人工智能在脑膜瘤的影像应用进展及发展前景-肿瘤学论文-临床医学论文.pdfVIP

人工智能在脑膜瘤的影像应用进展及发展

前景-肿瘤学论文-临床医学论文-医学论文

——文章均为WORD文档，下载后可直接编辑使用亦可打印——

摘要：人工智能在医学影像中的应用飞速发展，目前已用

于脑膜瘤影像瘤周水肿的准确分割、预判脑膜瘤的病理级别及鉴别诊

断等。笔者就人工智能技术在脑膜瘤影像的应用现状和未来发展进行

综述。

关键词：脑膜瘤;人工智能;机器学习;影像组学;

Abstract：Theusageofartificialintelligence(AI)inmedical

imagesisrapid.Ithasbeenusedintheimagesofmeningiomaforthe

accuratesegmentationofperitumoraledema,predictionofpathological

andfurtherprogressionofAIinmeningiomaimages.

Keyword：meningioma;artificialintelligence;machine

learning;radiomics;

人工智能(artificialintelligence,AI)是1956年在Dartmouth大学

举办的会议期间首次出现的名称[1]。作为一个通用术语，它是指以最

低限度的人为干预，让计算机自行模拟智能行为[2]。本文就人工智能

在脑膜瘤的影像应用进展及发展前景进行综述。

1、AI在影像诊断领域的应用背景

AI是计算机科学的分支，用机器执行通常由人的智力活动完

成的认知任务。AI近来在感知能力方面取得了巨大进步，已能让机器

更好地描述和解释复杂的数据。而深度学习的加入，强化了计算能力，

加速了AI的发展。

当前影像诊断专业的特点是大量的图像和报告以数字形式存

在，这些特点在推动医学进入数字化时代的过程中起到了引领作用，

同时为发展AI提供了契机。AI在影像医学应用的最初目的是在临床

工作中提高效率和效果，减少专业人员的失误，增加客观性。近年来，

影像组学结合深度学习技术(AI的算法之一)可自图像中自动学习有代

表性的特征，从而在肿瘤影像学领域帮助临床决策，如明确诊断、不

同癌症的危险分层等。

目前广泛使用的AI方法分为2种：第一种是手工裁切特征，

如肿瘤纹理特征，再使用计算机程序进行量化；第二种方法是深度学

习，深度学习算法能自动从数据中提取特征，不需人工预定义特征[3]。

AI在肿瘤影像的应用主要是发现异常(肿瘤识别)、特征提取、监测变

化这3个方面，但也面临一些挑战，包括开发通用术语以及在不同成

像平台和患者人群中制定AI程序使用的验证标准。

2、AI在脑膜瘤影像的应用现状

脑膜瘤AI应用的伦理问题由McCradden等[4]进行了研究，

结果表明几乎所有参与者都认为，售卖医疗数据应该被禁止，但为了

改进健康状况，也有小部分人认为暴露少量隐私是可以接受的。

技术方面，脑膜瘤图像分割、智能识别的方法学研究不断进

步，自动化程度越来越高，从而使得影像结果输出更方便、快捷及精

准。2019年1月，Laukamp等[5]采用深度学习模型对56例脑膜瘤患

者(病理组织类型Ⅰ级n=38、Ⅰ级n=18)的T1WI、T2WI、T1增强图像和

FLAIR图像进行识别、分割，输入模型后结果显示检测到脑膜瘤55例，

与人工分割效果相当。这表明尽管扫描器数据各不相同，但深度学习

模型仍能对脑膜瘤组织进行准确的自动检测和分割。同年8月，

Stember等[6]采用视觉追踪技术对脑膜瘤图像进行分割，结果表明，

该方法可用于深度学习的语义分割，将来进一步优化，便可以通过更

快、更自然的方式用于临床。2020年2月，Laukamp等[7]对56位脑

膜瘤患者的影像数据分别进行两种处理：深度学习算法自动分割和由

两位高年资影像工作者手动分割，输入模型后结果显示为55个脑膜

瘤是由深度学习自动分割的，其研究表明对脑膜瘤图像采用基于深度

学习的自动分割具有较高的分割准确性，与人工分割效果相当。这种

自动分割图像包括增强扫描T1WI和FLAIR图像，与Laukamp等[5]的

研究相一致。鉴于脑膜瘤的瘤周水肿