医学影像是医疗数据最密集的领域，医疗数据中超过80%来源于医学影像，人工智能技术已经应用在医疗行业多个领域，但医学影像是应用最成熟的领域之一。深度学习算法模型的训练需要海量数据支撑，医学影像由于其数据密集的特性，让以深度学习为代表的人工智能技术有了广阔的发挥空间，而其中又以X光、CT等类型影像的识别分析最为成熟。
医学影像成像设备及医学影像信息系统
封闭的医疗体系已经无法满足医学影像AI快速发展的需要，医疗机构、影像AI开发商等各方协作与联合成为必然趋势。医学影像算法模型的训练需要以大量的优质标注数据为基础，单个医院的影像数据难以满足影像AI模型训练的要求，医联体和区域影像中心的建立为影像数据流通和数据价值发挥奠定了坚实基础，多地也已成立区域级的影像联盟，促进了医学影像技术交流和数据流通。政策开闸是医学影像AI产品走向商业化的重要因素。2017年8月，CFDA发布了新版《医疗器械分类目录》，新增了与人工智能辅助诊断相对应的类别，医学影像AI产品开始进入审批通道，个别企业获得了二类器械许可证并开启了初步的商业化，但医学影像AI产品的三类器械许可证审批始终引而不发。2019年7月器审中心发布了《深度学习辅助决策医疗器械软件审评要点》，对医疗AI产品的数据质量控制、算法泛化能力、临床使用风险等问题进行了规定，相关医学影像AI产品的审批也进入了绿色通道。2020年1月，国家药品监督管理局审查批准了我国首个应用人工智能技术的三类器械-冠脉血流储备分数计算软件的注册，与此同时，其它多个医学影像AI产品也正在注册审批队列中。随着医学影像AI产品三类器械许可证的审批加速，医学影像AI产品商业化将迎来一波新的发展浪潮。
机器之心希望通过本报告《开启医学智慧之眼——医学影像中人工智能技术应用现状及展望》，介绍现有人工智能技术在医学影像中的应用现状、未来技术发展及落地应用趋势，向医学影像AI产品开发商、医护人员、医学影像设备制造商、算法工程师等相关从业者提供详实的调研参考，并帮助读者对该领域形成系统性见解。
报告目录
部分应用案例4.1.1 乳腺癌
乳腺 CAD 被广泛应用于 X 线摄影诊断乳腺癌的过程，主要用于提高钙化灶和肿块被检出的精准性，钙化是乳腺癌早期的重要表现，肿块是乳腺癌的直接定位依据。乳腺 CAD 对钙化点检测效果比较理想，但在肿块检测方面，由于早期的隐匿性乳腺癌肿块尺度较小、边缘模糊、对比度低，与正常乳腺组织极其相似，辨识特征不太明显。• 谷歌和圣地亚哥海军医学中心合作开发了 AI 系统「淋巴结助手」(LYNA)，LYNA 基于开源图像识别深度学习模型Inception-v3 开发出来，研究人员训练模型时将 LYNA 模型置于到了 2016 年癌症细胞检测竞赛（Camelyon16）的癌症转移数据环境里，该数据集来自于 Radboud 大学和 Utrecht 大学医学中心，里面包含了 399 个淋巴结切片的玻片图像，以及来自 20 名患者的 108 张图像。它对 270 个载玻片（160 个正常，110 个肿瘤）进行了训练，并使用了两个评估集—一个由 129 个载玻片组成，另一个由 108 个载玻片组成，来进行性能评估。在转移性乳腺癌的检测精度测试中，LYNA 的准确率达到99%，超过人类的检测准确率。
4.2.1 CT 三维重建
常规 CT 二维图像缺乏三维空间观感效果，对病变特征的显示受到了较大的局限。三维重建成像是基于高质量横断面扫描影像的技术，随着高速扫描技术的发展为三维重建成像提供了可能。医学三维重建技术涉及到医学影像学、计算机图像处理、生物医学工程等多项技术，三维重建成像不仅有助于疾病诊断，也可为术前判断提供依据，从而确定手术方案， 特别是病灶空间位置及手术入路的选择，二维图像不易观察，而三维重建可从多个角度整体观察。• GE Lightspeed 64 排螺旋 CT 机可以直观地从不同角度观察骨折部位、骨折线走向及移位情况。在对髁状突骨折患者进行扫描时，患者取仰卧位，头先进方式，扫描范围为眶下缘至下颌骨下缘，常规扫描后应用 Volume Rending 软件将原始图像重建，将重建的薄层数据图像传至后台工作站，运用多平面成像技术 (multiple planner reconstruction，MPR) 和容积再现技术 (volume rendering technique，VRT)，进行三维重建。根据患者骨折的类型，选择部位进行适当旋转切割，除去异物及多余部分，显示患者骨折部位及相关形态结构。
4.3.1 靶区自动勾画
生物靶区（biological target volume,BTV）勾画方法是指在分子生物功能 PET 影像的基础上，将感兴趣区域或者是肿瘤区利用图像分割的方法进行勾画。随着分子生物功能 PET 影像技术的发展，PET 影像越来越多的应用到肿瘤放射治疗计划中，在指导肿瘤的高精确放射治疗中起着至关重要的作用。肿瘤病人的CT 图像勾画往往需要消耗大量时间，传统方法下医生多需要应用 3 ～ 5 h 进行靶区勾画，随之开展的照射方案或手术方案设计同样需要消耗大量时间，而这一系列过程随着病人的病情变化将不断循环，大量的医疗资源因此浪费。肿瘤放疗靶区勾画本质上是一个图像分割问题，因此，将模式识别领域的图像分割理论和方法引入肿瘤放疗靶区勾画领域，开展半自动或全自动的生物靶区智能勾画已成为当前医学图像处理的热点，恶性肿瘤智能放疗生物靶区勾画系统、分子影像引导智能放疗系统生物调强智能放疗靶区勾画与评估软件均属于其中代表。• 柏视医疗开发的鼻咽癌放疗临床靶区自动勾画系统通过机器学习方法，采用小样本集数据训练模型，并运用知识图谱和深度学习的知识完成模型的训练，可对 GTV（肿瘤区）和 CTV（临床靶区）进行自动勾画。在充分保证靶区勾画精准度的前提下，可将勾画时间从数小时缩短到几分钟，大大提高了临床医生的诊疗效率。
4.4.1 手术规划
数字化技术在外科手术中的应用越来越重要，在手术前进行科学规划，能够帮助克服外科医生的视觉局限，使数据测量更加精准，诊断更为精确，手术更加精准、更加高效。手术规划的一个重要手段就是三维重建技术。通过术前手术规划，医师能根据手术需要对三维模型进行移动、旋转、透明化等操作，任意调整观察角度，直观地了解病灶。再通过虚拟现实交互技术进行模拟手术，对手术方案进行反复操作并不断修正，显著降低手术风险、减少术中决策时间，提高手术成功率。• 博为肝脏三维手术规划系统解决了肝脏切除手术方案设计困难问题，通过对原始的 CT 数据进行后处理重建为三维立体图像，精准肝脏分割（门静脉、肝静脉分割清晰）与分段（奎诺 8 段），自动提取肿瘤病脏，精准直观地展示肝脏肿瘤、肝段、肝脏内部复杂的管道解剖结构，对病例进行全面精准的量化分析，并自动生成临床脏器定量分析报告。
4.5.1 神经外科机器人
已经商用化的神经外科机器人都采用术前医学图像导航的方式对机器人进行引导定位，由于脑组织在手术过程中会因颅内压力变化而发生变形和移位，这就不可避免的引起定位误差。因此将现有的定位机构与术中导航方式相结合是神经外科机器人研究的主要方向。• 美国 Pathfnder Technologies 公司的 Pathfnder 神经外科机器人在 2004 年通过了美国 FDA 认证，用于完成常规的脑外科立体定向手术，医生可通过该系统在术前医学影像的指导下确定靶点位置和穿刺路径，机器人可完成定位并操作手术工具到制定目标，末端针尖定位精度达到亚毫米级别。
4.6.1 医学影像数据平台
医学影像数据挖掘的主要目标是从中提取出图片的自身特征，包括语义、质量、关联度、实体义项等。影像大数据平台应用计算机视觉、数据挖掘技术，对包括结构性和非结构性数据在内的影像大数据进行集成，实现集中管理和更好的资源配置，对医学影像进行深入分析、建模和评估，深入开发影像数据价值。• Watson Clinical Imaging Review 是 IBM Watson 的第一个认知影像产品。该产品可检查包括图像在内的医疗数据，帮助医疗服务提供商识别需要关注的最危急情况。该产品的第一个应用目标是心血管疾病，从一种称为 AS —aorticstenosis( 主动脉瓣狭窄 ) 的常见病情开始介入。一项试点研究发现，Watson Clinical Imaging Review 能帮助医务人员识别以前未注明要对其进行冠心病跟进治疗的潜在 AS 患者。利用 Watson Imaging Clinical Review，医院管理人员可识别具有跟进治疗根据的病情，确保 EMR 信息是完整的。它使用认知文本分析来读取心脏病科医师医疗报告中的结构化和非结构化信息，将其与其他来源 ( 比如 EMR 问题清单 ) 的各种数据相结合，并提取相关信息来验证关键数据(包括诊断结果)是否在健康记录中准确地反映出来。
4.7.1 细胞病理学研究
细胞病理学是以组织学为基础，研究组织碎片、细胞群团、单个细胞的形态和结构、以及细胞间比邻关系并探讨组织来源的一门科学。细胞病理学包括两大部分，脱落细胞学 (Exfoliative Cytology) 和针吸细胞学或称小针穿细胞学 (Fine Needle Aspiration Cytology or Fine Needle Aspiration Biopsy ，缩写 FNAC)。一般在病理科内设有细胞学室。当临床医师开出细胞学检查送检单后，由细胞学室完成细胞检查。• 日本研究人员发明了一种新的细胞识别和分选系统鬼影细胞测定仪 (ghost cytometry)，其将一种新的成像技术与人工智能技术结合，用于识别和分选患者血液中的循环癌细胞，以每秒一万多个细胞的速度识别细胞，每秒数千个细胞的速度对细胞进行分类，能够加速药物发现和改进基于细胞的医学疗法的疗效。
