医学图像中的人工智能

医学行业中，人工智能的应用普遍而日新月异，但是AI进入医学行业最早和发展最迅速的还是与图像相关的影像和病理科等。在这些学科的基础上，人工智能越来越多地帮助医生完善临床决策中的隐藏见解，将患者与资源联系起来进行全面管理，并从以前无法访问的非结构化数据资产中提取有意义的数据。

医学成像数据是关于患者的最丰富的信息来源之一，并且通常是最复杂的信息之一。万亿像素的数据包含在X射线、CT扫描、核磁共振成像和其他医学图像的结果中，即使对于最有经验的临床专业人员来说，整理并解读这些海量图像数据也是一项挑战。

目前的大量研究已经证实，人工智能能够提高医生的工作效率和准确度，尤其是对射科和病理学家医师来说，它可能是一个有价值的盟友。那么今天我们就来了解一些人工智能在医学图像中应用比较成熟的几个案例！

识别心血管异常

心血管系统是人体最重要的系统之一，其任何改变都可能危及患者的生命，通过测量心脏的各种结构可以揭示个体患心血管疾病的风险，同时发现需要手术或者药物治疗的疾病。

利用人工智能的方法，自动检测常见的成像测试（例如胸部X射线）中的异常可以快速做出决策，同时获得较高的准确率。例如，当患者因呼吸短促而进入急诊室时，通常“胸片”通常是第一个可用的影像学研究检测手段，它可以作为心脏扩大的快速初始筛查工具。使用人工智能识别胸部X射线左心房扩大可以排除其他心脏或肺部问题，并帮助提供者针对患者进行适当的治疗。

类似的AI工具可用于自动化其他测量任务，例如主动脉瓣分析，隆突角和肺动脉直径测量。

将AI应用于成像数据还可以帮助识别某些肌肉结构（例如左心室壁）的增厚、或者监测通过心脏和相关动脉的血流的变化。

此外自动肺动脉血流量化避免了通过手动测量的误差，提供结构化定量数据来节省医生解读结果的时间，这些数据可用于后期研究或风险分层方案，算法还可可以自动填充报告，为人类临床医生节省时间，并确定异常的测量值。

检测骨折和其他肌肉骨骼损伤

骨折和肌肉骨骼损伤会导致长期的慢性疼痛，尤其是老年患者的髋部骨折等损伤会导致行动能力下降，而且住院治疗的总体预后效果并不尽如人意。很多时候，创伤后骨折通常被认为是次要的，至少与内出血或器官损伤相比，有时候甚至忽略骨折。人工智能能够识别医生不易发现的骨折、脱臼或软组织损伤，帮助临床医生选择更为完善的治疗方案。

在一个示例中，通过使用AI放射学工具，可以评估患有头颈部创伤的ED患者的齿状突骨折-颈椎骨折中的一种类型。

在标准图像上临床医生通常难以检测到骨折类型，但AI工具可能更容易看到图像中的细微变化，提示患者需要手术处理。

允许无偏见的算法来审查创伤患者的图像可能有助于确保所有的损伤得到解决并获得确保所需的护理。

AI还可以在进行常规髋关节手术（如髋关节置换术）的常规随访时提供了有用的安全网。ACRDSI说：每年大约有,例髋关节置换术（THA），每位患者都有一年一次的随访检查，每天可以为一名与关节成形术外科医生合作的肌肉骨骼放射科医师进行约次检查。如果关节置换装置松动或装置周围的组织反应不佳，则患者可能需要昂贵的侵入性修复。不幸的是，识别网站周围的问题可能具有挑战性。

在X射线检查中，结果并不明显，需要与多项先前的检查进行比较才能看到异常的进展，延误诊断可能会延误治疗多年。符合此用例的AI将有助于降低放射科医师的假阴性率、患者风险和医疗法律风险。可以对高风险患者的血清钴水平升高进行筛查，并将其送至MRI进行进一步评估。

协助诊断神经系统疾病

很多神经系统的疾病，如退行性神经系统疾病肌萎缩侧索硬化症（ALS）等，对患者来说可能是一种毁灭性的诊断。虽然目前尚无治愈ALS和许多类似的神经系统疾病，但准确的诊断可以帮助个人了解其可能的结果并计划长期护理或临终意愿。

肌萎缩侧索硬化症的诊断，以及其与原发性侧索硬化症（PLS）的鉴别诊断都依赖于医学图像，放射科医师必须确定病变是否相关或仅仅是其中一种疾病的结构，并且假阳性相对常见。

最近关于提高诊断速度和准确性的研究集中于鉴定新的生物标志物。目前，对运动皮层的手动分割和定量磁敏度测绘（QSM）评估大有必要，但同时也耗时耗力。不过利用机器学习自动化这一过程将有助于研究并协助开发有前景的成像生物标志物。算法可以通过标记指示可疑结果的图像并提供图像包含ALS或PLS证据的风险比来简化该过程。算法还可以自动填充报告，减少提供者的工作流负担。

识别标记胸部疾病/并发症

和气胸是需要快速处理的两中常见胸部疾病，也可能是人工智能算法的主要目标。

无论是社区获得性肺炎，还是在医疗过程后获得的肺炎，如果不进行治疗都可能危及生命。放射图像通常用于诊断肺炎并将病症与其他肺部疾病（例如支气管炎）区分开来。

然而，放射科医生并不能随时解读图像-即使放射科医生在场，如果患者已经存在其他肺部疾病，例如恶性肿瘤或囊性纤维化，他们可能难以识别肺炎。

此外，细微的肺炎，例如那些突出于前胸片上膈膜下方的肺炎，很容易被忽视，导致不必要的CT扫描，AI可以帮助减少这些误差。AI算法可以评估X射线和其他图像，以获得表明肺炎的不透明度的证据，然后警告提供者潜在的诊断以尽早接受治疗。

当疑似气胸时，AI同样可以帮助识别高危患者，特别是当放射科医生不在场时。气胸，是指气体进入胸膜腔，造成积气状态，可能是创伤或侵入性干预的结果。本病属肺科急症之一，及时处理可治愈，但如果不能及时发现，严重者甚至可危及生命。

在没有放射科医师的临床环境中，检测[气胸]对非放射科医师有重要意义。人工智能可能有助于确定气胸的类型和严重程度的优先顺序，也为患者的优先治疗提供依据。

常见癌症的筛查

医学成像通常用于癌症的常规预防性筛查，例如乳腺癌和结肠癌。

在乳腺癌中，组织中的微钙化通常难以最终确定为恶性或良性。假阳性可能导致不必要的侵入性检测或治疗，而错过的恶性肿瘤可能导致诊断延迟和结果恶化。放射科医师在诊断成像时对微钙化的解释存在差异，人工智能可以帮助提高准确性，并使用定量成像功能，更准确地根据对原位导管癌（DCIS）的怀疑程度对微钙化进行分类，从而可能降低不必要的良性活检率。

同样，如果在常规检查中发现息肉，那么接受结肠直肠癌筛查的患者可能会与其提供者进行更有成效的对话。息肉是癌症的前兆。

CT结肠成像（CTC）提供结肠和直肠的微创结构检查，以检测临床上显着的息肉，然而经验不足的放射科医师可能会错过息肉，并且花费过多的时间来完成检查。AI可以帮助提高CTC息肉检测的准确性和效率，减少误报，降低放射科医师的医疗法律风险。

对于确定癌症的患者，AI可以支持检测已经扩散的恶性肿瘤。癌症的结外延伸（ECE）与预后不良有关，并且通常仅在手术时被发现。一个高性能的算法可能会识别出通常不会进行手术的诊断的ECE，从而可能在这一人群中实现更好的治疗分层。自动ECE分类和鉴定还可以改善淋巴结治疗对淋巴结的影响，以及术后影像检测到淋巴结病的治疗优化。

AI可用于头颈癌、前列腺癌、结直肠癌和宫颈癌的筛查。虽然没有得到证实，但这种算法或半自动化方法可以改善癌症结果并降低发病率。

其实之前我们也写过人工智能在医学中应用相关的文章，不过这次是从医学图像的角度出发，希望能让我们从另一个角度了解AI的快速进展。通过人工智能补充诊断和决策可以为医疗服务提供者和患者提供改变生活方式的见解，以了解单独使用人眼难以识别的各种疾病，损伤和病症。

关于该话题您还有什么看法或者意见了，欢迎您