人工智慧走向產品化 在放射醫療中全面開花
日前,第 104 屆北美放射年會(RSNA)在美國芝加哥落下帷幕。作為放射領域的國際盛宴,RSNA 雲集了全球頂尖的科學家和醫療行業從業者。
自2016年開始,可以明顯看到,如大資料、人工智慧(AI)等新興技術與放射科學的融合逐漸成為了RSNA最大的亮點。AI可以通過計算機視覺技術,幫助識別醫療影像中的病變,其中肺結節的早期篩查就是AI在醫學影像中應用的熱門領域。
而今年的RSNA,關於人工智慧的討論幾乎在會議的所有環節都更加明顯,展區的多家供應商都在展示了自己的人工智慧產品。毫無疑問,人工智慧技術正在放射醫療中全面開花,而且逐漸從學術研究走向產品化,應用範圍也在逐漸擴大。
在RSNA 2018的開幕式上,大會主席Vijay Rao教授指出,放射科醫師會被新技術賦予更強大的力量,而不是被新技術取代。她指出,在未來的十年甚至是幾年中,AI將在許多方面成為放射科醫師的強大工具,比如縮短MRI成像所需要的時間,幫助減少患者暴露於輻射中的風險。
AI影像技術應用範圍擴大
相比去年的RSNA,今年AI影像技術在應用上明顯更加全面,不只侷限於肺結節檢測,在心腦類疾病檢測中也大放異彩。
比如,Arterys公司展示了其Cardio AIMR系統,它可以分析MR影象來分析心血管血流量。雖然這一系統的分析結果不能用於決定或推薦某種治療方案,或者分析出疾病特徵,但卻是醫護人員在臨床決策中的重要支援工具。
比利時Icometrix公司則開發了一套可以分析CT影象,來描繪腦損傷的系統。該系統使用深度學習演算法量化分析CT影象中的基底池壓縮、中線腦移位等(不僅可以預示頭部損傷,還能預示嚴重程度)資訊,分析出腦損傷的嚴重程度。
另外,加州大學舊金山分析的研究人員釋出的研究顯示,AI技術還可以提高大腦成像預測阿爾茨海默病的能力。研究人員用一種特殊的成像技術,即FDG-PET,對深度學習演算法進行了訓練。在 FDG-PET 掃描中,患者會注入一種放射性葡萄糖化合物 FDG,然後用PET可以測量腦細胞攝取 FDG 的情況,從而得到關於代謝活動的重要指標。
他們使用了來自1002位患者的超過2100例 FDG-PET 腦成像圖,在90%的資料集上訓練深度學習演算法,然後在剩下的10% 的資料集上進行測試。通過深度學習,演算法能夠識別出阿爾茨海默病相關的代謝模式。
提升成像速度,減少影劑使用
不同於其它公司對醫療影象進行智慧分析,斯坦福大學團隊創立的Subtle Medical(深透醫療)將重點放在了提升醫療裝置的成像速度,減少放射劑量上。
MRI、PET等成像技術既貴且耗時,而其中90%的成本和大量耗時其實都是在機器成像過程中,深透醫療的技術正是從機器成像過程切入,通過AI技術提升影象質量,讓醫療機構可以在更少的時間內給更多的患者做檢查、並減少放射劑量。
深透醫療在RSNA上展示了其AI影像處理平臺,影像資料從裝置端出來以後直接進入深透醫療系統,處理之後,進入PACS影像工作站供醫師使用。據瞭解,深透醫療目前可以做到用AI技術加速MRI和PET成像過程4-10倍,並保證診斷級別的精確度。
除了使用AI增強成像速度與質量,深透醫療的創始人宮恩浩及其團隊成員還發表了關於減少MRI造影劑使用量的研究、獲得RSNA科研成果獎併成為10個RSNA官方宣傳研究專案之一。
在使用MRI裝置進行成像的過程中,患者需要注射造影劑(比如釓),從而幫助提高成像質量。釓是在進行MRI檢測中會使用到的一種重金屬,一般而言在成像完成後會被排出人體外。但最近的研究發現,使用某些種類的釓進行成像檢查後,人體內仍會有微量殘留。這種殘留會帶來的影響現在還不清楚,但在最大限度提升MRI成像質量的同時,減少患者的潛在風險十分有必要。
宮恩浩的這項研究則可以用AI減少在MRI掃描中所用到的釓的劑量。他們在成像過程中使用了一種新的深度學習演算法,結果顯示,即使使用較低劑量的釓,也可以得到與全劑量沒有明顯差異的MRI成像結果。
較低量的影劑使用還有很多尚未被認識到的臨床應用,現在通過AI的方式無疑可以獲得更多資訊。
用AI技術保護醫學影像的安全
醫療成像裝置極易受到網路攻擊,使醫療和成像中心的系統存在嚴重的風險,導致資料會被外部竊取。甚至越來越多的智慧分析工具,其本身也可能成為攻擊的目標,讓信任智慧系統的醫生和患者蒙受難以估量的損失。
自於蘇黎世大學醫院的研究團隊,正在努力防止攻擊者篡改X射線檢查的結果。
研究人員訓練了一個深度學習網路,它可以將顯示有癌症症狀的影象轉換成健康影象,然後讓放射科醫生分析這些影象,看看他們能不能發現影象已經被篡改,結果放射科醫生生無法發現。
雖然現在這樣的安全狀況還沒出現,但以往放射科醫生主要想的是分析影象資料,保護病人免受不必要的輻射。而當AI演算法不可避免地進入臨床常規時,我們將需要學習如何應對更多的安全狀況。
另外,來自以色列本古裡安大學的一組研究人員,還對提高CT裝置安全性的方法進行了研究,他們開發了一個使用機器學習和深度學習的系統,可以檢測是否有人試圖發出了一些難以察覺的命令來操控CT裝置,這一系統隨後向有關各方發出警報。
產學研結合,產品化趨勢明顯
除了AI技術在醫療影像上的應用向縱深發展,產學研的結合以及AI技術的產品化也是這次RSNA的亮點。
今年的RSNA上,還舉辦了一場肺炎檢測挑戰賽(RSNA Pneumonia Detection Challenge)。參賽者的任務是開發出能在醫學影象中自動檢測肺炎的機器學習演算法。通過競賽的方式,可以上更多的研究者將自己的學術研究成果轉換為切實可用的產品。
為此,RSNA組委會與美國國立衛生研究院、胸部放射學會STR,資料科學競賽平臺Kaggle,以及部分商業公司進行了合作,構建了一個肺炎資料集,通過標準化的資料集進一步檢測技術的可行性。
在產品化上,上文提到的Arterys公司以及Icometrix公司,其產品均已經進入到FDA的認證流程中。在過去的一年時間裡,深透醫療也與美國頂尖醫院進行了合作,在臨床場景下測試其在MRI磁共振及PET核醫學分子影像中的AI技術,現有產品已通過美國FDA和歐洲CE認證,另外,其也在與影像裝置上、IT系統商、造影劑廠商等方面合作,將AI更大範圍地應用在影像檢查中。
從RSNA 2018的現場來看,放射科醫師已經擺脫了對AI技術的憂慮階段,意識到AI不可能取代醫生,而是會增加醫生的效率,對其爭論也更多集中在怎樣才是使用深度學習等演算法的最佳方式。
但AI技術距離成為主流臨床工具還需要解決很多問題,比如,AI軟體如何與PACS整合?AI演算法會在後臺自動執行,只有在檢測到可疑結果時才會通知放射科醫師嗎?又或者放射科醫生會在需要時從PACS啟動AI演算法?醫生又將如何獲得演算法?