在人工智能参与最多的医学影像诊断领域,这是一次完整的调研 .pdfVIP

在人工智能参与最多的医学影像诊断领域，这是一次完整的调

研

2016年至今，全世界都在说，人工智能的拐点已来。从世界级的

玩家谷歌、IBM，到疯狂的投资人和创业者，都在进行抢点布局，甚

至军备竞赛。人工智能正在全球性地走向繁荣。

面对如此汹涌而来的人工智能浪潮，我们该如何看待？如何思考？

动脉网作为这一浪潮的见证者，势必要为它留下些什么。

以下是报告部分内容的精编连载，实际内容更加丰富。

医疗大数据与人工智能产业报告II：医学影像部分

现代医学是建立在实验基础上的循证医学，医生的诊疗结论必须

建立在相应的诊断数据上，影像是重要的诊断依据，医疗行业80%～

90%的数据都来源于医学影像。所以临床医生有极强的影像需求，他

们需要对医学影像进行各种各样的定量分析、历史图像的比较，从而

能够完成一次诊断。

“人工智能+医学影像”便是计算机在医学影像的基础上，通过深

度学习，完成对影像的分类、目标检测、图像分割和检索工作，协助

医生完成诊断、治疗工作的一种辅助工具。

一、人工智能参与医学影像诊断的方式

我们人工智能在图像处理上的能力分为四类：影像分类、目标检

测、图像分割和图像检索。

医学影像+人工智能的主要工作模式

我们以肝部疾病筛查为例，为大家阐述人工智能参与医学影像的

方式：

人工智能参与医疗过程首先要做的是获得大量带标注的医学影像

样本，然后尝试在其中找到一些关键点。比如说靠近肺和靠近肝的点，

把关键点找到以后，结合肝的形状鲜艳模型，设定一个初始化模型，

再通过机器学习的方式学到边界应该是怎么样的，病变是怎么样的，

尽量的逼近它的边界信息，再通过它的形状特征进行进一步的完善，

最后获得好的分割、筛查结果。这一过程便是人工智能对图像的定位、

分类和切割。

当我们将脏器分割、病变标记出来以后，就知道了这个部位有没

有患病，但是并不知道是患了什么病，病情发展到了什么程度。这个

时候便需要对病理图像进行分析，获得辅助判断依据。

病理分析是抽取疑似病变活体，放在显微镜上细胞形态分析的一

种检验方式，是目前癌症的主要确诊方式。数字病理图像往往非常大，

比如部分肿瘤病理图像的尺寸达到了20万×20万像素，甚至40万

×40万像素，有非常多的细胞需要分析。这是极大的分析量，医生需

要花费大量时间进行比对。随着病理图像包含的信息不断增加，这一

工作交给医生来做开始变得不现实。

通过搭建神经网络和利用深度学习算法，人工智能系统对包含各

种病变形态细胞的病理库进行大量训练，获得识别病变细胞特征的能

力。利用之前提到的分割算法，将细胞分割出来，通过大量比对，识

别出细胞的病变形式及发展程度，为医生做出最后诊断提供辅助依据。

医院大数据里85%左右的存储容量被影像数据所占据，现在的计

算机可以识别结构化的文本数据和结构化的影像数据，且正在探索将

功能性医疗图像和结构性图像相融合的方式，以获得更好诊疗效果。

将上述四项能力进行组合，便得到了人工智能在医学影像上的具体应

用场景。

二、人工智能为医学影像带来的改变

传统方式和人工智能读片的区别

三、人工智能+医学影像在各领域的应用情况

人工智能在医学影像领域目前的应用方向主要有三类，即疾病筛

查、病灶勾画、脏器三维成像。我们总结了人工智能在医学影像方面

主要覆盖的方式以及主要使用的医学影像类型，接下来，我们将仔细

介绍人工智能在目前最为火热的肺部筛查、糖网筛查、病灶勾画、脏

器三维成像和病理分析的应用情况。

目前人工智能在人体医疗影像检查中的作用

肺部筛查

人工智能进行肺部筛查的步骤为：使用图像分割算法对肺部扫描

序列进行处理，生成肺部区域图，然后根据肺部区域图生成肺部图像。

利用肺部分割生成的肺部区域图像，加上结节标注信息生成结节区域

图像，训练基于卷积神经网络的肺结节分割器，然后对图像做肺结节

分割，得到疑似肺结节区域。找到疑似肺结节后，使用3D卷积神经网

络对肺结节进行分类，得到真正肺结节的位置和置信度。

肺部疾病的影像筛查

糖网病筛查

糖网病主要症状和检查点

糖网病是“糖尿病性视网膜病变”的简称，是常见的视网膜血管

病变，也是糖尿病患者的主要致盲眼病。

因为糖网