聚焦 — 基于AI的影像解读

Martin Lindner |  2019-01-09

AI技术在简化放射学工作流程的同时,同样能帮助我们更好、更精准地理解疾病。根据影像资料预测癌症的病程,或在未来数年内成为临床常规工作的一部分。


许多专家认为,人工智能(AI)在放射学领域的运用日益增加将从根本上改变医学影像的解读。但这种技术在哪些场景具有切实可行的潜力?一般的看法是,基于AI的影像处理不仅可以加速和简化标准解读工作流程,而且还能更准确地了解疾病。最吸引人的观点之一,是利用目前尚未使用的影像信息,判断疾病的发展情况。

将AI应用于成像工作流程和解读

一项AI应用的例子是胸部成像。德国纽伦堡医院(Klinikum Nuremberg)放射和核医学科主任Michael Lell教授(医学博士)表示,许多基于算法的工作步骤已被整合到当前的成像结果中,或者至少在未来有可能作为常规解决方案。例如,AI可以显著改善成像数据和放射学报告的影像重现。除此之外,可以精确判断肺部结节和肿瘤病灶,自动量化肺容积,以及加快计算出钙化积分。

西门子医疗人工智能产品经理Razvan Ionasec证实,总体来说,机器算法可以为胸部综合成像带来支持。因此,最新的软件技术能够独立识别并采用不同颜色显示不同解剖结构和器官轮廓(例如,肺叶和主动脉)——这使得多器官成像变得更简单、更直观。Ionasec表示,这些方法在未来也可能使得多模态全身扫描能够自动评估。

如今的大量AI应用程序都能为放射科医师提供辅助功能,旨在促进影像解读中的观察认知步骤,避免疏失犯错,并改善判读过程的结构。Lell教授解释说,比如有一个很常见的场景,智能算法可以帮助整理这些数量庞大的影像,按照发现异常的情况进行排序,并为医师提供按紧急程度排序的工作清单。

基于影像数据的疾病表型

然而,人工智能的潜在应用远不局限于更高效的工作流程。奥地利维也纳医科大学(Medical University of Vienna)计算影像研究实验室的Georg Langs强调,人工智能还为个性化成像和治疗开辟新的道路。其中一项关键因素是可量化成像生物标记(从放射学数据中提取),利用该生物标记可以更精确、更详细地对疾病过程进行分类。Langs表示:“人工智能可以将人力难以处理的海量数据整理成有序的数据。”

预测癌症复发

另一个实例令人印象更为深刻:使用磁共振(MR)技术的乳腺癌成像。如今,放射科医师已经利用各种MR影像特征来区分良性和恶性病变,例如切缘形状、对比度增强和水肿的存在。

但是,MR影像的这些特征通常没有进行定量评分,仅进行定性评估。此外,大量成像信息无法为人眼所见。相反,在体素基础上利用计算机分析来评估数百个可通过算法定义的个体成像参数,以确定信号和对比度行为、表面形态和病变的内部纹理等。借助机器学习算法,它可以识别出某种疾病特定的成像特征。这种基于数据的影像判读方法也称为放射组学。

目前的多项研究表明该方法具有可观潜力。尤其是乳腺癌复发的风险也可以根据成像数据进行估算,如同当前可通过分子遗传学检测进行评估一样。[1]这可以为未来无创伤、以影像为先导的肿瘤分析提供可能性。然而,这些非常有前途的研究仍处于起步阶段。未来五到十年内,我们将看到这些假设的哪一部分具有实际意义,而哪一部分只是纯粹的空想。与此同时,从最初意义上的图像到“数据和信息载体”,医学影像的重要性正在发生变化,这一点已经显而易见。借助人工智能对影像进行判读很可能在这一方面起到重要作用。

关于作者

Martin Lindner是一名屡获殊荣的科学作家,居住在德国柏林。在完成医学研究和医学史博士论文之后,他投身新闻界。他的文章刊载于德国和瑞士的多家主要报纸和杂志上。


分享此页面:

Related Articles

[1] Li H, Zhu Y, Burnside ES, et al. (2016) MR Imaging Radiomics Signatures for Predicting the Risk of Breast Cancer Recurrence as Given by Research Versions of MammaPrint, Oncotype DX, and PAM50 Gene Assays. Radiology 281:382-391

本文提到的产品和功能正处于开发中,并未上市。无法保证未来的可用性。
本文所示的成果和陈述在奥地利维也纳举办的2018年欧洲放射学大会(European Congress of Radiology)期间进行了讨论。

西门子医疗在本文中所描述的成果,是基于在客户独特环境中所取得的结果。由于医院并不存在“典型”模板且存在诸多变量(例如,医院规模、病例组合、IT采用水平),因此无法保证其他客户将获得相同的结果。