人工智能在醫學影像分析的應用范文

本站小編為你精心準備了人工智能在醫學影像分析的應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

摘要:文章首先介紹了人工智能的概念與發展現狀，之后闡述了智能醫學影像分析的發展背景及相關技術，接著從智能閱片、智能放療以及病理圖像智能分析3個方面對其應用現狀進行了說明，最后討論了智能影像分析在發展中存在的問題，并對其未來進行了展望。

關鍵詞:人工智能；醫學影像；分析；應用

當前，醫療數據中有90%來自醫療影像（X-ray、CT、MRI等）且還在不斷增長。目前大部分醫學影像數據還需要花費大量的人力進行分析，圖像復雜，工作量大等諸多因素都很有可能降低對診斷的精準度。因此，面對快速增長的影像數據，采用人工處理方式越來越不能滿足臨床診斷的需求[1]。人工智能是一門包括計算機學科、數學等多種學科在內的新學科，其中數據資源、計算學習能力、算法模型等基礎條件將成為人工智能發展的重要力量。近年來越來越多的人工智能方法通過改進或結合傳統圖像的處理方法，應用到醫學圖像中，這些新技術的應用在提高影像醫生的工作效率的同時，還能提高診斷的準確率[2]。2017年，國務院正式印發《新一代人工智能發展規劃》，其中提出了加快人工智能創新應用，實現智能影像識別、病理分型的目標。

1智能醫學影像分析概述

早在20世紀80年代，研究者就開始嘗試利用計算機模擬人的大腦結構進行計算，設計出了人工神經網絡，經過幾十年的發展，特別是近些年深度學習技術在理論和工程方面的突破，人工智能系統的性能不斷提升，在人臉識別、自然語言處理、機器翻譯等領域取得了許多革命性的進步。深度學習是當前人工智能領域研究最多，也是應用最多的算法[3]。相比傳統算法，深度學習在處理圖像時具有明顯的優勢，因此越來越多的研究者將深度學習技術應用于醫學圖像分析任務中。采用深度學習技術構建醫學人工智能模型不需要告訴計算機具體的診斷規則，通過大量標注的圖像數據進行模型訓練就能達到很高的準確率。深度學習是一個黑箱模型，對使用者很友好，用戶只需關注系統的輸入和輸出，不需要完全明白其中間的處理過程就能快速使用，這一點有利于智能影像處理系統的推廣應用[4]。當前，影像醫生的水平參差不齊，大醫院的水平較高，就診的病人眾多，從而導致影像醫生每天的工作都非常辛苦。另外，高水平的醫生也存在漏診、誤診的情況。在一些醫療水平相對較低的偏遠地區雖，影像醫生的水平更得不到保證。將人工智能技術應用在醫學影像分析，一方面可以提高醫生的工作效率與準確率，減輕大醫院醫生的工作負擔；另一方面，這些技術可以很容易地部署在偏遠地區，提高當地的影像診斷水平。

2智能影像分析相關應用

2.1智能閱片

人工智能可以首先判斷平片中是否存在病灶，之后醫生對判別的結果進行審核，幫助醫生合理有效地分配時間精力。當前，一些智能閱片系統不僅可以識別病變，還可以對病變的性質進行判斷。一般而言，憑借影像大數據以及臨床指南，智能閱片系統能夠不斷學習，進而形成對于病癥種類的判斷標準，具有長時間不間斷工作的能力和較高的穩定性。深睿醫療的人工智能產品深睿醫生Dr.Wise在影像輔助診斷方面表現優秀。該款產品可用于肺癌、乳腺、腦卒中、急診骨折等病種的輔助篩查與診斷，具有早期診斷、輔助決策、輔助治療等功能，尤其擅長肺癌的早期篩查，僅需30秒即可對肺癌做出診斷，在肺結節檢出的敏感性及特異性已達到國際領先水平，其準確率達98.8%。目前已經在超過100家醫院進行應用，其中70%為三甲醫院。

2.2智能放療

在腫瘤治療領域，放射治療是治療腫瘤主要方式之一。腫瘤放療過程復雜，包括模擬定位、計劃設計、計劃驗證、治療實施等，其中勾畫靶區是非常重要的一環。這項工作主要有放療師完成，但目前全國范圍內的放療師十分缺乏，且放療師都集中在大型三甲醫院，普通醫院，特別是基層醫院很少配有專職的放療師，因而即使有放療設備也很難開展放療工作，從而導致患者都去大醫院治療。放射治療是采用各類射線對腫瘤細胞進行處理，危害較大，需要對治療的區域進行準確勾畫，防止對正常細胞造成危害，每次治療前，放療師都要對病人的CT圖像進行手動標識，一個病人需要耗費幾個小時，工作效率較低。為此，醫療人工智能企業都開始研發智能放療系統，希望提高放療師的工作效率，緩解放療師匱乏的問題。連心醫療研發了一套腫瘤臨床治療系統，該系統使用基于醫學影像大數據的人工智能算法，幫助放療師進行腫瘤治療的靶區勾畫，能夠智能識別腫瘤以及周邊的器官，準確率超過80%，在很大程度上提高了放療師的工作效率。目前這套系統已經在許多醫療機構進行試用。

2.3病理圖像智能分析

現階段，我國病理醫生嚴重短缺，注冊的病理醫生只有1.02萬，與規定的每100張床配備1～2名病理醫生的標準差距懸殊，病理醫生的缺口總數達9萬人以上，目前病理醫生只滿足了10%的醫療需求。病理醫生的巨大缺口就導致了現有的病理醫生工作強度較大。通常，病理醫生花費時間較多的任務是檢查細胞病理切片，他們需要在上億級像素的病理圖片中識別微小的癌細胞，即使是有經驗的醫生也會出現誤差。隨著全切片圖像數字化技術的發展與應用使病理切片的獲取更加方便，大量定量分析算法應運而生，因此，許多科技公司將人工智能技術如深度學習應用于病理數據的分析，能夠有效提高病理診斷的效率和準確率，可以說，人工智能在病理界的應用前景十分巨大。武漢蘭丁公司研發的全自動數字(遠程)病理細胞分析儀就是一個典型實例，該產品在數百萬份已標注的樣本中學習如何辨別癌細胞與正常細胞，能夠持續學習。相比傳統的依靠顯微鏡和肉眼的診斷方式，結果更加客觀、準確，效率也明顯提高，最重要的是診斷過程是透明的，可回溯的，一旦出現錯誤診斷能夠快速查明原因。必須指出的是，采用人工智能進行病理分析后的結果不是最終結果，還需讓病理醫師對分析結果進行復核，防止出現錯診。

3討論

就目前來講，人工智能在醫學影像分析領域所取得的成果還遠沒有達到預期?，F階段的應用大都集中在較為簡單的疾病領域或是特定的疾病，應用價值相對較低，不具備進一步推廣的潛力。此外，深度學習作為智能影像分析的重要技術，還存在許多問題需要解決。在具體應用中，選擇具有代表性的特征用于構建模型是非常重要的，那么如何找出有特征的模型進行學習，如何解決多參數做調整的問題，如何在硬件設施越來越好的條件下，讓學習效率做更有效的分配或調整，這些都是未來應用深度學習進行醫學影像分析必須要解決的?？傊?，深度學習在醫學影像分析中有很大的潛力，能通過分析大量影像數據建立模型，不需要手工干預，其可發展性非常之大，值得進一步研究。伴隨人工智能的快速發展，醫學影像與人工智能的結合將會越來越多，不僅僅只局限在閱片、放療、病理診斷方面。過去的幾年間，眾多產品的落地，使人們已經感受到了其帶給我們的巨大改變。相信在未來智能醫學影影像分析一定能發揮出更大的價值。

參考文獻

[1]金征宇.前景與挑戰：當醫學影像遇見人工智能[J].協和醫學雜志，2018（1）：2-4.

[2]王弈，李傳富.人工智能方法在醫學圖像處理中的研究新進展[J].中國醫學物理學雜志，2013，30（3）：4138-4143.

[3]吉浩，曾凡榮，趙亞妮，等.人工智能在醫療影像診斷領域的研究進展[J].大醫生，2017（8）.

[4]王霄英.人工智能在醫學影像中的進展——2017年RSNA參會感受[J].放射學實踐，2018（2）：101-103.

[5]宋彬，黃子星.人工智能在影像學的發展、現狀及展望[J].中國普外基礎與臨床雜志，2018，25（5）：523-527

作者：金子日 單位：北京市第八中學