|
小编按： 人工智能在医疗领域的发展迅速，尤其是近期Nature medicine同期八篇AI相关论文发表，更是将聚光灯打在了人工智能+医疗的应用，【精准影像】栏目也会定期更新人工智能在医疗方面的应用，敬请大家期待。 这期小编为大家带来“Artificial Intelligence in Radiology”一文解读，这篇论文是来自Dana-Farber Cancer Institute的Hugo Aerts博士研究组发表在Nature上的一篇前沿论述perspective，深入调研过影像组学方向的读者一定对Hugo Aerts不陌生，他的影像组学经典论文： “Decoding tumour phenotype by noninvasive imaging using a quantitative radiomics approach”现在已经达到1067次引用（Google Scholar 2019.01.20）。小编读过Hugo Aerts这篇“Artificial Intelligence in Radiology”文章之后，帮大家总结出三个要点： 1.AI技术在工程方面发展迅速，但在医学领域尤其是放射领域仍然有非常多的问题没有解决，例如在怎样保证训练数据质量，如何解决关键临床应用等方面。 2.文章介绍了在放射领域常见AI技术，相对于传统的影像诊断方法，AI技术尤其是深度学习能提供自动化，定量化的图像分析技术应用于临床诊断和预测。 3.这篇文章介绍了AI在放射领域中应用的三个主要方向，即Detection，Characterization和Monitoring，同时提出了关键技术在放射影像中的作用与前景。 接下来让我们正式进入这篇文章内容，文章首先高屋建瓴的描绘了人工智能AI发展的三个阶段[1] [2] [3]： 1.Early efforts过去：这个阶段的AI主要任务是帮助人来完成一些繁琐的工作，提高人的工作效率，早期的CAD（Computer-Aid Diagnosis）就属于该阶段的产物。 2.Current state现状：这个阶段因为训练数据的大大增加，同时神经网络方法使得模型可以处理更为复杂的特定任务。这一阶段的AI在某些领域已经超过人类，例如Speech Recognition, Alpha Go, 自动驾驶以及医学领域中，AI构建的模型已经在各种比赛中崭露头角。 3.Future outlook未来：未来的AI随着算法工程技术的提升以及数据的增加，一般的模型就能超过人类在特定任务中的能力，比如AI写一本畅销小说，AI指挥机器人做一场复杂的手术等。  图一 AI的三个不用阶段 与人类能力的比较 影像组学与深度学习 AI在医学影像中有着越来越高的需求。因为随着医疗设备的越来越先进，每天都产生着大量的医学临床数据，这些大数据需要利用人工智能的方法进行挖掘用于临床诊断与决策。文章也提到了医学影像方面用到最多的两种AI方法：  图二 影像组学Radiomics 和深度学习Deep Learning 1 Machine Learning algorithms based on predefined engineered features影像组学方法: 传统的人工智能方法需要依靠大量的预先定义的特征（engineering feature），这些特征可以定量的描述医学影像中的特点，比如肿瘤的体积，纹理等；再使用统计学方法（feature selection）选取和结果最为相关的特征；最后使用机器学习的方法建立诊断与预测模型，这里面常用的方法包括Logistic Regression逻辑回归，SVM支持向量机，Random forest随机森林等。 小编按：本段描述的框架就是我们常说的Radiomics影像组学方法，我认为文章这个小标题 – “Machine Learning algorithms based on predefined engineered feature”很好的解释了影像组学的方法学原理，同时这篇文章终于为Radiomics正言，即：影像组学Radiomics也是人工智能在医学影像领域的方法之一。  图三 一个影像组学用于临床分子分型的例子 2 Deep Learning Algorithms：相较上述的影像组学方法，深度学习方法不用事先定义图像特征，使用特征选择方法挑选特征及选择合适的机器学习方法建模。其中CNN(Convolutional Neural Network)卷积神经网络是在放射影像领域较为有效的方法之一，CNN方法通过构建深层的神经网络，在不同层提取相应的特征表示，进行图像识别，图像分割，自然语言处理等任务。 小编按：CNNs相较于Radiomics最大的特点是可以自动的（通常是大规模的）从数据中学习特征，并把结果向同类型未知数据推广（泛化）。一般基础的CNN结构由卷积（convolution），激活（activation）和池化（pooling）三种结构构成。整个过程最重要的工作是如何通过训练数据迭代调整网络权重，也就是后向传播算法，通常我们在论文里面读到的VGG，ResNet等也都是由简单的CNN调整组合得到的。  图四 一个用于医学图像的CNN Architecture AI在放射影像领域的具体应用 文章举例肿瘤影像领域，AI在放射影像方面的应用分为三大块即Detection，Characterization和Monitoring，这三个方面基本涵盖了现阶段的AI影像应用，文章也从这三个方面介绍了各自常用的AI方法。 Detection Detection主要解决在影像中找到病灶的问题。传统影像中，放射医生通过经验来找到病灶或感兴趣区域，这些方法很大程度上取决于医生本身的专业水平，所以存在个体差异及偏差。随着CADe（computer-aided detection）在临床上的应用，很多工程学的方法，例如模式识别（Pattern Recognition）被用来解决肉眼难以识别的病灶及微小病变。但是模式识别方法只能针对某一种模态的特定疾病任务，这局限了它在大规模临床使用的可能。随着深度学习的快速发展，基于深度学习的CADe系统使得detection结果具有更好的鲁棒性和精准性，现阶段已经有CT、MRI、超声以及钼靶等模态使用深度学习用于病灶的提取和自动识别[4]。  图五 Detection: 通过图像灰度的变化和区域模式的改变，识别感兴趣区域中可能存在的病灶或异常 Characterization Characterization主要解决在影像中如何分析与描述某个肿瘤或病灶区域。Characterization在医学影像AI应用中是一个内涵非常广的概念，它包括了分割（Segmentation），诊断（Diagnosis）和疾病的分级（Staging）等应用。和医生的人工诊断相比，AI能处理大量的高通量数据特征，并通过数据挖掘技术建立临床相关的模型。例如对于医生，由于灰度值比较接近某些肺部CT的结节很难判断其良恶性，AI可以提取高通量的特征来刻画感兴趣区域，更加精确的判断其良恶性。对于分割应用，正常组织和器官的分割相对比较容易，但对于病变的分割仍具有挑战性，近期也有众多基于深度学习的分割算法提出，用来处理更加复杂的任务[5] [6] [7]。  图六 Characterization包括Segmentation分割，Diagnosis自动诊断以及Staging分级等应用 Monitoring Characterization主要解决在临床中如何挖掘影像中的变化从而实现疗效评估等目的。疾病的监控Monitoring在治疗方案建议，疗效评估等方面都有重要的作用，例如在肿瘤临床影像领域，通常要采集病人不同阶段的影像数据，包括初诊，治疗前，治疗后，随访阶段等。相对于常见的单个时间段数据，这类基于时序的数据需要特殊的处理手段分析疾病的变化，用于疗效评估等。工程技术一般先利用图像配准（Registration）算法将各个阶段的数据配准到同一个空间，再利用图像分割算法（Segmentation）得到感兴趣区域ROI，自动分割（Auto-Segmentation）算法可以保证过程的可重复性，最后再利用特征提取方法（Feature extraction）得到利于大小（size），形状（shape），纹理（Texture）等特征用于各个阶段（治疗前，治疗后等）的对比，这也是我们熟知的影像组学Radiomics用于疗效评估的一般流程。通常我们在临床中使用的RECIST标准（Respongse Evaluation Criteria in Solid Tumours）实际上也是利用了上述的一部分特征来评估疗效与肿瘤进展[8] [9]。深度学习技术中的RNN（recurrent neural networks ）网络能很好的处理基于时序的数据，在肿瘤影像的Monitoring任务中能获得不错的效果。  图七 Monitoring: 通过挖掘多时序图像间的变化来评估疗效及相关临床决策  图八 影像临床的流程均是AI可以应用的范畴 AI在影像中的其他应用 除了上述在Detection，Characterization以及Monitoring上的应用，AI技术在其他影像临床领域也将发挥重要的作用， 其中包括优化获取影像流程，临床智能报告，与诊断和治疗结合的智能辅助诊疗等[10] [11]。 综上所述，AI在放射领域有着重要的作用，AI技术将首先将放射医生从繁重的读片工作中解脱出来，去关注更重要的临床问题，在临床决策中担任更为重要的角色；将来的放射科医生和AI将是互相依存的关系，更为精准的诊断和更为有效的评估将使更多的病人获益。同时，由于数据标准不统一及临床问题复杂以及医工人才匮乏等问题的存在，AI在放射领域的应用仍然存在诸多挑战，仍需要影像临床医生和AI工程专家共同努力。 【预告】精准影像将在后面几期分别介绍人工智能在各个临床领域如肿瘤，心血管，神经中的应用，挑战和机遇，也期待大家的意见和建议。 【科文简读】精彩回顾： 【科文简读】89Zr-atezolizumab: PD-L1抗体的分子探针 参考文献： 1.Xiong, W. et al. Toward human parity in conversational speech recognition. IEEE/ACM Trans. Audio Speech Language Process. 25, 2410–2423 (2017) 2.Pendleton, S. D. et al. Perception, planning, control, and coordination for autonomous vehicles. Machines 5, 6 (2017) 3.Silver, D. et al. Mastering the game of Go with deep neural networks and tree search. Nature 529, 484–489 (2016). 4.Nagaraj, S., Rao, G. N. & Kote swararao, K. The role of pattern recognition in computer- aided diagnosis and computer-aided detection in medical imaging: a clinical validation. Int. J. Comput. Appl. 8, 18–22 5.Long, J., Shelhamer, E. & Darrell, T. in 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) 3431–3440 (Boston, MA, USA, 2015) 6.Ronneberger, O., Fischer, P. & Brox, T. U. in Medical Image Computing and Computer-Assisted Intervention MICCAI 2015 234–241(Munich, Germany, 2015). 7.Moeskops, P. et al. in Medical Image Computing and Computer- Assisted Intervention MICCAI 2016,478–486 (Athens, Greece, 2016) 8.Khorasani, R., Erickson, B. J. & Patriarche, J. New opportunities in computer-aided diagnosis: change detection and characterization. J. Am. Coll. Radiol. 3, 468–469 (2006 ） 9.Patriarche, J. W. & Erickson, B. J. Part 1. Automated change detection and characterization in serial MR studies of brain-tumor patients. J. Digit. Imag. 20, 203–222 (2007) 10.Zhu, B., Liu, J. Z., Cauley, S. F., Rosen, B. R. & Rosen, M. S. Image reconstruction by domain-transform manifold learning. Nature 555, 487–492 (2018). 11.Hammernik, K., Würfl, T., Pock, T. & Maier, A. A. in Bildverarbeitung für die Medizin 2017 (eds Maier- Hein, K., Deserno, T., Handels, H. & Tolxdorff, T.) 92–97 (Springer, Berlin, Heidelberg, 2017). |
|
|
