人工智能在医学应用中进展研究

时间：2024-09-03

王婷婷，邢登祥

北部战区总医院医学信息数据室，辽宁沈阳 110003

随着信息革命的快速发展，大数据时代的到来，以深度学习为关键技术的人工智能逐渐成为各国研发投入的重点，目前已发展到应用阶段[1]。人工智能定义为计算机具有人类智慧的能力，并能够自我学习，完成需要人类智慧才能完成的任务。人工智能的关键技术是深度学习，模拟人类大脑的神经网络，读取、处理大数据，并找出其中规律，完成特定任务。尽管人工智能在医学领域的应用较晚，但取得的结果使人振奋。本文对人工智能在医学领域的应用作一综述。

1 人工智能在医学影像中的应用

医疗影像采集的数字化为人工智能的应用提供便利条件。各医院信息化建设医疗影像存储与传输系统的应用，使人工智能应用成为可能。患者影像资料可以数据化形式从中央数据库直接获取，方便将人工智能整合到放射诊断工作中，已建立的数字成像基础设施能将人工智能无缝嵌入到放射诊断工作流程，由X 线、CT、超声等不同成像模式生成的图像数据可在几分钟内分析和传输，深度学习可自动精确定位病灶责任区。Lee等[2]开发出基于深度学习的计算机辅助诊断系统，用于诊断CT扫描甲状腺癌颈淋巴结转移，采用深度学习的8种模式进行检测后，对淋巴转移瘤的识别达到90.4%。刘晓鹏等[3]用上海交通大学开发的人工智能系统[4]对1 mm 和5 mm层厚的CT图像进行集合训练，自动学习肺癌结节的特征及分类，500例读片的准确率分别为95.2%和95.6%，人工智能读片和5位医师读片的诊断结果无显著差异。人工智能对早期肺癌的胸部CT图像具有高特异性和敏感性，可辅助医师对小肺癌结节进行早期诊断。

2 人工智能在病理诊断与疾病进展中的应用

人工智能在病理诊断的应用中也取得不错的效果。Yala等[5]开发出一种机器学习模型，从乳房病理学报告提取相关的肿瘤特征，并创建大型数据库。系统经过培训，可提取20个不同类别的病理信息，测试该系统的准确性，结果表明，人工智能诊断病理切片准确率为 90%。此外，该学者创建了一个91 505份乳房病理报告数据库，信息可被开放提取，允许医师轻松识别具有病理特征的患者。该学者认为，他们的模型不需要分析大量医疗数据，因而能极大程度降低成本，减少提取信息所需时间[5]。有学者使用人工智能预测膀胱癌肌肉浸润的风险，结果表明，虽然非浸润性膀胱癌复发率很高，但大多数肿瘤是散发的且可通过内窥镜治疗，而对肌肉浸润性膀胱癌效果较好的治疗方案不良反应较大[6]。此外，该学者还发现，与单用病理学手段比较，利用人工智能分析不同基因组合能更显著预测肿瘤进展。肿瘤遗传表型的改变通常反映癌细胞分子改变及行为改变，能够预测肿瘤的进展情况。然而，在某些情况下评价病理图像是主观的，缺乏重复性。人工智能越来越多地用于常规临床组织学和细胞学分类、预测和基因组学的诊断。有学者从2 186个肺腺癌和鳞状细胞癌苏木精-伊红染色病理图像提取出具有量化特征的9 879个定量图像特征，经过学习的人工智能可区分长期幸存者和短期幸存者的病理切片[7]。Kumar等[8]构建一种能自动识别病理影像和临床遗传非小细胞肺癌基因突变的人工智能学习法，为肺癌的个性化治疗提供依据。这种组织病理和基因突变相关性研究可应用到其他癌症的靶向治疗。人工智能在病理学方面的应用有助于医师对大量病理切片的病变筛查[9]。喉癌手术中，保护相邻的健康组织非常重要。使用基于深度学习的拉曼散射显微镜精确诊断喉部鳞状细胞癌手术标本，无需固定、分割、染色或处理，喉癌手术表现近乎完美。人工智能拉曼散射显微镜对33个手术标本的诊断准确率为100%[10]。Yadav等[11]提出人工智能是如何集成基因组学、MRI成像和生物标志物对前列腺癌进行检测，并实施手术。高度自动化的人工智能是未来医疗的趋势[12]。

3 人工智能在乳腺癌治疗中应用

乳腺癌早期诊断和治疗对患者的预后极为重要。人工智能通过评估和诊断乳腺癌细胞标志物，能做出更适合患者的治疗决定。计算机化图像分析乳腺组织数字化病理大数据有助于更快、更精确诊断疾病，人工智能的突破预示在不久的将来改变乳腺癌的检测和治疗[13]。乳腺癌是否转移影响治疗方案的选择，乳腺癌淋巴结肿瘤细胞的鉴定较为困难，容易出错，特别是微小转移。有学者开发了用于检测乳腺癌淋巴结转移的人工智能程序，通过深度学习识别和勾勒出疑似肿瘤区域，结果显示，人工智能判断病理区域的准确度超过临床医师，且人工智能显著提高微转移检测的灵敏度，缩短对微转移和影像的平均审查时间[14]。有研究报道，利用人工智能系统检测乳腺癌的淋巴结转移的结果优于医师的检测结果，并基于该系统构建了人工智能病理检测的工作流程和工作框架，为人工智能在病理诊断中应用奠定基础[15]。

4 人工智能对肿瘤学治疗方案的选择

新的人工智能智能平台将来有希望帮助癌症患者做出治疗决策[16]。IBM公司开发了一款肿瘤治疗人工智能的决策系统，利用该系统提取和评估大量肿瘤患者医疗数据，利用机器学习提出癌症治疗方案。人工智能建议的标准治疗方案与肿瘤专家组的建议一致率高达90%，但人工智能和肿瘤专家的推荐治疗方案的一致性也取决于肿瘤类型，约80%非转移性乳腺癌患者的推荐治疗方案一致，而转移瘤患者45%一致，三重阴性乳腺癌患者68%一致，HER 2阴性乳腺癌患者35%一致。复杂的癌症导致推荐治疗的差异较大。该研究也表明，肿瘤专家获取信息分析数据并提出建议平均需要 20 min，熟悉患者临床资料后，平均时间减少到约12 min，而人工智能仅用40 s即可获取信息，分析数据并提出建议。这项研究认为，人工智能不仅为乳腺癌患者提供治疗建议，也为肺癌患者、结肠、直肠癌提供治疗建议。然而，该研究也表明，虽然人工智能向个性化治疗迈出有益一步，但它只能补充而不能取代医师的工作。因为在处理临床资料时，患者的经济情况等诸多因素需要医师来考虑[17]。

5 人工智能对肿瘤患者资料的综合分析预测

多学科之间影像资料的相互参考，分析多个科室来源的大数据更加有助于人工智能进行癌症预测和治疗。生存结果的预测对癌症患者非常重要，可以帮助患者规划治疗及生活。癌症的组织学和影像学诊断提示原发性肿瘤的入侵规模、程度、淋巴结转移情况，进而预判肿瘤的恶性成度，是确定治疗方案的基本依据。基因组标记、基因表达也可用于预测癌症患者的预后[18]。癌症的个性化治疗能够达到较好的治疗效果，人工智能根据影像诊断能够决定肿瘤外科手术精准切除。有学者使用深度复杂神经网络根据胶质瘤的影像学图像进行胶质瘤分级，准确率较高[19]。有学者利用数字化病理学图像和基因组标记物预测脑肿瘤患者的生存状况,对人工智能预测弥漫性胶质瘤整体生存情况、组织学分级和基因组分类的能力进行测试，表明人工智能可提高胶质瘤分级的准确性。根据患者的情况采取合适的治疗方案[20]。有研究报道，使用人工智能技术进行胶质瘤等级鉴定，准确率超过90%[21]。