电话：15160017041邮箱：imtda321@qq.com
问题背景
近些年，随着人工智能技术特别是深度学习技术的迅猛发展，基于智能化的研究热潮涌入各个领域，并取得了众多的成果。其中，人工智能在医疗领域的应用、研究方向非常广泛，如医学影像诊断、临床决策支持、语音识别、药物挖掘、健康管理等。基于此，国内外高校、研究机构、科技巨头均纷纷在该领域进行布局，如IBM公司的Watson系统、谷歌收购DeepMind团队、微软研究院多个医疗健康研究项目、阿里健康的云平台、腾讯优图和觅影团队等。 医学图像与人工智能的结合一直是领域内的热点研究方向，早期的研究或产品主要专注于放射、核磁图像，但人工智能在超声医学领域的应用同样受到行业内的重视，其主要原因是超声影像检查具有众多优势：无创性、高灵敏度、影像信息实时性强、低成本、操作方便、无副作用等。 随着国产医疗设备政策红利持续推进、AI技术的进步与发展，为超声医学带来了新的发展动力，也更加凸显“超声+AI”的重要性： (1)能够助力超声诊疗规范化，减少漏诊、误诊； (2)能够缓解基层医院专家短缺的问题，提高基层诊疗的水平。
关键突出点
超声领域中的智能化研究一直是学术界和工业界的重点关注方向。英国牛津大学的Alison Nobel教授，一直在从事超声影像处理相关内容的研究，尤其是针对实际临床问题的智能化分析应用，该团队的研究成果有：针对超声图像质量控制系统、超声胎儿切面识别系统等。近些年在工业界也出现了大量针对超声影像的智能化分析产品，三星医疗的乳腺病变分析系统S-Detect，用户手动选定病灶区域，系统会实现半自动病灶分割，并最终给出病灶的BI-RADS特征；迈瑞医疗的三维超声全自动胎儿颅脑标准切面检测与测量产品Smart Planes；德尚韵兴甲状腺良、恶性辅助诊断系统，能够对选定的结节进行良、恶性分析。
人工智能在超声医学中的应用与难点，主要涉及以下三个方面：智能化成像算法、智能化辅助诊断算法、智能化算法的落地方案。
1智能化成像算法 超声影像智能化成像算法研究的需求，主要来源于超声检查的固有劣势：标准化程度不高，没有相对规范、统一化的图像采集方案、图像质量控制方案；并且图像效果依赖于超声医师的采集手法、参数调节信息。通过人工智能技术优化超声成像系统中各参数，并辅以图像监控模块，有望使超声图像的规范化、统一化更进一步。
2智能化辅助诊断算法
与自然图像智能化分析相比，超声影像分析要针对以下几方面进行研究：(1)图像信息属性；(2)工作流属性；(3)诊断算法属性。 2.1 图像信息属性 首先，超声图像处理是公认的难点问题，较CT、MRI图像处理困难。由于超声特有的成像方式，使得超声图像斑点噪声多、边界具有模糊性、图像具有不均匀性等问题。其次，超声图像具有动态特征，如何合理利用实时扫查的视频图像是智能化诊断的关键。直观的，一种有效的方式是从视频图像中分析病灶的超声特性，而这较传统的单张图像识别、分析难度大很多。 2.2 工作流属性 和放射科医生先扫查、存图，后给出诊断报告不同，超声要求医师边看图像边写报告。所以，超声AI辅助诊断方案要保证实时处理的前提下，符合超声医生日常的工作流程，才能保证研究成果的落地。 2.3 诊断算法属性 计算机视觉和医学影像分析有很多相通的地方，但后者具有其独特的挑战，尤其是超声影像分析、诊断。 (a)算法鲁棒性的需求 和自然图像相比，医学图像具有样本量小、数据分布不均、数据标注一致性差、数据标注专业性强等问题，这就要求超声智能化诊断算法具有足够的鲁棒性。在计算机视觉领域，通常会采用迁移学习、预训练模型的方式优化算法鲁棒性，但直接使用自然图像的大数据库来优化医学图像问题，并不能得到最优解。 (b)多信息、超声影像组学的需求 超声医生在诊断过程中，除了需要采集病灶的实时动态的B图像信息，有时还要采集病灶的血流、弹性图像信息，进而综合多种信息来进行分析，这也是超声影像组学的概念。也就是说，超声医学中的诊断，除了要综合病灶多个切面的信息，还要考虑不同模式下的信息(B图像、血流图像、弹性图像)。此外，有些疾病的诊断，还要结合患者的家族遗传史、年龄等信息，这就涉及了图像+文本多信息融合分析的问题。总之，超声医学中的智能化诊断，并不是简单的图像识别、图像理解问题，而是多信息、多模态图像信息融合、分析的问题。
3智能化算法的落地方案 当超声医学智能化算法具备临床应用的可能性，从研究成果转成商业应用，既需要考虑算法部署到超声设备上的实时性问题，也需要严肃对待智能算法进入诊疗环节后的众多问题，如法律法规的制定、医疗伦理、智能诊疗的责任归属、智能诊疗系统质量控制、诊疗系统的信息安全、AI辅助诊疗性能评估等。
战略意义 医疗行业中长期存在影像科医生资源缺口大、诊断主观性强、工作量大、效率低等问题。具体来说,医疗数据中大部分来自于医学影像，而影像科医生的增长速度和工作效率不足以应对医学影像逐年增长的趋势；影像学诊断依靠经验，而医疗行业中优质医生、医师资源分布不均，尤其是超声检查对医生手法要求很高，容易导致误诊、漏诊率高。 随着近些年深度学习技术的不断进步，人工智能逐步从前沿技术转变为现实应用，并即将在医疗领域落地生根、开花结果；通过辅助诊断，既能缓解漏诊误诊问题，又能提高诊断效率，弥补资源供需求口。 “超声+AI”的应用更具有其独特的市场和前景。 首先，超声医学智能化适用于我国分级诊疗政策，能够有效缓解基层医疗水平较差的问题。在超声诊断中，对超声医师操作水平要求较高。同一病变，不同医生的手法、采集到不同的切面、使用不同的参数调节图像等，得出的诊断检查结果也许会不一样。而利用超声AI功能能够在诊断定量化、一致性、准确性上有所提升，辅助基层医生解决实时诊断的问题。 其次，超声医学智能化是缓解超声医生诊断工作压力的重要手段。超声检查具有无创、无辐射性，是患者就诊过程中初步检查的首要选择，特别地，在孕期胎儿检查领域，更是主要的检查手段。随着越来越多的人开始关注检查的无创性，这也促使超声诊断次数的不断增加。通过智能化超声医学，可以在超声检查规范化、图像质量可控、诊断效率、诊断准确率等方面进行优化，缓解医生诊断的繁重压力。
转载自“ 医学AI在线AIMonline”公众号
