機器之心原創
作者：付海天、樊曉芳
新冠疫情的肆虐，牽動了無數人的心弦。CT影像是新冠肺炎診斷的重要依據，大量疑似病例的CT影像診斷和確診患者的CT影像評估給影像醫生帶來了沉重的工作負擔。醫學影像AI公司紛紛在此次疫情中貢獻力量，推出新冠肺炎CT診斷產品，輔助影像醫生在有限的時間內對海量CT影像進行快速診斷。實際上，在新冠疫情之前，醫學影像AI產品就已經走在商業化道路之中，能夠對X光、CT、MR、病理圖像等多種影像類型進行識別分析，並在肺結節、乳腺癌、腦卒中等多個病種診斷中取得相當效果。此次疫情讓醫學影像AI產品受到更多關注與認可，醫學影像AI公司也將迎來一波新的發展機遇期。
醫學影像是醫療數據最密集的領域，醫療數據中超過80%來源於醫學影像，人工智慧技術已經應用在醫療行業多個領域，但醫學影像是應用最成熟的領域之一。深度學習算法模型的訓練需要海量數據支撐，醫學影像由於其數據密集的特性，讓以深度學習為代表的人工智慧技術有了廣闊的發揮空間，而其中又以X光、CT等類型影像的識別分析最為成熟。
醫學影像成像設備及醫學影像信息系統
封閉的醫療體系已經無法滿足醫學影像AI快速發展的需要，醫療機構、影像AI開發商等各方協作與聯合成為必然趨勢。醫學影像算法模型的訓練需要以大量的優質標註數據為基礎，單個醫院的影像數據難以滿足影像AI模型訓練的要求，醫聯體和區域影像中心的建立為影像數據流通和數據價值發揮奠定了堅實基礎，多地也已成立區域級的影像聯盟，促進了醫學影像技術交流和數據流通。
政策開閘是醫學影像AI產品走向商業化的重要因素。2017年8月，CFDA發布了新版《醫療器械分類目錄》，新增了與人工智慧輔助診斷相對應的類別，醫學影像AI產品開始進入審批通道，個別企業獲得了二類器械許可證並開啟了初步的商業化，但醫學影像AI產品的三類器械許可證審批始終引而不發。2019年7月器審中心發布了《深度學習輔助決策醫療器械軟體審評要點》，對醫療AI產品的數據質量控制、算法泛化能力、臨床使用風險等問題進行了規定，相關醫學影像AI產品的審批也進入了綠色通道。2020年1月，國家藥品監督管理局審查批准了我國首個應用人工智慧技術的三類器械-冠脈血流儲備分數計算軟體的註冊，與此同時，其它多個醫學影像AI產品也正在註冊審批隊列中。隨著醫學影像AI產品三類器械許可證的審批加速，醫學影像AI產品商業化將迎來一波新的發展浪潮。
機器之心希望通過本報告《開啟醫學智慧之眼——醫學影像中人工智慧技術應用現狀及展望》，介紹現有人工智慧技術在醫學影像中的應用現狀、未來技術發展及落地應用趨勢，向醫學影像AI產品開發商、醫護人員、醫學影像設備製造商、算法工程師等相關從業者提供詳實的調研參考，並幫助讀者對該領域形成系統性見解。
報告目錄
部分應用案例
4.1.1 乳腺癌
乳腺 CAD 被廣泛應用於 X 線攝影診斷乳腺癌的過程，主要用於提高鈣化灶和腫塊被檢出的精準性，鈣化是乳腺癌早期的重要表現，腫塊是乳腺癌的直接定位依據。乳腺 CAD 對鈣化點檢測效果比較理想，但在腫塊檢測方面，由於早期的隱匿性乳腺癌腫塊尺度較小、邊緣模糊、對比度低，與正常乳腺組織極其相似，辨識特徵不太明顯。
谷歌和聖地牙哥海軍醫學中心合作開發了 AI 系統「淋巴結助手」(LYNA)，LYNA 基於開源圖像識別深度學習模型Inception-v3 開發出來，研究人員訓練模型時將 LYNA 模型置於到了 2016 年癌症細胞檢測競賽（Camelyon16）的癌症轉移數據環境裡，該數據集來自於 Radboud 大學和 Utrecht 大學醫學中心，裡面包含了 399 個淋巴結切片的玻片圖像，以及來自 20 名患者的 108 張圖像。它對 270 個載玻片（160 個正常，110 個腫瘤）進行了訓練，並使用了兩個評估集—一個由 129 個載玻片組成，另一個由 108 個載玻片組成，來進行性能評估。在轉移性乳腺癌的檢測精度測試中，LYNA 的準確率達到99%，超過人類的檢測準確率。
4.2.1 CT 三維重建
常規 CT 二維圖像缺乏三維空間觀感效果，對病變特徵的顯示受到了較大的局限。三維重建成像是基於高質量橫斷面掃描影像的技術，隨著高速掃描技術的發展為三維重建成像提供了可能。醫學三維重建技術涉及到醫學影像學、計算機圖像處理、生物醫學工程等多項技術，三維重建成像不僅有助於疾病診斷，也可為術前判斷提供依據，從而確定手術方案， 特別是病灶空間位置及手術入路的選擇，二維圖像不易觀察，而三維重建可從多個角度整體觀察。
GE Lightspeed 64 排螺旋 CT 機可以直觀地從不同角度觀察骨折部位、骨折線走向及移位情況。在對髁狀突骨折患者進行掃描時，患者取仰臥位，頭先進方式，掃描範圍為眶下緣至下頜骨下緣，常規掃描後應用 Volume Rending 軟體將原始圖像重建，將重建的薄層數據圖像傳至後臺工作站，運用多平面成像技術 (multiple planner reconstruction，MPR) 和容積再現技術 (volume rendering technique，VRT)，進行三維重建。根據患者骨折的類型，選擇部位進行適當旋轉切割，除去異物及多餘部分，顯示患者骨折部位及相關形態結構。
4.3.1 靶區自動勾畫
生物靶區（biological target volume,BTV）勾畫方法是指在分子生物功能 PET 影像的基礎上，將感興趣區域或者是腫瘤區利用圖像分割的方法進行勾畫。隨著分子生物功能 PET 影像技術的發展，PET 影像越來越多的應用到腫瘤放射治療計劃中，在指導腫瘤的高精確放射治療中起著至關重要的作用。腫瘤病人的CT 圖像勾畫往往需要消耗大量時間，傳統方法下醫生多需要應用 3 ～ 5 h 進行靶區勾畫，隨之開展的照射方案或手術方案設計同樣需要消耗大量時間，而這一系列過程隨著病人的病情變化將不斷循環，大量的醫療資源因此浪費。腫瘤放療靶區勾畫本質上是一個圖像分割問題，因此，將模式識別領域的圖像分割理論和方法引入腫瘤放療靶區勾畫領域，開展半自動或全自動的生物靶區智能勾畫已成為當前醫學圖像處理的熱點，惡性腫瘤智能放療生物靶區勾畫系統、分子影像引導智能放療系統生物調強智能放療靶區勾畫與評估軟體均屬於其中代表。
柏視醫療開發的鼻咽癌放療臨床靶區自動勾畫系統通過機器學習方法，採用小樣本集數據訓練模型，並運用知識圖譜和深度學習的知識完成模型的訓練，可對 GTV（腫瘤區）和 CTV（臨床靶區）進行自動勾畫。在充分保證靶區勾畫精準度的前提下，可將勾畫時間從數小時縮短到幾分鐘，大大提高了臨床醫生的診療效率。
4.4.1 手術規劃
數位化技術在外科手術中的應用越來越重要，在手術前進行科學規劃，能夠幫助克服外科醫生的視覺局限，使數據測量更加精準，診斷更為精確，手術更加精準、更加高效。手術規劃的一個重要手段就是三維重建技術。通過術前手術規劃，醫師能根據手術需要對三維模型進行移動、旋轉、透明化等操作，任意調整觀察角度，直觀地了解病灶。再通過虛擬實境交互技術進行模擬手術，對手術方案進行反覆操作並不斷修正，顯著降低手術風險、減少術中決策時間，提高手術成功率。
博為肝臟三維手術規劃系統解決了肝臟切除手術方案設計困難問題，通過對原始的 CT 數據進行後處理重建為三維立體圖像，精準肝臟分割（門靜脈、肝靜脈分割清晰）與分段（奎諾 8 段），自動提取腫瘤病髒，精準直觀地展示肝臟腫瘤、肝段、肝臟內部複雜的管道解剖結構，對病例進行全面精準的量化分析，並自動生成臨床臟器定量分析報告。
4.5.1 神經外科機器人
已經商用化的神經外科機器人都採用術前醫學圖像導航的方式對機器人進行引導定位，由於腦組織在手術過程中會因顱內壓力變化而發生變形和移位，這就不可避免的引起定位誤差。因此將現有的定位機構與術中導航方式相結合是神經外科機器人研究的主要方向。
美國 Pathfnder Technologies 公司的 Pathfnder 神經外科機器人在 2004 年通過了美國 FDA 認證，用於完成常規的腦外科立體定向手術，醫生可通過該系統在術前醫學影像的指導下確定靶點位置和穿刺路徑，機器人可完成定位並操作手術工具到制定目標，末端針尖定位精度達到亞毫米級別。
4.6.1 醫學影像數據平臺
醫學影像數據挖掘的主要目標是從中提取出圖片的自身特徵，包括語義、質量、關聯度、實體義項等。影像大數據平臺應用計算機視覺、數據挖掘技術，對包括結構性和非結構性數據在內的影像大數據進行集成，實現集中管理和更好的資源配置，對醫學影像進行深入分析、建模和評估，深入開發影像數據價值。
Watson Clinical Imaging Review 是 IBM Watson 的第一個認知影像產品。該產品可檢查包括圖像在內的醫療數據，幫助醫療服務提供商識別需要關注的最危急情況。該產品的第一個應用目標是心血管疾病，從一種稱為 AS —aorticstenosis( 主動脈瓣狹窄 ) 的常見病情開始介入。一項試點研究發現，Watson Clinical Imaging Review 能幫助醫務人員識別以前未註明要對其進行冠心病跟進治療的潛在 AS 患者。利用 Watson Imaging Clinical Review，醫院管理人員可識別具有跟進治療根據的病情，確保 EMR 信息是完整的。它使用認知文本分析來讀取心臟病科醫師醫療報告中的結構化和非結構化信息，將其與其他來源 ( 比如 EMR 問題清單 ) 的各種數據相結合，並提取相關信息來驗證關鍵數據(包括診斷結果)是否在健康記錄中準確地反映出來。
4.7.1 細胞病理學研究
細胞病理學是以組織學為基礎，研究組織碎片、細胞群團、單個細胞的形態和結構、以及細胞間比鄰關係並探討組織來源的一門科學。細胞病理學包括兩大部分，脫落細胞學 (Exfoliative Cytology) 和針吸細胞學或稱小針穿細胞學 (Fine Needle Aspiration Cytology or Fine Needle Aspiration Biopsy ，縮寫 FNAC)。一般在病理科內設有細胞學室。當臨床醫師開出細胞學檢查送檢單後，由細胞學室完成細胞檢查。
日本研究人員發明了一種新的細胞識別和分選系統鬼影細胞測定儀 (ghost cytometry)，其將一種新的成像技術與人工智慧技術結合，用於識別和分選患者血液中的循環癌細胞，以每秒一萬多個細胞的速度識別細胞，每秒數千個細胞的速度對細胞進行分類，能夠加速藥物發現和改進基於細胞的醫學療法的療效。