淺談醫(yī)學(xué)影像大數(shù)據(jù)的發(fā)展及應(yīng)用

摘? 要：醫(yī)學(xué)影像學(xué)正朝向大數(shù)據(jù)應(yīng)用方面發(fā)展，醫(yī)學(xué)影像大數(shù)據(jù)具有大規(guī)模、高增速、多結(jié)構(gòu)、高價(jià)值和真實(shí)準(zhǔn)確五個(gè)特點(diǎn)。受技術(shù)方面的制約，目前絕大多數(shù)影像數(shù)據(jù)還需依賴影像診斷醫(yī)師進(jìn)行人工分析，因此出現(xiàn)了誤診率高、醫(yī)師缺口大的問(wèn)題。隨著我國(guó)發(fā)展人工智能腳步的加快，醫(yī)學(xué)影像被業(yè)內(nèi)認(rèn)為是人工智能在醫(yī)療中最有潛力的落地領(lǐng)域。在未來(lái)，AI醫(yī)學(xué)影像大數(shù)據(jù)主要會(huì)有以下幾個(gè)發(fā)展方向：開(kāi)發(fā)智能醫(yī)學(xué)影像圖像分析工具、助力精準(zhǔn)醫(yī)療、促進(jìn)影像組學(xué)方法的發(fā)展。在發(fā)展的同時(shí)，我們還要關(guān)注制約醫(yī)學(xué)影像大數(shù)據(jù)應(yīng)用的幾個(gè)因素，即影像數(shù)據(jù)的規(guī)模與質(zhì)量還較低、數(shù)據(jù)標(biāo)注效率有待提高、“人工智能+醫(yī)療”的復(fù)合背景人才稀缺。

關(guān)鍵詞：醫(yī)學(xué)影像大數(shù)據(jù);人工智能;精準(zhǔn)醫(yī)療

中圖分類號(hào)：R445 文獻(xiàn)標(biāo)識(shí)碼：A ? ?文章編號(hào)：1671-2064（2019）24-0000-00

1 認(rèn)識(shí)醫(yī)學(xué)影像大數(shù)據(jù)

1.1 什么是醫(yī)學(xué)影像大數(shù)據(jù)

在醫(yī)學(xué)領(lǐng)域，隨著信息化的不斷深入，數(shù)字醫(yī)學(xué)數(shù)據(jù)越來(lái)越豐富，其中醫(yī)學(xué)影像數(shù)據(jù)是一個(gè)十分重要的組成部分，有超過(guò)80%的醫(yī)療數(shù)據(jù)來(lái)自于醫(yī)學(xué)影像。如果按照大數(shù)據(jù)的特點(diǎn)，醫(yī)學(xué)影像大數(shù)據(jù)的定義可表示為：由DR、CT、MR等醫(yī)學(xué)影像設(shè)備所產(chǎn)生的，存儲(chǔ)在PACS系統(tǒng)內(nèi)的，大規(guī)模、高增速、多結(jié)構(gòu)、高價(jià)值和真實(shí)準(zhǔn)確的影像數(shù)據(jù)集合。其具有以下五個(gè)特點(diǎn)：大規(guī)模、高增速、多結(jié)構(gòu)、高價(jià)值和真實(shí)準(zhǔn)確。

多結(jié)構(gòu)和高價(jià)值這兩點(diǎn)很好理解。醫(yī)療影像設(shè)備種類日益增長(zhǎng)，使得醫(yī)學(xué)影像大數(shù)據(jù)包含結(jié)構(gòu)化表格、半結(jié)構(gòu)化文本、非結(jié)構(gòu)化影像等，數(shù)據(jù)結(jié)構(gòu)多樣;且現(xiàn)代醫(yī)學(xué)越來(lái)越依賴醫(yī)學(xué)影像數(shù)據(jù)進(jìn)行診斷，約80%的臨床問(wèn)題需要影像檢查才能得到準(zhǔn)確的診斷結(jié)果，這使得影像大數(shù)據(jù)具有很高的醫(yī)學(xué)分析和指導(dǎo)價(jià)值。

大規(guī)模和高增速需要從市場(chǎng)和人口兩個(gè)大環(huán)境來(lái)解釋。據(jù)統(tǒng)計(jì)，我國(guó)科室級(jí)PACS、多科室或全院級(jí)PACE系統(tǒng)建設(shè)水平已經(jīng)分別達(dá)到了60-70%和50-60%，基本覆蓋國(guó)內(nèi)一線城市的三甲醫(yī)院，從市場(chǎng)增速來(lái)看，我國(guó)PACS市場(chǎng)年均增速在25%以上;人口方面，影響醫(yī)療影像大數(shù)據(jù)規(guī)模的主要是人口基數(shù)和年齡的分布，據(jù)預(yù)測(cè)，到本世紀(jì)中葉，我國(guó)老年人口數(shù)量將達(dá)到峰值，超過(guò)4億，屆時(shí)每3個(gè)人中就會(huì)有一個(gè)老年人，老齡化必將帶來(lái)醫(yī)療服務(wù)的旺盛需求。所以，目前PACS系統(tǒng)的普及率和人口數(shù)量的龐大，是我國(guó)醫(yī)學(xué)影像大數(shù)據(jù)的大規(guī)?；A(chǔ)，而PACS系統(tǒng)和老齡人口的快速增長(zhǎng)率，是醫(yī)學(xué)影像大數(shù)據(jù)的高增速的基礎(chǔ)。

作為大數(shù)據(jù)5V特征中的最后一環(huán)，醫(yī)學(xué)影像大數(shù)據(jù)的真實(shí)性是如何實(shí)現(xiàn)的呢？這需要從數(shù)據(jù)處理技術(shù)方面來(lái)解釋。事實(shí)上，PACS系統(tǒng)從不同的影像設(shè)備上收集的數(shù)據(jù)在質(zhì)量上往往參差不齊，而數(shù)據(jù)分析結(jié)果的準(zhǔn)確度和可信度很大程度上取決于收集到的數(shù)據(jù)質(zhì)量的高低，所謂“垃圾進(jìn)，垃圾出”，沒(méi)有數(shù)據(jù)準(zhǔn)確性作保證，大數(shù)據(jù)分析就變成了一紙空談。為了保證影像大數(shù)據(jù)的真實(shí)性，在影像設(shè)備將影像數(shù)據(jù)傳遞給PACS系統(tǒng)后，首先要做的第一步就是由PACS系統(tǒng)來(lái)對(duì)影像進(jìn)行后處理。以多維影像融合這項(xiàng)技術(shù)為例，主要包括數(shù)據(jù)預(yù)處理、圖像分割、特征提取以及匹配判斷這幾個(gè)過(guò)程。簡(jiǎn)單來(lái)說(shuō)，數(shù)據(jù)預(yù)處理是指將大量模糊的、不完整的、帶有噪聲和冗余的信息進(jìn)行清理和過(guò)濾， 濾掉殘?jiān)?，留下精華，將其變成適合挖掘的形式，包括圖像去噪、增強(qiáng)、平滑、銳化等工作;圖像分割和特征提取環(huán)節(jié)是將預(yù)處理過(guò)的圖像“切絲、切段”，為后期的智能匹配和判斷提供精準(zhǔn)的素材，例如器官形態(tài)模型、圖像邊緣特征模型、神經(jīng)網(wǎng)絡(luò)聚類模型等;最后的圖像匹配和聚類的過(guò)程，需要依賴深度學(xué)習(xí)等核心技術(shù)，即人工智能與醫(yī)學(xué)影像大數(shù)據(jù)的融合。

1.2 醫(yī)學(xué)影像大數(shù)據(jù)的應(yīng)用現(xiàn)狀

據(jù)了解，目前絕大多數(shù)醫(yī)學(xué)影像數(shù)據(jù)都要依賴影像診斷醫(yī)師進(jìn)行人工分析。人工分析主要存在以下兩個(gè)問(wèn)題：第一是精確度低。影像診斷結(jié)果會(huì)因?yàn)槭艿结t(yī)師的精力、耐力、眼力、經(jīng)驗(yàn)水平等因素的局限，很容易被誤判。中國(guó)醫(yī)學(xué)會(huì)的一份誤診數(shù)據(jù)資料顯示，中國(guó)臨床醫(yī)療每年的誤診人數(shù)約為5700萬(wàn)人，總誤診率為27.8%，其中惡性腫瘤平均誤診率為40%，如鼻咽癌、白血病、胰腺癌等，肝結(jié)核、胃結(jié)核等肺外結(jié)核的平均誤診率也在40%以上。因?yàn)獒t(yī)療行業(yè)中80%-90%的數(shù)據(jù)都來(lái)源于醫(yī)學(xué)影像，醫(yī)學(xué)影像是醫(yī)生進(jìn)行疾病判斷的重要依據(jù)，所以要降低誤診率，首先要提高影像診斷的精確度。

第二是放射科醫(yī)師缺口大。目前我國(guó)放射科醫(yī)師僅有8萬(wàn)多名，每年承擔(dān)的診斷工作量卻達(dá)到了14.4億張影像，并且這個(gè)需求還在不停地增加，我國(guó)醫(yī)學(xué)影像數(shù)據(jù)以每年30%的速率增長(zhǎng)，與之相對(duì)應(yīng)的放射科醫(yī)師的年增長(zhǎng)速率卻只有4%，其間的差距是26%，放射科醫(yī)師數(shù)量的增長(zhǎng)遠(yuǎn)不及影像數(shù)據(jù)的增長(zhǎng)。這意味著放射科醫(yī)師在未來(lái)處理影像數(shù)據(jù)的壓力會(huì)越來(lái)越大，甚至遠(yuǎn)遠(yuǎn)超過(guò)負(fù)荷。據(jù)統(tǒng)計(jì)，有超過(guò)50%的放射科醫(yī)師工作時(shí)間在8小時(shí)以上，20.6%的醫(yī)師每天平均工作時(shí)間超過(guò)10個(gè)小時(shí)。面對(duì)爆炸式增長(zhǎng)的醫(yī)學(xué)影像數(shù)據(jù)集和相當(dāng)較少的、水平不一的閱片醫(yī)師，醫(yī)師的疲勞、情緒等因素都將會(huì)導(dǎo)致誤診、漏診率的上升。

那么，面對(duì)目前醫(yī)學(xué)影像誤診率高、醫(yī)師缺口大的問(wèn)題，應(yīng)該通過(guò)何種途徑去解決呢？從現(xiàn)有技術(shù)水平來(lái)看，最好的途徑便是人工智能，隨著人工智能和醫(yī)學(xué)影像大數(shù)據(jù)的逐漸普及，兩者的融合，必將成為醫(yī)學(xué)影像發(fā)展的重要方向。

2 未來(lái)醫(yī)學(xué)影像大數(shù)據(jù)的應(yīng)用發(fā)展

得益于高質(zhì)量、高標(biāo)準(zhǔn)化的醫(yī)療影像數(shù)據(jù)庫(kù)的快速積累，醫(yī)學(xué)影像天然具有使用人工智能進(jìn)行大數(shù)據(jù)處理的可能，再加上智能圖像診斷算法趨于成熟，人工智能技術(shù)被認(rèn)為是解決當(dāng)前醫(yī)學(xué)影像界面臨難題的“救命稻草”，醫(yī)學(xué)影像也因此成為人工智能在醫(yī)療中最有潛力的落地領(lǐng)域。醫(yī)學(xué)影像大數(shù)據(jù)與人工智能相結(jié)合主要會(huì)有以下幾個(gè)發(fā)展方向：

2.1 提供醫(yī)學(xué)影像圖像分析工具

AI醫(yī)學(xué)影像應(yīng)用中最為亮眼的成果無(wú)疑是“醫(yī)學(xué)影像閱片機(jī)器人”了。大數(shù)據(jù)、計(jì)算力以及人工智能算法是AI近年來(lái)崛起的基石，醫(yī)學(xué)影像閱片機(jī)器人的誕生也正基于此。據(jù)檢測(cè)，通過(guò)輸入上萬(wàn)多張高質(zhì)量的人工標(biāo)注的CT影像，配以適用于AI的高性能計(jì)算機(jī)（HPC）設(shè)備和用于影像識(shí)別的3D卷積神經(jīng)網(wǎng)絡(luò)算法，閱片機(jī)器人就可以從若干張肺部CT光片中找到隱匿著的少量病人的CT片，快速識(shí)別圖片中病灶的位置，在準(zhǔn)確率上勝過(guò)了絕大多數(shù)專業(yè)醫(yī)生，在用時(shí)上更是遠(yuǎn)遠(yuǎn)超過(guò)了人類選手。

這種以“閱片機(jī)器人”為代表的人工智能醫(yī)學(xué)影像輔助診斷系統(tǒng)進(jìn)入臨床應(yīng)用后，勢(shì)必會(huì)將放射科醫(yī)師從繁重的閱片工作量中解脫出來(lái)，幫助醫(yī)生快速獲得影像診斷結(jié)果，提高診療效率和準(zhǔn)確性，并且這種經(jīng)過(guò)大數(shù)據(jù)訓(xùn)練后的影像輔助診斷系統(tǒng)可以變身為一個(gè)“類似應(yīng)用程序的東西”，嵌入在任何的服務(wù)器甚至手機(jī)上，從而能夠在社區(qū)、鄉(xiāng)鎮(zhèn)等醫(yī)療條件不高的地方給基層醫(yī)生“頂級(jí)專家看病的本事”。

2.2 助力精準(zhǔn)醫(yī)療

2013年，美國(guó)女星安吉麗娜·朱莉通過(guò)基因檢測(cè)，發(fā)現(xiàn)其攜帶了一個(gè)“乳腺癌易感基因”，根據(jù)醫(yī)生建議，朱莉接受了雙側(cè)乳腺切除手術(shù)，通過(guò)手術(shù)，朱莉患有乳腺癌的幾率從87%下降到了5%。這是一個(gè)典型的利用基因大數(shù)據(jù)實(shí)現(xiàn)“精準(zhǔn)治療”的案例。隨著計(jì)算機(jī)存儲(chǔ)量和運(yùn)行速度的提升，生物醫(yī)學(xué)大數(shù)據(jù)的整合利用，疾病的治療將從經(jīng)驗(yàn)醫(yī)學(xué)向精準(zhǔn)醫(yī)學(xué)轉(zhuǎn)變，最終可實(shí)現(xiàn)疾病的“同病不同因，同因不同治”。而醫(yī)學(xué)影像大數(shù)據(jù)在精準(zhǔn)醫(yī)療的發(fā)展中發(fā)揮著絕對(duì)的主力作用，有超過(guò)90%的臨床醫(yī)學(xué)數(shù)據(jù)來(lái)自于醫(yī)學(xué)影像，如果能夠運(yùn)用人工智能技術(shù)分析醫(yī)學(xué)影像，深入挖掘影像特征與病狀之間的聯(lián)系，并將影像與醫(yī)學(xué)文本記錄進(jìn)行交叉對(duì)比，與基因組數(shù)據(jù)相結(jié)合，即可更準(zhǔn)確地分析出針對(duì)個(gè)體的診斷與治療方案，挽救患者的生命。

2.3 促進(jìn)影像組學(xué)方法的發(fā)展

在臨床實(shí)踐中，影像醫(yī)生對(duì)圖像的解讀還停留于主觀的判斷，通?；诓≡钚螒B(tài)、大小、部位、密度/信號(hào)、增強(qiáng)強(qiáng)化模式等作出診斷。這樣的方法存在主觀性強(qiáng)、依賴于臨床經(jīng)驗(yàn)等缺點(diǎn)，已不能滿足現(xiàn)代醫(yī)療模式轉(zhuǎn)向精準(zhǔn)醫(yī)學(xué)實(shí)踐的要求，在臨床上亟需研發(fā)影像量化方法。近年來(lái)，隨著醫(yī)學(xué)影像大數(shù)據(jù)和醫(yī)學(xué)圖像分析技術(shù)的發(fā)展，從醫(yī)學(xué)圖像中挖掘信息，提供臨床醫(yī)生肉眼不能判讀的深層定量信息用于臨床分析與臨床指導(dǎo)，逐漸成為醫(yī)學(xué)圖像研究的熱點(diǎn)，影像組學(xué)因此而產(chǎn)生。

荷蘭學(xué)者Philippe Lambin教授于2012年提出影像組學(xué)（Radiomics）的概念，其定義是：利用計(jì)算機(jī)軟件，將醫(yī)學(xué)影像轉(zhuǎn)化為可挖掘的數(shù)據(jù)，從中抽取海量的定量影像特征，用于臨床信息的解析。其基本分析流程包括：圖像獲取及病灶分割，影像組學(xué)特征提取，影像組學(xué)特征篩選、模型構(gòu)建和臨床信息解析等。簡(jiǎn)單來(lái)說(shuō)，它的工作流程與醫(yī)生日常讀片是非常類似的，針對(duì)影像數(shù)據(jù)，提取特征，利用人工智能建模，然后再進(jìn)行臨床應(yīng)用、輔助決策。但相比醫(yī)生，它的最大優(yōu)勢(shì)在于計(jì)算機(jī)看到了高維信息，能夠看到蛋白基因在宏觀影像上的變化，這樣的寶貴數(shù)據(jù)可以輔助醫(yī)生提升臨床診斷的正確性和準(zhǔn)確性。

3 AI醫(yī)學(xué)影像發(fā)展面臨的問(wèn)題

3.1 影像數(shù)據(jù)的規(guī)模與質(zhì)量需要進(jìn)一步提高

數(shù)據(jù)是人工智能算法所需的核心資源，僅掌握算法而缺乏數(shù)據(jù)是無(wú)法獲得較好訓(xùn)練效果的。現(xiàn)階段，我國(guó)的醫(yī)療影像仍處于從傳統(tǒng)膠片向電子數(shù)據(jù)過(guò)渡的階段，大量影像資料尚未數(shù)字化，且醫(yī)院之間的數(shù)據(jù)共享和互通程度較低，是否能夠獲取大規(guī)模的、優(yōu)質(zhì)的、標(biāo)準(zhǔn)化的、規(guī)范化的可靠大數(shù)據(jù)是對(duì)本行業(yè)的一個(gè)巨大考驗(yàn)。

3.2 數(shù)據(jù)標(biāo)注效率有待提高

在獲取數(shù)據(jù)的基礎(chǔ)上，人工智能在對(duì)模型進(jìn)行訓(xùn)練之前，訓(xùn)練集需要進(jìn)行事先標(biāo)注。由于大多數(shù)圖像標(biāo)注還需依賴人工識(shí)別，至少需要兩位以上的資深醫(yī)學(xué)專家來(lái)控制標(biāo)注質(zhì)量，如果標(biāo)注結(jié)果不一樣，還會(huì)再聘請(qǐng)一位更高資歷的專家來(lái)確定標(biāo)準(zhǔn)，數(shù)據(jù)標(biāo)注工作耗費(fèi)了較大量的人力和時(shí)間，成本非常高。因此在AI醫(yī)療影像領(lǐng)域，如何高效的自動(dòng)獲取具有高可靠性的標(biāo)注數(shù)據(jù)也成為今后需重點(diǎn)解決的問(wèn)題。

3.3 跨學(xué)科人才稀缺

在醫(yī)學(xué)這個(gè)專業(yè)程度很高的領(lǐng)域，AI醫(yī)學(xué)影像應(yīng)用及平臺(tái)開(kāi)發(fā)者不僅要研究人工智能算法，更要對(duì)醫(yī)療影像識(shí)別建立深入的了解，急需一大批高素質(zhì)，既懂醫(yī)學(xué)，又懂理學(xué)、工科的復(fù)合型、跨學(xué)科人才。歸根到底，一個(gè)AI產(chǎn)品是否符合醫(yī)療行業(yè)需求，主要看是不是解決臨床問(wèn)題，是不是按照醫(yī)生的需求去設(shè)計(jì)，按照醫(yī)生的規(guī)劃達(dá)到一定效果，因此開(kāi)發(fā)者只懂AI技術(shù)是遠(yuǎn)遠(yuǎn)不夠的，只有“人工智能+醫(yī)療”的復(fù)合背景人才才能開(kāi)發(fā)出醫(yī)生真正覺(jué)得好用的產(chǎn)品，人才是決定本行業(yè)未來(lái)發(fā)展高度的決定性因素。

4 結(jié)語(yǔ)

醫(yī)學(xué)影像大數(shù)據(jù)與人工智能的結(jié)合已是大勢(shì)所趨，深入挖掘醫(yī)學(xué)影像大數(shù)據(jù)背后的價(jià)值，用人工智能賦能醫(yī)學(xué)影像大數(shù)據(jù)，用科技的力量改變醫(yī)學(xué)影像診斷，釋放人工智能在醫(yī)療領(lǐng)域應(yīng)用的巨大潛力，解放醫(yī)生，讓患者看病不再困難，這將是時(shí)代賦予影像人肩上的重?fù)?dān)！

參考文獻(xiàn)

[1] 張振，周毅，杜守洪，等.醫(yī)療大數(shù)據(jù)及其面臨的機(jī)遇與挑戰(zhàn)[J].醫(yī)學(xué)信息學(xué)雜志，2014，35（6）：2—8.

收稿日期：2019-10-22

作者簡(jiǎn)介：滕樹(shù)凝（1981—），女，山東濟(jì)南人，碩士，講師，研究方向：醫(yī)學(xué)影像成像原理、醫(yī)學(xué)信息學(xué)。