加强人工智能深入学习在医学影像学临床应用领域的研究 .pdfVIP

加强人工智能深入学习在医学影像学临床应用领域的研究

摘要：目前，我国的医学科技发展十分迅速，医疗数据中有90%来自于医学影像，

并且医学影像数据还在逐年增长，然而放射科医生的增长速度和工作效率不足以

应对这样的数据增长趋势。今天的放射科医生每天都被大量的影像数据所困扰，

面临巨大的压力。影像成像设备和技术的发展也推动了影像学的进步，其进步包

括获取更高分辨率图像的能力，使更小的解剖结构和异常可视化。更高分辨率图

像是以增加每位患者的平均图像数量而获得的。随着影像图像数量的大量增加，

而放射科医生未见大量增加，因而需要增加更多的工作量来解读这些图像，一方

面，这些图像复杂、数量庞大，远可能超过放射科医生解释它们的能力；另一方

面，目前大部分医学影像数据仍然需要人工分析，疲劳、分心、图像质量、病变

细微且复杂等都会影响到放射医生对疾病的诊断。

关键词：人工智能；深入学习；医学影像学

引言

三次工业革命极大地推动了人类社会的文明进程。第一次工业革命是１７６

０—１８４０年，蒸汽机的发明，将人类社会带入“蒸汽时代”，使生产力得到显

著提高；第二次工业革命是１８４０—１９５０年的电气化进程；而１９５０年

之后开始的信息化是第三次工业革命，使全球信息和资源空前整合，世界进入地“

球村”时代。迈入２１世纪，以人工智能（ａｒｔｉｆｉｃｉａｌｉｎｔｅｌｌ

ｉｇｅｎｃｅ，ＡＩ）、清洁能源、机器人技术、量子信息技术、虚拟现实及生

物技术为主的第四次绿色工业革命已经悄然到来。ＡＩ在医学领域的应用是目前

热点，在医学影像学研究中占据重要地位。经历改革开放４０余年的快速发展，

我国现已成为世界第二大经济体，有实力面对第四次工业革命的机遇，在ＡＩ领

域创新发展，实现“弯道超车”。据不完全统计，目前我国已经成立的医学影像学

ＡＩ公司２０余家，与发达国家同步开始有关产品研发。我国人口基数大，大型

教学医院集中在省会及大城市，在数十年无分级医疗情况下，患者集中于这些高

水平医院接受诊治，使得各医学影像中心积累了大量数据，为ＡＩ奠定了雄厚基

础。本质上讲，ＡＩ的主力军是生物医学工程师、计算机专家和统计学专家等，

医师只是配角，但ＡＩ产品的研发必须针对临床和影像学医师的痛点和难点问题，

而且首先需要由医院提供数据，产品也要在临床使用过程中不断改进，因此影像

科医师必然深涉其中。

人工智能1辅助教学的优势

在本研究中，AI组和人工组的图像质量评分无明显差别，其原因可能是由于

图像质量更多的依赖于扫描的原始图像，其与患者的配合、扫描模式选择的关系

更为密切，后处理环节并不能明显地改善图像质量，而AI组的报告评分明显提高

且用了较短的处理时间，提示AI后处理和结构化报告模式有效地提高了工作的效

率和准确性。实验结束，分别了解AI组和人工组的用户体验。人工组反映很多医

生以前没有接触过影像后处理系统，特别是血管后处理软件，有的医生对冠状动

脉的解剖认识欠清晰，虽然经过短期的培训，但是很难把握报告书写的模式和狭

窄程度的拿捏。而AI组医生则表示，虽然很多医生非影像专业，但是AI后处理

系统简单、便捷，大多数血管都可以自动识别并且生成血管的多平面重组图像，

判断冠脉血管起源、走势并自动命名，AI还能自动识别斑块和狭窄，测量斑块密

度和血管管腔的狭窄程度，一键生成结构化报告。AI组医生的主要任务体现在了

解患者病史、验证AI自动识别是否有误、判断结构化报告是否符合临床诊断需求、

提供临床建议等方面。AI后处理全自动化将1小时的工作时间缩减至1分钟。

加强人工智能深入学习在医学影像学临床应用领域的研究2

机器学习2.1

人工智能的一个主要组成部分是机器学习，它使计算机无需明确编程即可学

习，这种学习技术结合了与我们的大脑生物神经网络的结构和功能类似的计算模

型和算法，这些计算模型通常被称为人工神经网络（artificialneuralnetworks）。

当这些人工神经网络处理来自大量输入流的信息（数字数据）时，它们有能力“学

习”并改变它们的结构，就像我们的大脑神经元被记忆改变了一样。机器学习算法

分析数据特征作为输入，通过迭代改进的过程可以产生线性和非线性的预测模型，

检测信号、分类模式或预测结果，其可以根据不同的原理组织成不同的分类，如

根据培训样本标签的使用情况，它们可以分为监督学习算法、半监督学习算法和

无监督学习算法。机器学习算法有很多种，包括人工神经网络、支持向量机

（supportvectormachines