白癜风医院诚信承诺 https://4001582233.114.qq.com/ndetail_5414.html本文翻译自“JThoracImaging“的一篇综述，IF：2.19(Q4)；译者：西门子资深临床专家赵喜老师。
在过去的十年中，对放射科医生解释轴位图像的工作量需求显著增加，一项研究表明，在工作日的8小时中，放射科医生平均每3到4秒解释一幅图像。与此同时，医学影像技术的不断创新，不仅在数量和大小上，而且在其丰富的信息内容和复杂性上，将创造更多的数据，表征人体的解剖、形态、功能和潜在的疾病过程。
为了有效地处理数据流，人工智能（AI）技术有望在影像诊断的价值链中发挥越来越大的作用，与放射科医生、医院管理人员一起工作。在过去的几年里，基于深度学习的技术已经彻底改变了计算机和机器视觉领域，并迅速进入医学成像领域。除了理论上的进步，其他一些因素的融合也促成了这一成功。这些因素包括大量精确数据的可用性，以及用于训练和测试机器学习算法的高性能计算基础设施的进步。这些因素在医学影像领域的不断出现，可以加速人工智能技术在更大范围内的发展和应用，开创放射医学的新纪元。
01
影像诊断价值链中的人工智能应用
为了更全面地了解人工智能技术在诊断成像领域的当前和未来影响，必须考虑生成和处理诊断成像数据的各个层面，以应对特定的临床和/或操作挑战（图1）。
图1人工智能在影像诊断价值链上的多层次影响
在这个模型中，有4个层次的复杂性在增加。第一层次：检查级，图像采集阶段和数据生成源，即扫描仪。人工智能算法已经解决了一些机遇和挑战，并将越来越多地在这一层面上解决，主要是为了扫描工作流程的自动化和效率。这不仅可以缩短采集时间，减少人为错误，还将导致更标准化的检查、协议和序列，医院的特定要求量身定制，减少操作员依赖性和不一致性，并提供更好的成像结果。第二层次：阅读和报告的任务。这是过去几年中大多数医学成像人工智能研究的中心，并产生了许多有趣的应用，主要目的是自动检测和表征异常，自动执行测量。第三层次：以患者为中心。这一级别的人工智能算法的任务是预测和/或规定，而不仅仅是检测、测量和描述图像中的特定模式。基于人工智能的预测可以在疾病进展、风险分类或特定治疗结果的背景下进行。人工智能在这一层面上的一个新兴应用是digitaltwin，它使用器官功能的计算和生理模型，通过对基础生理进行建模，不仅在统计意义上而且在机械意义上来整合多维度数据。下一节将进一步阐述digitaltwin模型在治疗计划和预测中的一些应用。第四层次，人工智能在人口或队列层面整合的数据上的应用。随着卫生系统整合的持续趋势，此类数据和相关结果将越来越容易获得，特别是在大型机构中。这将推动对人工智能算法的需求，不仅解决临床决策领域的挑战，而且还可以获得对操作决策的洞察力，从而实现效率、对指南、协议和质量指标的遵守。在这个层次结构框架中，一个关键的方面是认识到，当一个人向上遍历这些级别时，总体数据复杂性会增加。再加上跨部门（有时是机构）边界组织、管理和访问大型集成数据库的实际挑战，最终将推动人工智能算法在日常临床工作中的开发和采用。在下一节中，我们将讨论人工智能算法在所有4个层次上的一些具体应用。
02
检查级别：图像采集和准备
尽管人工智能的发展主要集中在诊断图像的解释上，但是越来越多的工作证明了人工智能在优化图像采集流程和提高扫描质量方面的应用。CT的一个挑战是正确的病人定位，特别是病人正确的等中心位置。当应用自动解剖剂量调制时，错误的定位可能导致患者剂量不足或过量，这是当今所有CT扫描的标准。最近有报道称，基于人工智能的CT病人自动定位算法取得了令人满意的结果显示，与放射技师的手动定位相比，胸部和腹部CT检查的病人等中心定位有了显著改善。这是通过一种基于人工智能的算法实现的，该算法从位于患者上方的三维深度相机的数据中自动分析患者形状，创建患者专用的三维化身（体表和轮廓），并识别用于患者姿势、体表区域和等心检测的关键解剖标志。由于患者可能被毯子覆盖，或躺在垫子上等，使用3D摄像机数据而不使用人工智能驱动的虚拟人物模型进行等中心定位缺乏稳健性。这样的人工智能系统不仅有可能减少由于操作员依赖造成的错误，以患者特定的方式标准化采集，同时，由于自动确定检查床高度和扫描范围，缩短了时间，也有助于减少辐射剂量。在常规CT图像采集中，检查的具体临床原因和患者的个体特征被用作操作者选择扫描和重建参数的基础。最常见的患者特征包括体重、身高、屏气能力或心脏CT中患者的心率和心律变异性。然而，随着成像系统技术的巨大进步，人机交互变得越来越复杂和耗时。根据患者特征手动调整扫描和重建参数需要技术知识，而且容易出错。这可能导致选择不适当的扫描和重建参数，例如，心脏CT扫描方案不适当地适应患者的心率和变异性。因此，患者特定扫描和重建协议的适应性最好是自动的。最近推出的数据驱动CT扫描自动化解决方案myExamCompanion使用决策树，该决策树来自于各种不同临床机构中的患者特征和相应的指定扫描协议的大型训练数据集。这种自动化解决方案消除了技术复杂性和运营商的错误风险，可以包括站点特定和区域偏好，并可能导致更标准化的图像质量。另一个增长的领域是基于人工智能的诊断图像分析，在采集后立即在扫描仪上为放射科医生提供优化的图像表示。人工智能算法通常被用于自动创建标准化视图和可视化效果，如曲面重组（CPR），并发送到图片存档和通信系统（PACS）以帮助阅读。相关应用是自动生成主要冠状动脉的CPR，包括在心脏的CT血管造影（CTA）检查中标记，或在头颈部CTA中自动生成颈动脉的心CPR。另一个应用是骨骼结构的优化可视化。在最近的一项研究中，作者报告了基于自动机器学习算法生成的肋骨展开视图的肋骨骨折检测和创伤CT读取时间缩短及更高灵敏度（图2）。自动图像分析和病例准备在扫描仪上的应用正在进一步发展成为一套新的计算机辅助检测工具，用于自动检测特殊的急性情况，如非创伤性头部CT中有出血，胸部CT中有主动脉夹层，或肺动脉栓塞的CT肺动脉造影研究。这些应用程序的第一代只专注于分诊，因此它们要么在人工智能算法检测到急性疾病存在时通知临床医生，要么在放射学阅读列表中优先/突出显示病例。
图2由自动机器学习算法生成的肋骨展开视图（资料由奥地利维也纳医科大学提供）。
03
阅读和报告级别
在过去十年中，用于模式识别的AI方法的飞速发展导致围绕增强和/或协助放射线医生阅读和报告工作流的主要目标构建了一些概念，应用程序和产品，主要集中于自动检测和表征图像中的功能和自动测量。
大多数第一代计算机辅助检测/诊断（CADe/CADx）算法用于肺结节检测，乳房X线照相术中的乳腺病变检测，肺栓塞检测和结肠息肉检测，都已报告了性能的提高，并引入了更多现代AI方法，例如作为基于深度学习的检测和分类。此外，一些研究人员还报告了在其他几个领域中的有希望的结果，例如胸部X射线图像中的异常检测，心脏CT中的钙评分等。
图3根据美国心脏协会（AHA）指南，在预先指定的位置自动测量胸部CT中的主动脉直径。
最近，提出了一套用于胸部CT成像的综合AI系统（图3），其中包括许多子系统，包括肺结节检测，肺叶分割和低衰减实质的表征，分割和胸主动脉最大直径的测量，定量冠状动脉中的总钙量以及检测美国心脏协会（AHA）指南在未经增强的和非ECG门控的胸部CT检查中确定的9个解剖标志（
转载请注明：http://www.zhuanjiz.com/gbfl/6636.html
当前位置： 冠状动脉造影 > 冠状动脉疾病分类 > 综述影像诊断中的AI现状挑战与机遇
