算力說

醫(yī)學成像技術在疾病的早期檢測，診斷和治療中發(fā)揮了關鍵作用，例如計算機斷層掃描（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)學成像中，醫(yī)生通常通過視覺評估肝臟醫(yī)學圖像來檢測，表征和監(jiān)測疾病。有時，這種基于專業(yè)知識和經(jīng)驗的視覺評估可能是個人的和不準確的。人工智能可以通過自動識別成像信息而不是這種基本推理來進行定量評估。

本文編譯自世界胃病學雜志近期的同行審閱文章，由LI－Qiang Zhou等著名學者共同執(zhí)筆。

【算力觀點】

病理診斷的準確性嚴重依賴于病理醫(yī)生的水平，病理科醫(yī)生必須經(jīng)過數(shù)年甚至十幾年的訓練才能掌握足夠的經(jīng)驗，成為一名合格的病理學家。通過AI技術，能幫助解決醫(yī)療資源稀缺問題，并有效突破病理診斷的瓶頸。

（圖片來源：公開資料）

局灶性肝臟病變檢測

結合多種圖像模式的深度學習算法已被廣泛用于局灶性肝臟病變的檢測（詳見圖一）。結合深度學習方法與CNNs和CT進行肝病診斷已引起廣泛關注。與視覺評估相比，該策略可以捕獲更詳細的病變特征并進行更準確的診斷。根據(jù)研究表明，通過使用基于縱向肝臟CT研究的深度學習模型，可以自動檢測新的肝臟腫瘤，真陽性率為86％，而獨立檢測率僅為72％，這種方法達到了精確度比傳統(tǒng)的SVM提高了39％。

（圖片來源于：WJG）

局灶性肝臟病變評估

CNN在評估肝臟病變方面也非常有用， 通過使用基于動態(tài)對比增強CT圖像的非增強動脈和延遲期的 CNN模型，一項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，典型肝細胞癌（HCC）對腫塊進行診斷； 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移學習評估。對圖像網(wǎng)絡數(shù)據(jù)集進行深度CNN預訓練，首先提取高級特征，然后利用SVM算法對圖像進行分類。采用特征分析法和套索回歸法對脂肪變性程度進行評價。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％，準確度為96．3％。

利用深度學習對肝損傷進行半自動體積分割（圖片來源：Arterys）

肝臟治療預測

自動預測肝細胞癌患者在治療前對經(jīng)動脈化療栓塞的可能反應是有意義和有價值的。它可以最大限度地減少病人的傷害，減少不必要的干預，降低醫(yī)療費用等。通過結合臨床數(shù)據(jù)和基于ML模型的基線磁共振成像，可以準確預測肝細胞癌患者的經(jīng)動脈化療栓塞結局，并極大程度上幫助醫(yī)生對肝癌患者進行最佳治療選擇。

肝臟影像報告（圖片來源：Arterys）

AI技術臨床應用的挑戰(zhàn)和未來方向

對特定AI任務的相關數(shù)據(jù)分割是對建立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，因為它們總是需要人類專家來驗證數(shù)據(jù)的準確性。人們現(xiàn)在的手段因而依賴于無監(jiān)督學習，包括生成對抗網(wǎng)絡和變分自動編碼器，可以通過學習不帶明確標簽的歧視性特征來實現(xiàn)自動數(shù)據(jù)管理。但這樣的自動化解決方案也十分耗時，因而關于通過深度學習方法實施全自動臨床任務所需的時間存在相當大的爭議存在相當大的爭議。

在提高更高效率和更高品準確性的同時，我們還需要倡導創(chuàng)建互聯(lián)網(wǎng)絡，以識別來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，地理區(qū)域，疾病的規(guī)模大小。只有這樣，我們才能創(chuàng)建一個對社會負責并讓更多人受益的人工智能。

作者：Ripple