析结果一致性强，对于定量研究非常有益。

AI工具可以用于辅助医学影像相关教学工作。AI技术既是医学影像教学工作的内容，也是教学的辅助工具。既往医学教育中数学、统计和计算机内容较少，临床医学工作者理解AI有一定困难。国外多个地区的医学影像专业学会很关注这个问题[22-23]，认为应对使用AI和研发AI的医学工作者进行继续教育，修改大学课程和住院医师规范化培训课程，增加AI相关的培训和考核。未来的医学影像工作者必须有足够的AI知识，才能适应AI新技术带来的工作模型转变，并促进学科发展。

AI工具也可以用于辅助教学[24]。通过收集医学生和住院医师在工作和学习过程中的资料，可对其学习表现进行精细化评价，根据评价结果安排后续的学习活动，教学过程因人而异，对学生的知识体系进行个性化评价，查缺补漏，有利于高效地完成学习，使不同入学水平、不同转轮计划下的学生均达到同质化的高水平。

AI研究和应用的问题和挑战

非诊断类AI与诊断类AI有相似之处，因此二者面临的问题和挑战类似。与诊断类AI相关，非诊断类AI研究和应用中的问题很多，主要有：合格数据的获取、模型的泛化和伦理问题等。另外，非诊断AI更多地关注流程数据，涉及人类活动数据的收集和处理，利如对技师工作效率、医师诊断准确性、学生学习成绩等数据的处理，这些情况在诊断类AI是不涉及的，因此其问题和挑战也有其独特之处。

非诊断类AI获取数据不难，常从信息化工具提供的metadata(元数据)而来[25]，数据量通常也较大，但数据的结构化困难非常大，影像工作中人类活动的本体(ontology)概念还不完善[26]，使得大规模的模型共享、系统集成、知识获取和重用都不易实现。所以当前部分非诊断类AI的研究和应用有强烈的环境依赖，未来模型泛化的可能是受限制的。

非诊断类AI关注的结局常常是人类行为表现、人类内心体验等，其评价指标与诊断类AI不相同，其度量指标(metrics)和参考标准(ground truth)与应用场景密切相关，不可一概而论[27]。在度量指标和参考标准不一致的情况下，对AI工具的效能评价可能不一定反映其本质，不同AI工具的评价和比较也不容易实现。

非诊断类AI的伦理困难尤其实出[28]。诊断类AI通常是在在匿名化(annoymized)的数据集上用于训练模型，模型训练过程中的数据基本与特定的人无关。但非诊断类AI很多情况下以人类信息训练模型，即使把数据的标识符(ID)去除，仍有可能追溯到个人。如果非诊断类AI生成的是用户画像(profile)或个性化推荐系统(recommend system)，则AI应用过程中的伦理问题更加严峻[29]。

总之，无论是诊断类AI还是非诊断类AI，医学影像AI的最终目标是提升价值，为患者提供更好的服务。非诊断类AI更多地关注患者和医务工作者，通过流程优化为医疗、教学、科研和管理提供辅助帮助[30]。