醫學影像是醫療資料最密集的領域，醫療資料中超過80%來源于醫學影像，人工智能技術已經應用在醫療行業多個領域，但醫學影像是應用最成熟的領域之一。深度學習算法模型的訓練需要海量資料支撐，醫學影像由于其資料密集的特性，讓以深度學習為代表的人工智能技術有了廣闊的發揮空間，而其中又以X光、CT等類型影像的識别分析最為成熟。
醫學影像成像裝置及醫學影像資訊系統
封閉的醫療體系已經無法滿足醫學影像AI快速發展的需要，醫療機構、影像AI開發商等各方協作與聯合成為必然趨勢。醫學影像算法模型的訓練需要以大量的優質标注資料為基礎，單個醫院的影像資料難以滿足影像AI模型訓練的要求，醫聯體和區域影像中心的建立為影像資料流通和資料價值發揮奠定了堅實基礎，多地也已成立區域級的影像聯盟，促進了醫學影像技術交流和資料流通。政策開閘是醫學影像AI産品走向商業化的重要因素。2017年8月，CFDA釋出了新版《醫療器械分類目錄》，新增了與人工智能輔助診斷相對應的類别，醫學影像AI産品開始進入審批通道，個别企業獲得了二類器械許可證并開啟了初步的商業化，但醫學影像AI産品的三類器械許可證審批始終引而不發。2019年7月器審中心釋出了《深度學習輔助決策醫療器械軟體審評要點》，對醫療AI産品的資料品質控制、算法泛化能力、臨床使用風險等問題進行了規定，相關醫學影像AI産品的審批也進入了綠色通道。2020年1月，國家藥品監督管理局審查準許了我國首個應用人工智能技術的三類器械-冠脈血流儲備分數計算軟體的注冊，與此同時，其它多個醫學影像AI産品也正在注冊審批隊列中。随着醫學影像AI産品三類器械許可證的審批加速，醫學影像AI産品商業化将迎來一波新的發展浪潮。
機器之心希望通過本報告《開啟醫學智慧之眼——醫學影像中人工智能技術應用現狀及展望》，介紹現有人工智能技術在醫學影像中的應用現狀、未來技術發展及落地應用趨勢，向醫學影像AI産品開發商、醫護人員、醫學影像裝置制造商、算法工程師等相關從業者提供詳實的調研參考，并幫助讀者對該領域形成系統性見解。
報告目錄
部分應用案例4.1.1 乳腺癌
乳腺 CAD 被廣泛應用于 X 線攝影診斷乳腺癌的過程，主要用于提高鈣化竈和腫塊被檢出的精準性，鈣化是乳腺癌早期的重要表現，腫塊是乳腺癌的直接定位依據。乳腺 CAD 對鈣化點檢測效果比較理想，但在腫塊檢測方面，由于早期的隐匿性乳腺癌腫塊尺度較小、邊緣模糊、對比度低，與正常乳腺組織極其相似，辨識特征不太明顯。• 谷歌和聖地亞哥海軍醫學中心合作開發了 AI 系統「淋巴結助手」(LYNA)，LYNA 基于開源圖像識别深度學習模型Inception-v3 開發出來，研究人員訓練模型時将 LYNA 模型置于到了 2016 年癌症細胞檢測競賽（Camelyon16）的癌症轉移資料環境裡，該資料集來自于 Radboud 大學和 Utrecht 大學醫學中心，裡面包含了 399 個淋巴結切片的玻片圖像，以及來自 20 名患者的 108 張圖像。它對 270 個載玻片（160 個正常，110 個惡性良性腫瘤）進行了訓練，并使用了兩個評估集—一個由 129 個載玻片組成，另一個由 108 個載玻片組成，來進行性能評估。在轉移性乳腺癌的檢測精度測試中，LYNA 的準确率達到99%，超過人類的檢測準确率。
4.2.1 CT 三維重建
正常 CT 二維圖像缺乏三維空間觀感效果，對病變特征的顯示受到了較大的局限。三維重建成像是基于高品質橫斷面掃描影像的技術，随着高速掃描技術的發展為三維重建成像提供了可能。醫學三維重建技術涉及到醫學影像學、計算機圖像處理、生物醫學工程等多項技術，三維重建成像不僅有助于疾病診斷，也可為術前判斷提供依據，進而确定手術方案， 特别是病竈空間位置及手術入路的選擇，二維圖像不易觀察，而三維重建可從多個角度整體觀察。• GE Lightspeed 64 排螺旋 CT 機可以直覺地從不同角度觀察骨折部位、骨折線走向及移位情況。在對髁狀突骨折患者進行掃描時，患者取仰卧位，頭先進方式，掃描範圍為眶下緣至下颌骨下緣，正常掃描後應用 Volume Rending 軟體将原始圖像重建，将重建的薄層資料圖像傳至背景工作站，運用多平面成像技術 (multiple planner reconstruction，MPR) 和容積再現技術 (volume rendering technique，VRT)，進行三維重建。根據患者骨折的類型，選擇部位進行适當旋轉切割，除去異物及多餘部分，顯示患者骨折部位及相關形态結構。
4.3.1 靶區自動勾畫
生物靶區（biological target volume,BTV）勾畫方法是指在分子生物功能 PET 影像的基礎上，将感興趣區域或者是惡性良性腫瘤區利用圖像分割的方法進行勾畫。随着分子生物功能 PET 影像技術的發展，PET 影像越來越多的應用到惡性良性腫瘤放射治療計劃中，在指導惡性良性腫瘤的高精确放射治療中起着至關重要的作用。惡性良性腫瘤病人的CT 圖像勾畫往往需要消耗大量時間，傳統方法下醫生多需要應用 3 ～ 5 h 進行靶區勾畫，随之開展的照射方案或手術方案設計同樣需要消耗大量時間，而這一系列過程随着病人的病情變化将不斷循環，大量的醫療資源是以浪費。惡性良性腫瘤放療靶區勾畫本質上是一個圖像分割問題，是以，将模式識别領域的圖像分割理論和方法引入惡性良性腫瘤放療靶區勾畫領域，開展半自動或全自動的生物靶區智能勾畫已成為目前醫學圖像處理的熱點，惡性惡性良性腫瘤智能放療生物靶區勾畫系統、分子影像引導智能放療系統生物調強智能放療靶區勾畫與評估軟體均屬于其中代表。• 柏視醫療開發的鼻咽癌放療臨床靶區自動勾畫系統通過機器學習方法，采用小樣本集資料訓練模型，并運用知識圖譜和深度學習的知識完成模型的訓練，可對 GTV（惡性良性腫瘤區）和 CTV（臨床靶區）進行自動勾畫。在充分保證靶區勾畫精準度的前提下，可将勾畫時間從數小時縮短到幾分鐘，大大提高了臨床醫生的診療效率。
4.4.1 手術規劃
數字化技術在外科手術中的應用越來越重要，在手術前進行科學規劃，能夠幫助克服外科醫生的視覺局限，使資料測量更加精準，診斷更為精确，手術更加精準、更加高效。手術規劃的一個重要手段就是三維重建技術。通過術前手術規劃，醫師能根據手術需要對三維模型進行移動、旋轉、透明化等操作，任意調整觀察角度，直覺地了解病竈。再通過虛拟現實互動技術進行模拟手術，對手術方案進行反複操作并不斷修正，顯著降低手術風險、減少術中決策時間，提高手術成功率。• 博為肝髒三維手術規劃系統解決了肝髒切除手術方案設計困難問題，通過對原始的 CT 資料進行後處理重建為三維立體圖像，精準肝髒分割（門靜脈、肝靜脈分割清晰）與分段（奎諾 8 段），自動提取惡性良性腫瘤病髒，精準直覺地展示肝髒惡性良性腫瘤、肝段、肝髒内部複雜的管道解剖結構，對病例進行全面精準的量化分析，并自動生成臨床髒器定量分析報告。
4.5.1 神經外科機器人
已經商用化的神經外科機器人都采用術前醫學圖像導航的方式對機器人進行引導定位，由于腦組織在手術過程中會因顱内壓力變化而發生變形和移位，這就不可避免的引起定位誤差。是以将現有的定位機構與術中導航方式相結合是神經外科機器人研究的主要方向。• 美國 Pathfnder Technologies 公司的 Pathfnder 神經外科機器人在 2004 年通過了美國 FDA 認證，用于完成正常的腦外科立體定向手術，醫生可通過該系統在術前醫學影像的指導下确定靶點位置和穿刺路徑，機器人可完成定位并操作手術工具到制定目标，末端針尖定位精度達到亞毫米級别。
4.6.1 醫學影像資料平台
醫學影像資料挖掘的主要目标是從中提取出圖檔的自身特征，包括語義、品質、關聯度、實體義項等。影像大資料平台應用計算機視覺、資料挖掘技術，對包括結構性和非結構性資料在内的影像大資料進行內建，實作集中管理和更好的資源配置，對醫學影像進行深入分析、模組化和評估，深入開發影像資料價值。• Watson Clinical Imaging Review 是 IBM Watson 的第一個認知影像産品。該産品可檢查包括圖像在内的醫療資料，幫助醫療服務提供商識别需要關注的最危急情況。該産品的第一個應用目标是心血管疾病，從一種稱為 AS —aorticstenosis( 主動脈瓣狹窄 ) 的常見病情開始介入。一項試點研究發現，Watson Clinical Imaging Review 能幫助醫務人員識别以前未注明要對其進行冠心病跟進治療的潛在 AS 患者。利用 Watson Imaging Clinical Review，醫院管理人員可識别具有跟進治療根據的病情，確定 EMR 資訊是完整的。它使用認知文本分析來讀取心髒病科醫師醫療報告中的結構化和非結構化資訊，将其與其他來源 ( 比如 EMR 問題清單 ) 的各種資料相結合，并提取相關資訊來驗證關鍵資料(包括診斷結果)是否在健康記錄中準确地反映出來。
4.7.1 細胞病理學研究
細胞病理學是以組織學為基礎，研究組織碎片、細胞群團、單個細胞的形态和結構、以及細胞間比鄰關系并探讨組織來源的一門科學。細胞病理學包括兩大部分，脫落細胞學 (Exfoliative Cytology) 和針吸細胞學或稱小針穿細胞學 (Fine Needle Aspiration Cytology or Fine Needle Aspiration Biopsy ，縮寫 FNAC)。一般在病理科内設有細胞學室。當臨床醫師開出細胞學檢查送檢單後，由細胞學室完成細胞檢查。• 日本研究人員發明了一種新的細胞識别和分選系統鬼影細胞測定儀 (ghost cytometry)，其将一種新的成像技術與人工智能技術結合，用于識别和分選患者血液中的循環癌細胞，以每秒一萬多個細胞的速度識别細胞，每秒數千個細胞的速度對細胞進行分類，能夠加速藥物發現和改進基于細胞的醫學療法的療效。