AI與肝臟病學(xué)醫(yī)學(xué)影像中的臨床應(yīng)用

2019-05-23 10:30

算力說

醫(yī)學(xué)成像技術(shù)在疾病的早期檢測，診斷和治療中發(fā)揮了關(guān)鍵作用，例如計(jì)算機(jī)斷層掃描（CT），磁共振成像（MRI），超聲，正電子發(fā)射斷層掃描（PET）和X光。在肝臟醫(yī)學(xué)成像中，醫(yī)生通常通過視覺評估肝臟醫(yī)學(xué)圖像來檢測，表征和監(jiān)測疾病。有時，這種基于專業(yè)知識和經(jīng)驗(yàn)的視覺評估可能是個人的和不準(zhǔn)確的。人工智能可以通過自動識別成像信息而不是這種基本推理來進(jìn)行定量評估。

本文編譯自世界胃病學(xué)雜志近期的同行審閱文章，由LI－Qiang Zhou等著名學(xué)者共同執(zhí)筆。

【算力觀點(diǎn)】

病理診斷的準(zhǔn)確性嚴(yán)重依賴于病理醫(yī)生的水平，病理科醫(yī)生必須經(jīng)過數(shù)年甚至十幾年的訓(xùn)練才能掌握足夠的經(jīng)驗(yàn)，成為一名合格的病理學(xué)家。通過AI技術(shù)，能幫助解決醫(yī)療資源稀缺問題，并有效突破病理診斷的瓶頸。

AI與肝臟病學(xué)醫(yī)學(xué)影像中的臨床應(yīng)用

（圖片來源：公開資料）

局灶性肝臟病變檢測

結(jié)合多種圖像模式的深度學(xué)習(xí)算法已被廣泛用于局灶性肝臟病變的檢測（詳見圖一）。結(jié)合深度學(xué)習(xí)方法與CNNs和CT進(jìn)行肝病診斷已引起廣泛關(guān)注。與視覺評估相比，該策略可以捕獲更詳細(xì)的病變特征并進(jìn)行更準(zhǔn)確的診斷。根據(jù)研究表明，通過使用基于縱向肝臟CT研究的深度學(xué)習(xí)模型，可以自動檢測新的肝臟腫瘤，真陽性率為86％，而獨(dú)立檢測率僅為72％，這種方法達(dá)到了精確度比傳統(tǒng)的SVM提高了39％。

AI與肝臟病學(xué)醫(yī)學(xué)影像中的臨床應(yīng)用

（圖片來源于：WJG）

局灶性肝臟病變評估

CNN在評估肝臟病變方面也非常有用，通過使用基于動態(tài)對比增強(qiáng)CT圖像的非增強(qiáng)動脈和延遲期的 CNN模型，一項(xiàng)臨床回顧性研究研究了肝臟腫塊分化的診斷性能。根據(jù)五類［A類，典型肝細(xì)胞癌（HCC）對腫塊進(jìn)行診斷； cate gory B，除經(jīng)典和早期HCC外的惡性肝腫瘤； C類，不確定腫塊或腫塊樣病變和除血管瘤和囊腫外的罕見良性肝臟腫塊； D類，血管瘤； E類，囊腫］分別為0．71，0．33，0．94，0．90，和1．00的靈敏度．用于分類肝臟質(zhì)量的CNN模型的中位數(shù)精確度為0．84。區(qū)分AB類和CE的中位數(shù)AUC為0．92。

Byra等學(xué)者于18年提出了深度CNN模型，該模型可用于B型超聲圖像中肝臟脂肪變性的轉(zhuǎn)移學(xué)習(xí)評估。對圖像網(wǎng)絡(luò)數(shù)據(jù)集進(jìn)行深度CNN預(yù)訓(xùn)練，首先提取高級特征，然后利用SVM算法對圖像進(jìn)行分類。采用特征分析法和套索回歸法對脂肪變性程度進(jìn)行評價。與正確率分別為90．9％和85．4％的肝腎指數(shù)和灰度共生矩陣算法相比，基于CNN的方法取得了顯著的效果，AUC為0．977，靈敏度為100％，特異性為88．2％，準(zhǔn)確度為96．3％。

AI與肝臟病學(xué)醫(yī)學(xué)影像中的臨床應(yīng)用

利用深度學(xué)習(xí)對肝損傷進(jìn)行半自動體積分割（圖片來源：Arterys）

肝臟治療預(yù)測

自動預(yù)測肝細(xì)胞癌患者在治療前對經(jīng)動脈化療栓塞的可能反應(yīng)是有意義和有價值的。它可以最大限度地減少病人的傷害，減少不必要的干預(yù)，降低醫(yī)療費(fèi)用等。通過結(jié)合臨床數(shù)據(jù)和基于ML模型的基線磁共振成像，可以準(zhǔn)確預(yù)測肝細(xì)胞癌患者的經(jīng)動脈化療栓塞結(jié)局，并極大程度上幫助醫(yī)生對肝癌患者進(jìn)行最佳治療選擇。

AI與肝臟病學(xué)醫(yī)學(xué)影像中的臨床應(yīng)用

肝臟影像報告（圖片來源：Arterys）

AI技術(shù)臨床應(yīng)用的挑戰(zhàn)和未來方向

對特定AI任務(wù)的相關(guān)數(shù)據(jù)分割是對建立AI模型的必要幫助。然而，一些使用人工智能的分割算法并不完美，因?yàn)樗鼈兛偸切枰祟悓＜襾眚?yàn)證數(shù)據(jù)的準(zhǔn)確性。人們現(xiàn)在的手段因而依賴于無監(jiān)督學(xué)習(xí)，包括生成對抗網(wǎng)絡(luò)和變分自動編碼器，可以通過學(xué)習(xí)不帶明確標(biāo)簽的歧視性特征來實(shí)現(xiàn)自動數(shù)據(jù)管理。但這樣的自動化解決方案也十分耗時，因而關(guān)于通過深度學(xué)習(xí)方法實(shí)施全自動臨床任務(wù)所需的時間存在相當(dāng)大的爭議存在相當(dāng)大的爭議。

在提高更高效率和更高品準(zhǔn)確性的同時，我們還需要倡導(dǎo)創(chuàng)建互聯(lián)網(wǎng)絡(luò)，以識別來自世界各地的患者數(shù)據(jù)。AI可以根據(jù)不同的病人的人口統(tǒng)計(jì)，地理區(qū)域，疾病的規(guī)模大小。只有這樣，我們才能創(chuàng)建一個對社會負(fù)責(zé)并讓更多人受益的人工智能。

作者：Ripple