第二章　信息化時代多模態分子影像的發展趨勢

醫學影像技術的發展是臨床醫學領域發展最迅速的學科之一，為疾病的診斷、治療和研究發揮了重要作用。同時，一些新的相關技術的發展對醫學影像技術也產生了重要影響，特別是信息化技術的發展促進了醫學影像技術發展與自動化、智能化和質量的提高，多模態、多參數、多尺度影像的發展促進了不同影像學科之間的融合與互補；基于影像組學、大數據、人工智能、遠程醫療和移動醫療技術的發展極大地推動了醫學影像技術進步，也改變了醫學影像學科的傳統發展模式；新的放射性核素和納米技術的應用，為診療一體化的發展帶來了新的契機。

第一節　多模態、多參數、多尺度影像

近幾年來，多模態影像的發展比較快，也相對比較成熟。醫學影像幾十年的發展經驗表明，無論是CT、MRI、超聲影像，還是核醫學的PET、SPECT影像，盡管不同的顯像模式都有各自的優勢和特點，但是卻沒有一種獨立的影像技術能夠解決臨床診療中面臨的所有問題，包括早期診斷、臨床分期、診療決策、早期治療反應監測和預后評估等。因此，發展多模態影像是必由之路，充分發揮不同影像的優勢，不同模式影像優勢互補，可以解決大多數臨床診療問題。盡管如此，限于影像儀器和檢查本身存在的缺陷，僅依靠不同的顯像模式仍然不能解決臨床診療決策過程中需要的信息，尤其是病變生物學特性信息，因此提出了多參數影像的概念。

生命的過程是不同的物理和化學變化的過程，疾病的發生和發展也是一個極為復雜的物理與化學變化過程的體現，并由這些化學變化導致生物學變化，表現出不同的生物信息改變。臨床上，常規的影像技術難以對疾病的生物化學過程和生物學變化信息進行可視化，即使是利用某一單一的分子影像也不能記錄不同疾病發生、發展過程中生物學信息變化。因此，多參數顯像就是針對不同疾病、不同過程建立多層次的監測手段，例如利用fMRI及波譜監測疾病發生發展過程中的化學位移變化、代謝產物組成等，為真實地再現疾病形成過程的本質。然而，fMRI及波譜分析反映疾病生物學過程的能力還十分有限，形態學影像雖然很成熟，其解剖分辨率也幾乎達到了完美的極限，而且組織的解剖結構變異也較小，便于實現人工智能診斷等優勢，但是形態學影像要再進一步的突破卻是很困難，加上MRI、CT和超聲等形態學為主的影像探測微量化學物質的敏感性有限，難以精確監測到不同的分子改變信息；而應用放射性核素標記針對不同生物分子探針的分子影像則可彌補這一不足，盡管目前很多技術還不成熟，有些方法還處于臨床前研究階段，而且某一單一的分子探針其兼容性和廣譜性有限，針對不同的分子靶標要設計不同的分子探針，但是卻具有很高的特異性、敏感性和發展空間，隨著分子生物學不斷發現新的生物標志物和新的信號分子，分子影像技術就有可能構建新的分子探針，并進行體內分子示蹤和可視化，再現不同疾病的生物學過程變化，因此分子影像及其新的分子探針研發將是無限的，也是核醫學分子影像的生命力。多功能分子探針的研發和應用將是今后多參數分子影像發展的主要方向，而基于多模態、多參數、多功能探針的分子影像將是新時期醫學影像發展的主要模式。分子核醫學發展的另一優勢是惡性腫瘤的診療一體化，分子核醫學不僅能使某些腫瘤生物標志物可視化，而且利用核素發射的β射線實施腫瘤內照射靶向治療，目前¹⁷⁷Lu、¹⁸⁸Re、¹³¹I等核素都是診療一體化常用的核素。

分子影像在生命科學和醫學研究與應用中具有舉足輕重的作用，生命的過程是發生在多層次的，從細胞、組織、器官到完整的機體都有著不同的表現形式，因此其生物醫學影像的模式和顯示也不一樣，建立和發展不同尺度成像模式對于生命科學研究意義重大，也是臨床分子影像的基礎。分子影像的優勢在于從細胞和分子水平對活體的生物學過程進行定位、定性、定量和可視化，這也包括可對活的細胞、組織和整個機體進行顯像。在體外活細胞的示蹤研究中，可以通過熒光分子影像對細胞的生物學過程進行監測，這早已成為生物學研究中的重要手段；在活體小動物實驗中，利用發光物質、核素、磁性納米材料或超聲微泡標記的活體示蹤技術，進行熒光成像、生物發光成像、近紅外成像、核素成像、MRI和超聲顯像等，對體內相關生物分子進行可視化，尤其是核素標記進行分子成像具有獨特的優勢，利用放射性核素標記某些特異性生物分子可以行小動物PET、SPECT活體無創性示蹤研究，也可應用磷屏成像系統對整體小動物、離體標本和細胞進行可視化研究；而對于比較成熟的標記分子則可以直接進行人體PET/CT、PET/MR顯像，觀察某些被觀察的物質或分子在活體內被靶組織吸收、分泌、轉化及代謝過程，闡明疾病的發生規律，篩選機體的治療靶分子為臨床治療決策提供依據。此外，臨床上許多新的靶向治療藥物在應用于臨床之前，大多要經過細胞、小動物、臨床試驗，再到臨床轉化應用幾個階段，因此，多尺度分子影像近些年發展非?？?，也是臨床前研究和轉化醫學研究的重要內容。

第二節　影像組學在醫學影像發展中的作用

一、從基因組學到影像組學形成

20世紀90年代人類基因組計劃（Human Genome Project，HGP）的實施完成了人體內約2.5萬個基因30億個堿基的全基因組測序，繪制出人類基因的圖譜，解開了人類生命的奧秘，被稱為生命科學的一項偉大工程，包括中國也參與了此項計劃，人們將這一時期稱為“結構基因組學時代（structural genomics）”。自2000年以后，人類對于基因的研究轉入到后基因組學（post-genomics）時代，又稱為功能基因組學（functional genomics）時代。人們利用結構基因組學所提供的信息和產物，發展和建立新的研究手段探索基因的功能，闡明基因變異與疾病、基因組表達的調控、基因組動態的生物學功能。影像組學、分子影像組學以及分子影像技術也是建立在基因的表達和功能基礎之上的技術，也是功能基因組學技術的組成部分（圖2-1）。

從基因組（genome）和基因組學（genomics）兩個名詞誕生至今，迄今已有成千上萬的“組（omes）”和“組學（omics）”出現，已成為生物醫學研究領域重要的知識體系和熱點。在分子生物學中，組學（omics）主要包括基因組學（genomics）、蛋白組學（proteinomics）、代謝組學（metabolomics）、轉錄組學（transcriptomics）、脂類組學（lipidomics）、免疫組學（immunomics）、糖組學（glycomics）、RNA組學（RNAomics）、藥物基因組學（pharmacogenomics）、表觀基因組學（epigenomics）等。Omics是組學的英文稱謂，它的詞根‘-ome’意為一些種類個體的系統集合，例如基因組（genome）是構成生物體所有基因的組合，基因組學（genomics）就是研究這些基因以及這些基因間關系的學科。

隨著生命科學研究的不斷深入，科學家們發現單純研究某一方向（如基因組與蛋白質組，轉錄與轉錄組等）無法解釋全部生物醫學的問題，從而提出從整體的角度出發去研究人類組織細胞結構、基因、蛋白及其分子間相互的作用，通過整體分析反映人體組織器官功能和代謝的狀態，為探索人類疾病的發病機制提供新的思路。因此，系統生物學（systems biology）概念的提出將機體當作一個整體或系統來研究，是后基因組學時代生命科學研究的又一新的模式。系統生物學與基因組學、蛋白質組學等各種“組學”的不同之處在于，它是一種整合型大科學，它將系統內不同性質的構成要素（如基因、mRNA、蛋白質、生物小分子等）整合在一起進行系統研究。

影像組學的英文“radiomics”其原意為放射組學，顯然使用放射組學一詞太局限，不能很好反映當今影像組學所涉及的領域，如磁共振成像、光學成像等非放射影像。隨著影像組學的不斷發展，或許給影像組學換一個新的名字，用“imageomics”取代“radiomics”更合適。盡管這個詞目前在詞典里還查不到，但是我相信這個詞一定會成為反映時代特征的常用詞，就像診療一體化（theranostic）一詞的出現一樣。而且隨著該領域的進一步發展，還會逐步形成分子影像組學（molecular imageomics）。影像組學是在基因等組學認識的基礎上提出的新概念，是繼結構基因組學時代之后，后基因組學（功能基因組學）時代又一新的產物，利用現代數據采集與信息分析技術高通量從MRI、PET及CT等不同影像中提取海量高維影像特征信息，定量分析病灶特征，獲取通過人眼不能觀察到的紋理信息，解析影像紋理特征（texture features）與疾病的發生、發展、病理、療效、預后甚至基因表達等之間的關系，用于疾病的生物學分型、分期、治療決策、療效和預后判斷等。將影像組學的特征信息與基因組學信息、臨床大數據庫信息進行關聯和整合分析，用于疾病及其疾病轉歸的預測，也稱為影像基因組學（image genomics），是當今醫學研究的熱點課題。

影像組學分析的規程通常包括以下步驟：①從CT、PET、MRI、超聲等影像自動提取高通量特征信息；②確定病灶邊界和進行影像分割；③對ROI紋理特征進行提取、分析和定量，包括病灶密度、形態、大小信息以及血流、代謝、功能、乏氧等信息；④自動生成Haralick紋理特征圖；⑤建立多參數模型、機器學習、修正與驗證；⑥基于影像結局的疾病分類與智能化診斷；⑦將影像組學信息與臨床信息、遺傳學和生物學信息、人口統計學信息等進行關聯與整合，為患者的個體化醫療和精準醫療提供決策依據。

二、影像組學的應用

目前影像組學研究在臨床上主要是用于腫瘤的評價，以解決常規影像定性與定量分析模式對腫瘤內生物學行為的異質性認識不足，從而影響到疾病的治療和評估問題。通過影像紋理特征分析可獲得肉眼看不到的病灶某些信息，特別是可能逃脫人眼識別的亞視覺（subvisual）信息，或者視覺能夠看見病灶的異質性但是不能對異質性進行量化，難以與大數據庫進行信息整合分析。通過建立亞視覺特征模型，捕捉腫瘤區域微妙變化，例如目前常規的影像中，CT影像特征包括體積、衰減、形態、結構、強化和紋理信息的異質性，MRI影像特征還包括信號強度、彌散加權、增強以及波譜等，PET影像的FDG及不同分子探針攝取的異質性，為醫學影像的精準定量與智能化診斷提供了一種新的策略。

病灶的紋理特征在相對量化處理后與視覺評估之間有很好相關性，兩種觀察的差異與整體不同因素有關，如紋理參數、最大標準化攝取值（SUV_max）或腫瘤體積像素等。多參數模型結合了大量高階（high-order）多模態影像特征，其準確性和可重復性優于視覺分析，且不受人的主觀因素判斷的影響。將視覺意向與參數模型和其他領域信息（人口統計學、組織病理學、基因組學）整合分析將是一項具有挑戰性的工作。人腦僅根據有限量參數做出決定，而多參數模型分析可以從多維度進行定量。但是組學分析要求有較高的精度和健全性，便于被接受并制訂臨床決策，還需要嚴格的模型開發（培訓）、驗證（獨立的大型隊列研究）和深度學習，不同影像模式、不同的疾病均需要開發專用的應用模型，因此影像組學在臨床上的應用還需要有大數據的支持。

（一）腫瘤治療反應的早期評估

1.CT影像組學評估治療反應

常規的腫瘤療效評估主要是根據CT、MRI的形態學信息，受腫瘤異質性和形態變異的影響，有時不能靈敏地評估治療療效。當腫瘤不規則或者其生長與縮小在三維上不規則時，對于腫瘤大小的變化線性測量可能給出一個不適當的評估，盡管治療后腫瘤體積是縮小的，但病灶最大線性測量值卻無變化，線性測量受閱片者個體認識的影響增加了處理的可變性，導致反應評估不和諧。而根據CT體積、衰減、形態、結構和紋理等多參數特征定量信息，對于腫瘤治療反應評價明顯優于RECIST和WHO標準以線性測量腫瘤大小變化。特別是對于形態比較復雜的腫瘤應用薄層CT掃描分割法可以測量腫瘤體積，空間分辨率高，克服了線性測量的不足。在肝細胞癌和胃腸間質瘤患者已證實，增強CT衰減變化（CECT）比腫瘤大小變化能更好反映治療反應。

2.PET/CT影像組學評估治療反應

近年來，隨著PET/CT的廣泛應用，¹⁸F-FDG PET/CT在腫瘤治療反應評估中的作用也得到了人們的廣泛接受，在某些腫瘤的評估上克服了單純依靠RECIST和WHO形態學變化評價的不足，結合了PET/CT信息的RECIST1.1標準和以PET/CT為基礎制訂的PERCIST標準已經成為評估腫瘤治療反應、預測預后和指導個體化醫療的常規方法?；卺t師的主觀判斷或半定量評價治療療效誤差較大，影像組學的發展為腫瘤反應評估提供了有希望的客觀依據，通過計算機提取大量的圖像特征，可獲取更多有臨床預后價值的定量信息。

目前多數¹⁸F-FDG PET/CT定量腫瘤治療反應都以SUV_max為指標，治療前后SUV_max變化與治療后病理反應和生存有關。但是SUV_max是單點估計，忽略了腫瘤內FDG攝取分布的異質性和代謝異常的范圍。多數實體瘤都是由各種惡性和非惡性成分組成，FDG攝取的程度和分布存在較大的異質性，而FDG攝取異質性與重要的生物學、生理參數和預后有關。最近的研究表明，應用影像組學對PET/CT影像的空間特征信息如腫瘤體積、總糖酵解體積和標準化攝取值進行定量分析，通過對代謝活動（高于腫瘤本底的總剩余SUV）、SUV直方圖距離、腫瘤形狀、紋理特征和累積SUV體積直方圖分析，對于腫瘤治療反應的預測比SUV_max和腫瘤直徑測量提供更多信息，綜合時間-空間的¹⁸F-FDG PET特征（強度、紋理、形狀特征及其治療后變化）是腫瘤放化療病理反應更有用的預測指標。根據臨床參數和PET時空特征構建支持向量機（SVM）模型，經過交叉驗證預測病理學腫瘤反應的敏感性和特異性大大提高。

Antunes等應用¹⁸F-FLT PET/MR影像組學分析評價了轉移性腎透明細胞癌接受舒尼替尼（sunitinib）治療的早期治療反應（RCC）。影像采集包括治療前的測試/復試掃描和實施治療3周后的¹⁸F-FLT PET、T₂加權和彌散加權（DWI）協議，DWI生成表觀彌散系數（apparent diffusion coefficient，ADC）圖。首次嘗試用FLT-PET/MR組學分析評估治療早期反應；結果表明，PET/MR影像組學特征，即SUV，ADC能量和T₂W差均值可以確定轉移性腎細胞癌細胞抑制治療的早期結構和功能反應；雖然SUV的個體特征其整體敏感性和特異性排名是最高的，但是最佳整合的影像組學特征從不同的PET/MR協議中實現信息互補而具有更高的敏感性。但是該結果還需要更多數據進一步驗證，包括研究相關的早期治療變化與無進展生存的關系，以及在其他腫瘤的應用。

（二）預后預測

當今對癌癥診療方法的研究發展較快，但許多癌癥的治療結局仍然迷茫，患者對相同治療方案表現出不同的反應，從而促進了個體化醫療以及精準醫療的發展。影像組學研究及其臨床應用對于某些腫瘤治療反應的早期評估和預后預測有可能提供重要的依據。Ganeshan等比較了單獨的CT紋理分析和結合了PET信息的組學影像分析淋巴瘤預后的影響。結果表明，CT紋理分析能夠很好預測淋巴瘤患者的無進展存活，而CT紋理分析整合PET多參數的回歸分析是預測無進展存活的最好指標。

（三）從影像組學到影像基因組學

手術是惡性腫瘤治療的首選方法，傳統的方法要獲取病灶的生物學信息（如病理學類型、基因的表達等）通常是術前進行活組織檢查或者通過術后病理學和免疫組化分析，但是部分不能手術的患者，已發生局部或全身轉移以及術后復發的患者卻難以獲得所有病灶的生物學信息，為進一步制訂治療決策帶來了困難。而且由于腫瘤的異質性，不同病灶的生物學特性不一定相同，原發灶與轉移灶的生物學特性也可能不一樣，這些信息又是臨床上選擇放療、化療、靶向治療或內分泌治療方法的重要依據。目前治療腫瘤的這些方法大多比較昂貴，而且有不同程度的毒副作用，如果選擇不正確的治療方法將會給患者帶來雙重的損害。因此生物標志物在癌癥的應用促進了個體化醫療的發展，為臨床醫生提供了更好的診斷和治療選擇。在大數據與互聯網高度發達的今天，能否通過影像組學分析在一定程度上預測病變的生物學信息。利用影像組學獲得的病變信息與人類基因組學信息以及患者的臨床信息進行整合分析，將影像基因組學信息應用于患者指導制訂預防、診斷與治療的個體化決策，是一個值得探討和面臨許多爭議的話題（圖2-2）。

隨著影像組學的發展，近年人們正在不斷探討醫學影像的紋理特征與疾病診斷、治療、預后與預測和生物分型之間的關系，將影像組學信息與基因或基因組學信息關聯進行疾病的診斷和預測。將影像組學的紋理特征信息用于腫瘤的生物學分型和預測病灶的生物學行為是人們普遍關注的課題，然而，在“大數據”時代，從影像組學數據中獲取有用的信息是具有挑戰性的，也是具有爭議的問題，真正用于臨床實踐還不成熟，還有很長的路要走。Flechsig等研究了肺癌患者不同腫瘤細胞亞型淋巴結的CT、PET和PET/CT圖像特征與組織病理學的關系，并初步表明不同的組織病理亞型其影像紋理特征也不同。Tsujikawa等探討了83例宮頸癌患者¹⁸F-FDG PET紋理特征與宮頸癌亞型之間的相關性，包括62例宮頸鱗狀細胞癌（squamous cell carcinomas，SCC）和21例非SCC（NSCC）患者。PET/CT圖像紋理特征的提取和分析包括SUV值、代謝腫瘤體積（MTV）和總病灶糖酵解（TLG）等一階特征（firstorder features），二階和高階紋理特征使用SUV直方圖、歸一化灰度共生矩陣（normalized graylevel co-occurrence matrix，NGLCM）和鄰域灰度色調差矩陣（neighborhood gray-tone difference matrix）分析。結果表明，在18種PET特征中，源于NGLCM的二階紋理特征是區別SCC與非SCC唯一的穩定參數，其他的PET特征在SCC和NSCC之間沒有表現出任何顯著差異，提示¹⁸F-FDG PET紋理特征可能反映不同宮頸癌亞型之間的組織結構差異，將有助于尋找單一特征或組合特征用于精確診斷、預后和有效的治療策略。

PET/CT影像組學也面臨許多挑戰和機遇，需要醫生、影像科學家、生物學家和信息科學家之間的緊密合作。兩個方面的直接挑戰包括多模態PET/CT圖像腫瘤體積的勾畫、選定圖像特征驗證和在大型、多中心患者數據集建立預測模型?？梢哉J為，PET/CT影像組學對于進一步疾病個體化理解、評價治療反應以及醫學影像的人工智能（artificial intelligence，AI）診斷具有巨大潛力，為癌癥更精準、更好的決策提供依據。

第三節　信息化時代醫學影像與人工智能

當今信息化發展已經滲透到人類生活的每一個領域，無論是工作還是日常生活都離不開互聯網、移動通信和信息技術，互聯網醫療、人工智能診療已成為許多商家投資的熱門產業，據預測今后2～3年互聯網醫療的市場規?？蛇_到千億元以上。隨著信息化技術的深入發展，醫療大數據、醫學影像大數據、影像組學、人工智能、遠程醫療和移動醫療將會對醫學影像學科的發展產生深遠的影響。醫學影像如何全面實現信息化、網絡化和智能化，是今后學科必須面臨的挑戰。在信息化時代，醫學影像面臨的任務和變革主要有以下幾個方面：

一、醫學影像數據庫建立

人工智能診斷離不開大數據，建立一個合格的醫學影像數據庫是一項系統工程，首先需要考慮包括信息采集、信息傳遞、信息處理、信息再現和信息利用等多方面的技術問題需要解決。

1.醫學影像數據標準化與數據整合

相關行業協會要組織專家針對醫學影像大數據建立制訂相關指南、規范相關術語，讓機器能夠讀懂術語含義，以便實現醫學影像大數據的集成分析。不同醫學影像信息采集的標準化非常重要，不同的影像技術、不同型號的影像設備、不同的檢查目的和程序以及不同醫院的信息如何實現標準化是建立數據庫的基礎，保障采集數據的一致性，否則不合格的數據庫、不同標準采集的信息缺乏可比性，也難以為人工智能診斷提供可靠結果；此外，來自不同臨床與實驗室數據的整合也是面臨的技術挑戰，首先是不同單位影像信息質量的評價體系的建立；二是要克服不同單位網絡屏障的壁壘，且需要信息不斷地更新和自我完善和修正；三是醫學影像大數據建設應與影像組學、影像基因組學和臨床大數據庫進行整合，與組學和基因庫融合是醫學影像大數據知識挖掘流程中的重要內容，為人工智能診斷提供更豐富的資源；四是資源如何共享和維護、數據平臺的監管、相關的法律問題，這些都是建立我國醫學影像數據庫必須考慮的，要確保數據庫和網絡平臺的安全，維護患者的隱私。

2.數據的準確性

通過制定標準和流程確保數據的準確性，減少數據誤差對大數據推斷結果可靠性的影響。大數據不等于數據大，必須有嚴格的納入和篩選標準。醫學影像大數據設計的數據類型繁多，覆蓋面廣，如何建立以患者、醫師、醫院和政府等多中心的數據體系，最后服務于全國不同的醫院，是影像醫師、醫院、政府部門乃至醫療互聯網公司共同面臨的課題。

3.信息化人才培養

隨著互聯網醫療的迅速發展，醫療大數據也將成為醫療健康管理和研究的一部分，除了數據庫的構建和管理外，相關的人才培養也是亟待解決的問題。一是醫院和影像科室需要一大批會使用醫療大數據的人才，二是需要一批從事醫療信息處理和維護的技術人才，這是保障我國影像大數據可靠性和有用性的基礎，真正為不同層次的醫院臨床診斷提供參考，實現醫療服務同質化，為醫院的精細化管理提供依據，為個體化精準診療提供技術支撐，為臨床研究提供資料。

二、醫學影像人工智能診斷平臺的建設

當今我國醫療行業面臨的共同難題和瓶頸是醫療設備的發展面臨高層次人才的短缺，有先進的機器卻沒有高層次的人才去正確使用，政府每年投入了大量資金給基層醫療機構配置先進的影像設備，但是患者卻仍然往大城市的大醫院跑，而在大醫院做CT、磁共振等檢查需要排隊幾天甚至幾周時間才能排上的局面。造成這種狀況在很大程度上是高質量人才短缺問題，地區間、醫院間醫療人才資源不均衡，不能實現不同地區、不同等級醫院診療質量的同質化，導致大醫院擁擠，小醫院設備閑置。尤其是比較尖端和復雜的醫療儀器的應用人才嚴重短缺，如PET/CT、PET/MR和MR成像等。要破解這一難題僅靠政策導向還難以解決，人才的培養跟不上醫療技術的發展速度，大醫院的醫師也緊缺而難以去基層醫院進行日常的幫扶工作，培養高層次人才周期長，且難以下沉到基層醫院，而基于大數據的人工智能診斷和遠程醫療的發展將有可能在一定程度上緩解這一矛盾。

（一）遠程醫療在影像診斷的應用

在信息化技術和互聯網醫療高度發達的今天，醫師看患者不一定要到基層醫院去看，一名大醫院有豐富經驗的醫師也不一定只能在一家大醫院服務、審核報告，利用互聯網平臺醫師不出門即可為任何地區、任一醫院的患者進行遠程診療、會診和影像報告審核，既節省路途往返時間，提高工作效率，也節省大量費用，真正實現高質醫療技術資源共享，臨床診療質量的同質化。醫師不出門即可多點執業，可以利用休息時間為更多患者服務，也改善醫師的生活待遇，規范醫師8小時外的合法行醫。而對于基層醫院只需要配備經過規范化培訓合格的基礎醫生和優秀的技師完成好患者的圖像采集、病例信息資料的準確錄入、圖像的存儲等基礎工作即可滿足要求。

（二）人工智能在影像診斷的應用

即使是在采用互聯網醫療及高端醫療資源共享的情況下，高水平的醫師還是很有限，大醫院的醫生長期在高強度的繁雜工作中不堪重負，影像醫師的8小時以外不可能將所有空隙時間都用在互聯網醫療上去審閱眾多報告，大醫院有經驗的醫師需要擔負教學工作培養人才，還要承擔科研工作帶動學科的進步，因此仍然難以解決數以億計患者就醫難問題。如何使資源匱乏的高質量醫師從高負荷的基礎勞動中解放出來，讓他們既能發揮其技術才能，又不至于在繁重的工作中失去自我，比較好的解決辦法就是人工智能輔助診療系統的建立，使一些初級的工作、文書工作、數據處理與比較、程序化的工作由機器幫助醫師完成，醫師可以根據自己豐富的臨床經驗正確掌握人工智能數據的應用和判斷審核，擔當人工智能診斷的最后裁判。

人工智能可以彌補醫師的不足，與人腦相比，人工智能影像診斷還具有如下優勢：①人工智能獲取的信息多為數字式，其判斷是基于量化信息的分析和與大數據比較，而人的思維和判斷影像僅限于對客觀事物的感知、經驗，帶有一定主觀性，且難以量化，不便于與大數據庫進行比對；②機器判斷速度快、成本低、精度高，出現誤判后可以通過深度學習完善和修正，而人容易犯同樣錯誤，效率低、速度慢；③機器不需要休息，獲得的信息量大，可以與大數據聯系，檢索海量文獻信息資料協助判斷，且24小時不間斷工作。當然，人與機器相比也有很多優勢，醫師具有較豐富的系統知識，能夠根據患者的情況綜合判斷分析，對于某些不適合量化評價的病灶判斷具有優勢（圖2-3）。

近來已有較多的關于人工智能完勝醫師團隊的報道，表明目前人工智能的發展已經達到一個較高水平，在某些方面其診斷準確性甚至超過醫師。近來在神經影像的判讀和孤立性肺結節的診斷中，機器的診斷準確性均高于有豐富經驗的醫師，且速度更快，在病理圖像的判讀方面，人工智能也具有較大優勢，那么有人擔心人工智能的發展會不會讓醫師失業，人工智能會不會取代醫師，其實這種擔憂是多余的，正如卞修武院士所言：“我希望大家不要產生對立性思維，因為無論醫生勝還是人工智能勝，對于醫療界和廣大患者都是一件大好事……人工智能如果能作為一個幫手幫助醫生工作，將會是醫生的一大福利……”權威專家們說得好，“人類要認真思考如何讓人工智能更好應用于臨床，醫生需要抱著更開放的心態來擁抱人工智能的到來。如果醫生贏了，就是醫生贏了，機器贏了，醫生就多了個好幫手”。

Wang等對兩家醫院245例高級別漿液性卵巢癌（HGSOC）患者的CT影像進行了基因組學的人工智能診斷研究，其中包括特征學習隊列（n = 102）、初級隊列（n = 49）和兩家醫院的兩個獨立驗證隊列（n = 49和n = 45），通過一種新的深度學習（DL）網絡對8 917張CT影像從特征學習隊列到HGSOC預后生物標志物提取進行了訓練，結合DL特征和Cox比例危險（Cox-PH）回歸建立DL-CPH模型，用于預測患者的個體復發風險和3年復發概率。結果表明，在兩個驗證隊列中，DLCPH模型的一致性指數分別為0.713和0.694，Kaplan-Meier分析明確地確定了高復發風險組和低復發風險組（p = 0.003 8和0.016 4），且有效的預測3年復發風險（AUC = 0.772和0.825），DL特征顯示出比臨床特征更強的預后價值。

三、基于影像組學和大數據的人工智能診斷將是醫學影像發展的方向

可以預料，大數據和人工智能影像診斷在今后醫學影像的發展中將會發揮很重要的作用，而影像組學分析又可以獲取某些常規影像分析和肉眼分析看不見的圖像紋理特征信息，包括病變異質性的定量信息，如果將影像組學的紋理特征信息分析與影像大數據、臨床大數據相結合，應用于人工智能影像診斷則將是醫學影像發展的又一個新的飛躍，毫無疑問其診斷準確性要高于一般基于形態、大小、密度和邊界等影像分析，也將優于基于一般影像數據庫的人工智能診斷。

人工智能在醫療行業的應用是最有前景的領域之一，主要是在醫學影像中的應用，近些年來相關的論文和出版物急劇增加，其中MRI和CT約占總數的50%以上，而神經放射學影像大約占1/3，其次是肌肉骨骼、心血管、乳腺、泌尿生殖器、肺/胸和腹部。隨著數據量不可逆轉地增加，利用人工智能來識別人眼不可見或不可探測的病灶可能性增加，當今放射學正從主觀感知技術轉向更客觀的科學。在醫學數字化時代的前沿領域，放射學家可以指導將人工智能引入醫療保健。然而，人工智能不會取代人，因為放射學還包括診斷交流、考慮患者的價值和偏好、醫學判斷、質量保證、教育、決策和介入的程序。但是，通過AI能夠提高放射學醫生的工作效率，使他們執行更多的增值任務，對患者變得更加可見，并在多學科臨床團隊中發揮重要作用。

從理論上講，基于影像組學和大數據的人工智能診斷應該是醫學影像技術與信息技術和計算機技術的完美結合，能夠彌補醫師診斷的某些不足，能夠很方便地將影像判斷所需的各種信息進行有機的整合分析，從根本上改善人工智能影像診斷的質量，成為影像醫師的好幫手。從而真正實現縮小不同醫院間、不同醫師間診斷質量的差異，將影像學醫師從繁重的勞動中解放出來（圖2-4）。

總之，未來醫學影像的發展是建立在多模態、多參數、多尺度的影像發展模式，結合特異性、高效的分子影像探針，并充分利用信息化技術、互聯網技術、人工智能技術構建的公共平臺為全國不同層次的醫療機構提供技術支撐，為城鄉居民解決就醫難的問題，只有這樣才能真正實現“大病不出縣”的目標（圖2-4）。

然而，我們也要認識到，真正實現這一目標任務路還十分遙遠，任務也很艱巨，無論是建立不同疾病的影像數據庫、影像組學診斷模型，還是人工智能診斷平臺建設，目前還沒有真正入門，還有許多基礎的工作要做，而且不是幾個人或者幾個醫院就可以完成的，需要整個行業的重視和共同努力合作，需要政府的主導與投入，需要建立包括醫學倫理、法律法規在內的各種規章。但是可以預料，基于影像組學和大數據的人工智能診斷的發展是大勢所趨，前景廣闊，也必將成為今后醫學影像技術發展的重要方向。

（張永學）

參考文獻

[1] Lambin P，Rios-Velazquez E，Leijenaar R，et al. Radiomics：extracting more information from medical images using advanced feature analysis. Eur J Cancer，2012，48（4）：441-446.

[2] Goldmacher GV，Conklin J. The use of tumour volumetrics to assess response to therapy in anticancer clinical trials. Br J Clin Pharmacol，2012，73（6）：846-854.

[3] Hatt M，Tixier F，Visvikis D，et al. Radiomics in PET/CT：More Than Meets the Eye. J Nucl Med，2017，58（3）：365-436.

[4] Wei Lu，Chen W. Positron emission tomography/computerized tomography for tumor response assessment—a review of clinical practices and radiomics studies. Transl Cancer Res，2016，5（4）：364-370.

[5] Antunes J，Viswanath S，Rusu M，et al. Radiomics Analysis on FLT-PET/MRI for Characterization of Early Treatment Response in Renal Cell Carcinoma：A Proofof-Concept Study. Transl Oncol，2016，9（2）：155-162.

[6] Ganeshan B，Miles KA，Babikir S，et al. CT-based texture analysis potentially provides prognostic information complementary to interim FDG-pet for patients with hodgkin’s and aggressive non-hodgkin’s lymphomas.Eur Radiol，2017，（3）：1012-1020.

[7] Parekh V，Jacobs MA. Radiomics：a new application from established techniques. Expert Rev Precis Med Drug Dev，2016，1（2）：207-226.

[8] Flechsig P，Philipp Frank，Clemens Kratochwil，et al.Radiomic Analysis using Density Threshold for FDGPET/CT-Based N-Staging in Lung Cancer Patients. Mol Imaging Biol，2017，19（2）：315-322.

[9] Tsujikawa T，Rahman T，Yamamoto M，et al. 18F-FDG PET radiomics approaches：comparing and clustering features in cervical cancer. Ann Nucl Med，2017，31（9）：678-685.

[10] 北京青年報、人民日報、健康界、新智元等報道.全球首場神經影像人機對決：AI戰勝25位醫界“最強大腦”！. http://www.yidianzixun.com/article/0JRSs9yV（2018-07-02）.

[11] Wang S，Liu Z，Rong Y，et al. Deep learning provides a new computed tomography-based prognostic biomarker for recurrence prediction in high-grade serous ovarian cancer. Radiother Oncol，2019，132：171-177.

[12] Pesapane F，Codari M，Sardanelli F. Artificial intelligence in medical imaging：threat or opportunity? Radiologists again at the forefront of innovation in medicine.Eur Radiol Exp，2018，2（1）：35.