8月8日，在磁共振（MRI）影像頂會國際醫學磁共振年會（ISMRM），史丹福大學的Greg Zaharchuk教授在一場演講中表示，人工智慧（AI）在MRI的廣泛應用中顯示出潛在的重大臨床影響，但醫學影像解讀可能並非最快落地的應用方向。
Greg Zaharchuk教授
與之相對，基於AI技術的圖像加速重建和後期增強處理很可能會率先走向應用。
他說："這些AI應用是否會成為'殺手級'應用，將取決醫療機構是否真的想提高效率。隨著時間推移，由於美國醫療保健法規的要求以對於報銷規定的變化，這一點可能會迎來重大變化。"
Greg教授說，圖像解釋（圖像分析）可能是AI與MRI結合的最遲發展的一類應用，反而其他協助放射科醫生的工具可能會有更多潛力。"其他新應用，例如使用AI來實現更低劑量甚至零劑量的釓造影等，也正在出現，雖然暫時看起來是比較狂野的想法，但可能最終會對我們的成像方式有革命性的改變"。
"殺手級"應用
要成為放射學的"殺手級"應用，AI必須滿足重要的臨床需求，Greg教授說。此外，目前使用的解決方案必須是次優的，不能最好地解決現有問題。而這新的方法則要易於實現且具有魯棒性。另一方面，新的技術還需要獲得商業角度的支持（commercial support）才能真正被投入使用。
在AI應用中，有一些不太理想的應用，包括側重於罕見疾病或放射科醫生已經很容易完成的任務的應用。它們可能不會影響患者治療與護理，或對數據的類型（例如掃描儀或populations適用人群）非常敏感，或在用於訓練算法的數據中可能缺少金標準。
Greg教授表示，使用AI來做COVID-19的CT診斷的一個難點就是如何真正得到金標準以及如何通過檢測結果對病人的診斷和治療產生正面的價值。
他說："（即使使用AI）我們醫生仍然需要對患者圖像進行檢查。我們知道COVID-19的患者可以是無症狀的，也可能會有看起來比較正常的CT成像結果。"
一個好的AI應用是什麼樣的
Greg教授說，一個好的AI應用程式應該解決常見但繁瑣的臨床任務。此外，人類醫生應該幾乎總是會認同算法的預期結果。"相關應用還需要不斷地在效率或造影劑劑量上進行改進，對次要缺陷具有魯棒性，並易於放射科醫生來決判是否需要推翻其結論。"
良好的AI應用程式的一個例子是，發現和分割腦轉移瘤-這是神經放射科醫生的一項重要任務。
他說："這些病灶中的每一個都可以分別進行立體定向放射外科手術的靶向治療，有時可以有一個病灶，有時最多可以有數十甚至近百個病灶。這非常耗時，但難度並不高。"
成像自動化
例如，AI可以啟用用於執行心臟MRI掃描的自動化系統。
再比如，AI軟體開發商HeartVista開發了基於AI的軟體，該軟體基本上可以運行掃描儀，查看圖像，然後調整採集平面planes，以便始終獲得標準化檢查。
他說："我認為，當我們考慮所有漂亮的算法時，非常重要的一點是，算法可能非常依賴以特定的方式（甚至可能是在不同的醫療部門以適當的方式）獲取的（圖像）。成像自動化"這絕對是要考慮的問題，並且是將來將重點放在AI上的一個非常令人興奮的領域。"
影像重建
人工智慧可以通過使MRI快速運行來真正提供新的價值。在將MRI掃描降低到10分鐘的目標上已經取得了進展，但更快速的掃描目前的障礙仍然存在。
例如，節省時間的序列sequences可能僅在最新的掃描儀上可用，或者可能需要供應商的商務升級。
Greg教授表示："我發現的一件經常令研究人員感到驚訝的事是，臨床放射科醫生和技術人員有時會排斥變化。因此，我們確實必須問一個問題，放射科醫生真的希望讀取更多的掃描圖像嗎？正因為意識到這一點，我們正在開發越來越快的算法。"
在圖像重建中使用深度學習仍需要解決一些問題/問題，包括：
使用k空間與圖像域空間的權衡
確定最佳損失函數和評估方法
逐像素均方誤差損失更易於優化，但會導致圖像模糊
對抗性攻擊的相關性
臨床相關信息的潛在損失
他說，然而，包括學術研究人員和公司在內的許多團體都顯示了通過深度學習減少掃描時間的能力，同時保持相同甚至達到更高的圖像質量。有斯坦福和清華背景的AI初創公司深透醫療Subtle Medical的SubtleMR軟體就已在2019年同時獲得美國FDA和歐洲CE的監管認證，在數十家醫院臨床部署也比較順利。該軟體還入選AuntMinnie 2020最佳影像軟體提名，可以在2-4倍甚至更高程度的影像加速情況下保證圖像質量的問題或增加診斷影像的信噪比與清晰度。Greg教授稱，相關技術對於諸如彌散加權成像和彌散張量成像之類的功能檢查的降噪，以及產生"超解析度" MRI檢查也可能是有益的。
AI還可以在場強較低的掃描儀上實現更高質量的圖像。
一分鐘MRI
Greg教授表示，將MRI檢查的時間縮短至1分鐘，比10分鐘的掃描更具變革性。例如，瑞典的卡羅林斯卡研究所的Stefan Skare博士及其團隊正在開發一種一分鐘的全腦MRI技術。史丹福大學的相關研究也進一步顯示運用AI可以進一步優化1分鐘影像的質量達到類似當前臨床n
一分鐘MRI將帶來許多好處，包括快速將正常和異常情況進行分類。然後，異常患者可以回來進行更長時間的檢查。Greg教授說，這可以代替急診科的CT，並可能使幽閉恐懼症患者能夠忍受較短時間的檢測。
他說："要想真正地跳出限制來思考的話，可以將MR看作是一種步入式walk-in服務。" "當您從醫生那裡獲得胸部X光檢查的處方時，你不需要預約時間。您只需接受處方，去實驗室，然後走進去即可。如果您能這麼快地進行MRI，也許這就會是未來的MRI檢查。"
後期處理應用
"在MRI後期處理中有許多潛在的AI應用，包括圖像融合/歸一化normalization，圖像分割和標準化/統一。"Greg教授說道。
對於許多任務，特別是縱向分析，圖像配準（co-registration）至關重要。他說，當不斷變化是一個問題時，進行動態時程分析也很有用。
他說："我認為大多數人都會同意現有方法費力且費時且容易出錯。使用基於深度學習的系統進行圖像融合的能力從長遠來看確實令人興奮。當與圖像分割結合使用時，它將變得非常有趣。"
同樣，圖像分割-確定病變或解剖結構的邊界-對於許多任務也至關重要。他說，現有的方法也費時費力，而且由放射線醫師在圖像上繪製出引起他們興趣的區域這種方式，從長遠來看是不可行的。
他說："此外，潛在的預測能力-查看當前的病變並預測未來的狀況可能很有價值。"
例如，Greg教授在史丹福大學的小組開發了一種深度學習算法，該算法優於目前用於預測急性缺血性中風患者未來梗死可能性的臨床標準方法。他說，深度學習在改善定量成像方面也顯示出巨大潛力，例如在腦定量結構分析、定量磁化率繪圖中。
普遍性問題
當分割來自不同供應商的掃描儀的MR圖像時，AI算法的性能可能有所不同。但是，由Wenjun Yan等人於7月1日在《放射學：人工智慧》上發表的研究表明，一種適應不同製造商的結果的方法可以提高通用性。
"因此，我認為未來的問題之一是，我們應該為每個不同的掃描儀訓練深度學習模型，還是應該嘗試使所有掃描儀看起來都一樣，並訓練單獨的深度學習模型？" Greg教授說。
Greg教授表示，AI後期處理應用程式在面對掃描儀類型，技術人員錯誤和不同動態時，必須具有魯棒性。如果要求放射科醫生實時使用，則還需要將它們緊密集成到PACS軟體中。比如SubtleMR就兼容所有設備商的磁共振掃描儀以及所有下遊PACS軟體。他說，關於如何將這些應用商業化存在很多機遇與挑戰。
影像解讀
Greg教授指出，最近的研究表明，基於AI的系統在腦MRI檢查中診斷19種常見和罕見疾病方面的性能可媲美學術神經放射學家。
但是自主AI會很快出現在解讀醫學圖像的科室嗎？ 7月，美國放射學院和RSNA向美國食品和藥物管理局（FDA）發送了一封信，表明他們認為，由於技術等原因，不應在此時實施自動AI（即沒有放射線醫師參與讀圖使用的AI）安全問題。
他說："看到FDA如何處理[自主AI技術]將非常有趣。" "但是，作為放射科醫生的輔助手段，這些（類型）技術可能很快會在不久的將來找到應用。"
Greg教授表示，基於人群的影像AI的概念也引起了人們的興趣，即識別圖像上的信息並不重要，但具有預後價值。這些發現可能包括冠狀動脈鈣化評分，肺纖維化，白質高信號，椎體骨折和骨質減少以及肝脂肪變性。
Greg教授說，算法可以在後臺運行，並把患者再引薦給醫生，進行風險調整。
不同方向的新應用
例如，深度學習可通過使用較低劑量甚至不使用基於釓的造影劑來提高患者安全性。此外，AI可以用於模態轉換，例如從MRI數據生成偽CT圖像，以在PET / MRI重建管道中提供MR衰減校正。
此外，深度學習算法可用於預測，例如，如何通過MRI分析在PET上測量腦血流量。 Greg教授說，類似的人工智慧有可能可以助理實現零劑量FDG-PET腫瘤成像，將成像和臨床數據相結合以協助放射科醫生。
Greg Zaharchuk教授簡介
Greg Zaharchuk，深透醫療首席醫學顧問、斯坦福教授及知名放射科醫生，並擔任斯坦福醫學院前沿神經影像實驗室主任。Greg在美國從醫數十年，獲得過美國放射學與生物醫學影像研究學會的傑出研究者獎（Distinguished Investigator Award）等多個獎項，擁有多項專利。
聲明：本站轉載此文目的在於傳遞更多信息，並不代表贊同其觀點和對其真實性負責。如涉及作品內容、版權和其它問題，請在30日內與本網聯繫，我們將在第一時間刪除內容,本網站對此聲明具有最終解釋權。