算力說(shuō)

醫(yī)學(xué)成像技術(shù)在疾病的早期檢測(cè)，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(guò)視覺(jué)評(píng)估肝臟醫(yī)學(xué)圖像來(lái)檢測(cè)，表征和監(jiān)測(cè)疾病。有時(shí)，這種基于專業(yè)知識(shí)和經(jīng)驗(yàn)的視覺(jué)評(píng)估可能是個(gè)人的和不準(zhǔn)確的。人工智能可以通過(guò)自動(dòng)識(shí)別成像信息而不是這種基本推理來(lái)進(jìn)行定量評(píng)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(guò)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(guò)AI技術(shù)，能幫助解決醫(yī)療資源稀缺問(wèn)題，并有效突破病理診斷的瓶頸。

（圖片來(lái)源：公開(kāi)資料）

局灶性肝臟病變檢測(cè)

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(cè)（詳見(jiàn)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(jué)評(píng)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(guò)使用基于縱向肝臟CT研究的深度學(xué)習(xí)模型，可以自動(dòng)檢測(cè)新的肝臟腫瘤，真陽(yáng)性率為86％，而獨(dú)立檢測(cè)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％。

（圖片來(lái)源于：WJG）

局灶性肝臟病變?cè)u(píng)估

CNN在評(píng)估肝臟病變方面也非常有用， 通過(guò)使用基于動(dòng)態(tài)對(duì)比增強(qiáng)CT圖像的非增強(qiáng)動(dòng)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(duì)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(jiàn)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(píng)估。對(duì)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(jí)特征，然后利用SVM算法對(duì)圖像進(jìn)行分類。采用特征分析法和套索回歸法對(duì)脂肪變性程度進(jìn)行評(píng)價(jià)。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％。

利用深度學(xué)習(xí)對(duì)肝損傷進(jìn)行半自動(dòng)體積分割（圖片來(lái)源：Arterys）

肝臟治療預(yù)測(cè)

自動(dòng)預(yù)測(cè)肝細(xì)胞癌患者在治療前對(duì)經(jīng)動(dòng)脈化療栓塞的可能反應(yīng)是有意義和有價(jià)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(guò)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(cè)肝細(xì)胞癌患者的經(jīng)動(dòng)脈化療栓塞結(jié)局，并極大程度上幫助醫(yī)生對(duì)肝癌患者進(jìn)行最佳治療選擇。

肝臟影像報(bào)告（圖片來(lái)源：Arterys）

AI技術(shù)臨床應(yīng)用的挑戰(zhàn)和未來(lái)方向

對(duì)特定AI任務(wù)的相關(guān)數(shù)據(jù)分割是對(duì)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�人類專家�?lái)驗(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(wú)監(jiān)督學(xué)習(xí)，包括生成對(duì)抗網(wǎng)絡(luò)和變分自動(dòng)編碼器，可以通過(guò)學(xué)習(xí)不帶明確標(biāo)簽的歧視性特征來(lái)實(shí)現(xiàn)自動(dòng)數(shù)據(jù)管理。但這樣的自動(dòng)化解決方案也十分耗時(shí)，因而關(guān)于通過(guò)深度學(xué)習(xí)方法實(shí)施全自動(dòng)臨床任務(wù)所需的時(shí)間存在相當(dāng)大的爭(zhēng)議存在相當(dāng)大的爭(zhēng)議。

在提高更高效率和更高品準(zhǔn)確性的同時(shí)，我們還需要倡導(dǎo)創(chuàng)建互聯(lián)網(wǎng)絡(luò)，以識(shí)別來(lái)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(gè)對(duì)社會(huì)負(fù)責(zé)并讓更多人受益的人工智能。

作者：Ripple