人工智能辅助的多器官影像判读

2019-02-07

人工智能的广泛部署将基于一种通用系统,该系统能够无缝集成到现有工作流和IT架构中。更快、更精确地评估胸部CT图像上多个解剖结构和器官,无疑将推动人工智能成为直观影像判读的辅助手段。

点击下载白皮书 1.9 MB

推进人工智能部署并充分利用其优势的一个关键先决条件,是存在一个全面的、易于使用的临床常规项目解决方案。这个解决方案与现有医学影像存档与传输系统(PACS)的兼容性尤为重要,这是人工智能成功应用于医疗机构的关键。加拿大放射学家协会[1]发布的一份技术白皮书证实:“最终,推动临床采用人工智能系统的因素,可能是将人工智能应用集成到图像判读工作站的医学影像存档与传输系统(PACS)的可实行性和有效性。”换言之:人工智能不应彻底倾覆原有的工作流程,而是应该以更多不同的方式优化并加速放射科医生每天的工作。

一般来说,专家们认为,完全独立的诊断算法要成为放射科的常规工作的一部分,不是短期内能够实现的事情,而在不久的将来,人工智能的角色更偏向于辅助加快工作流程,推动对影像的判读 [2]

胸部影像具备的显著价值

胸部影像是借助人工智能实现多功能影像分析的一个典型例子,现已成为放射学工作中最重要的领域之一。尤其是低剂量CT肺癌筛查,其可能在未来几年进一步推动全球众多国家对于快速、可靠的影像判读的需求。

利用人工智能肺分割[3]自动定位可疑病灶并测量其2D和3D尺寸,这种简单的功能就可以节省大量时间。此外,用于确定慢性阻塞性肺病(COPD)气道阻塞和肺气肿程度的算法(Das等,2018年),或用于在CT扫描图像[4]上量化肺纤维化严重程度的算法同样具备良好的发展前景。最后,借助人工智能实现的3D可视化,如CR图像,可以简化读取的过程,增加直观性[5]

而且,多器官人工智能系统还有一个理想中的优势,以心肺疾病为例,它能够简化评估工序,并降低非正常情况被忽视的可能性。得益于现代扫描设备的高时间、空间分辨率的特点,我们甚至可以在非心电图同步、非造影剂增强的胸部CT图像[6]上进行全面的心胸评估。事实上,非心脏CT图像上有多达三分之二本应可检测出来的非正常心脏表现,如冠状动脉钙化或主动脉扩张,在放射报告中未被提及[7 ,8]。胸椎骨肿瘤或转移灶的情况亦是如此,这些在胸部CT图像上并非少见,而是仍存在较大的漏诊可能性,进而造成严重的临床后果。

特别是在转移瘤扩散检测方面,我们希望未来能够借助人工智能辅助平台,不仅可以评估单个机体部位(如胸腔)的影像,还可以评估全身的扫描图像。例如,在乳腺癌或前列腺癌的晚期,肿瘤常会转移到骨骼、肺、肝或大脑。在这方面,进一步发展的集成人工智能系统可能在未来几年为全身性评估带来显著改变。

持续改进

人工智能是一种学习型技术。近年来,人工神经网络的新结构在影像分析方面取得了显著的进展,并很有可能在未来延续这一趋势。此外,智能算法本身的性质就是通过处理大量数据并调整及优化内部参数来进行学习。这一优化过程是关键,特别是在将人工智能应用于不同的扫描设备或成像协议,或在不同的患者群体中使用。因此,人工智能系统显然需要定期的、有计划地更新来充分利用这项技术。对于人工智能辅助的影像判读,这意味着目前实际可行的解决方案在未来将得到不断的扩充和改进。云服务基础设施和用户反馈使快速调整算法成为可能,也能够将新应用整合到人工智能系统之中。


分享此页面:

Related Articles

[1] Tang A, Tam R, Cadrin-Chênevert A et al. (2018) Canadian Association of Radiologists White Paper on Artificial Intelligence in Radiology. Can Assoc Radiol J 69:120-135

[2] Loria K (2018) “Putting the AI in Radiology”. Radiology Today Vol. 19 No. 1 P. 10. http://www.radiologytoday.net/archive/ rt0118p10.shtml (last accessed June 12, 2018)

[3] Humphries SM, Lynch DA, Charbonnier J et al. (2018) Initial validation of an artificial intelligence radiology assistant for chest CT analysis. Abstract submitted to the 2018 RSNA Annual Meeting (unpublished).

[4] Humphries SM, Yagihashi K, Huckleberry J et al. (2017) Idiopathic Pulmonary Fibrosis: Data-driven Textural Analysis of Extent of Fibrosis at Baseline and 15-Month Follow-up. Radiology 285:270-278

[5] Dappa E, Higashigaito K, Fornaro J et al. (2016) Cinematic rendering – an alternative to volume rendering for 3D computed tomography imaging. Insights Imaging 7:849-56

[6] Marano R, Pirro F, Silvestri V et al. (2015) Comprehensive CT cardiothoracic imaging: a new challenge for chest imaging. Chest 147:538-551

[7] Secchi F, Di Leo G, Zanardo M et al. (2017) Detection of incidental cardiac findings in noncardiac chest computed tomography. Medicine (Baltimore) 96:e7531

[8] Balakrishnan R, Nguyen B, Raad R et al. (2017) Coronary artery calcification is common on nongated chest computed tomography imaging. Clin Cardiol 40:498-502

[9] Jokerst C, McFarland W, Swanson J, Mohammed TL (2016) Thoracic Bone Tumors Every Radiologist Should Know. Curr Probl Diagn Radiol 45:71-9

1medcitynews.com/2018/04/how-radiologists-will-use-ai/