人工智能在超声医学诊断方面的研究进展

马延军 董云翔 杨 澜 周煜萃 罗兆瑞 杨 茹

1.中国医科大学临床医学三系，辽宁沈阳 110001；2.中国医科大学智能医学学院，辽宁沈阳 110001；3.中国医科大学口腔医学院，辽宁沈阳 110001；4.中国医科大学附属第一医院心血管超声科，辽宁沈阳 110001

人工智能（artificial intelligence，AI），是一种新兴的、通过模仿人类思维和认知能力而实现实际操作的技术，本质上属于计算机科学，近些年正不断在我们生活的各个领域发挥作用。超声检查是一种基于超声波的诊断技术，目前已在医院广泛使用，在医学影像学检查中有着举足轻重的地位。在科技不断发展的过程中，人工智能已经逐渐渗透超声检查并发挥了重要作用，其在检查结果精确性、检测效率等方面对原有的超声检测技术进行改进，使超声检测技术更加成熟。本文对现阶段不同检查部位的超声检测中人工智能发挥的作用及现状进行综述。

1 影像医学方面的人工智能系统

1.1 人工智能

AI 是计算机科学领域的分支，通过计算机模拟人类的思维方式及思维过程，来实现计算机的更高层次应用，AI 也被认为是20 世纪的三大尖端技术之一。近30 年来，人工智能迅速发展，广泛应用于诸多科学领域，为人们的生活方式带来巨大改变。伴随着AI 热潮，达芬奇手术机器人、数字化手术导航、慢性病患者虚拟助理等产品的问世，使得人工智能在医学领域上的发展与应用吸引着越来越多人的关注。

1.2 计算机辅助诊断系统

计算机辅助诊断（computer aided diagnosis，CAD）系统是通过医学影像处理技术及生理、生化手段，结合计算机分析计算，辅助发现病灶的医学影像信息库，可以有效改善影像质量，降低误诊率及漏诊率。在医学影像重建、医学影像分割、医学影像融合等方面，已经取得了较好的预期成果。

1.3 深度学习

深度学习（deep learning,DL）是目前机器学习领域中一个新的研究方向，具有广阔的应用前景。通过深度学习可以使机器模仿人类的思考方式，分析并解决复杂的图像识别问题。伴随着深度卷积神经网络技术的不断发展，人工智能在计算机视觉领域上取得了显著性的突破，同时也推动了人工智能对于超声医学影像数据的识别及深度学习。将人工智能合理运用到超声医学影像上可显著提高临床诊断效率及准确率，助力构建数字智能医疗模式。因此，人工智能技术与影像医学的结合有望改善传统医疗的诸多困境，有效提高医学影像对于疾病的筛查和诊断，对于现代化医疗具有重要的现实意义。

2 AI 在超声医学诊断方面的研究进展

2.1 AI 在甲状腺超声诊断中的应用

甲状腺超声是诊断甲状腺疾病的主要影像学手段，目前AI 在辅助甲状腺超声诊断方面取得了一定成果。其中，AI 在甲状腺结节超声诊断中应用的最为广泛，在甲状腺结节分类及甲状腺良性和恶性结节的鉴别诊断中已展现出良好的应用前景。

Wang 等收集了2992 个甲状腺超声图像，由2位高年资超声医师按照美国放射学会（American College of Radiology，ACR）的甲状腺超声分级方法（thyroid imaging reporting and data system，TI-RADS）分出TR4 及TR5 的超声图像。他们通过集成两种基于DL 和传统机器学习方法的AI 算法，开发了一种新的甲状腺CAD 系统。该系统基于4 种已知的风险因素，建立了甲状腺癌预测模型，从而提高对可疑结节的诊断准确性。Kwon 等的研究中描述了一种使用卷积神经网络进行超声检查的甲状腺结节分类系统，可在超声检查中对甲状腺结节进行分类及识别甲状腺恶性肿瘤。在此项研究中使用了动态卷积神经网络（dynamic convolution neural network，DCNN），它是一种专门用于识别图像模式的机器学习模型。相较于传统的计算机辅助诊断系统，DCNN 可以自动学习有效的特征用于图像分类，即使因相机镜头、光源、角度等因素导致图像失真，系统依然可对图像进行检测和识别。而Chi 等进一步改良现有的深度卷积神经网络，使用GoogLeNet进行分类，并通过研究证实，GoogLeNet 可以提高甲状腺结节分类准确性。Zhou 等提出了一个高度自动化的模型-深度学习甲状腺影像组学（deep learning radiomics of thyroid，DLRT），用于超声图像中对良性和恶性甲状腺结节进行鉴别诊断，该团队收集了1750 个甲状腺结节的图像，分别使用基本的卷积神经网络（convolutional neural networks，CNN）模型、迁移学习（transfer learning，TL）模型及新设计的DLRT 模型，并将他们的诊断准确性进一步与人类观察者（1 名高级和1 名初级美国影像科医生）进行比较，在内部训练队列和外部验证队列中，与其他深度学习模型和人类观察者相比，DLRT 显示出最准确诊断能力，对于鉴别甲状腺良、恶性结节具有良好的潜力。伴随着AI 辅助医学诊断的快速发展及应用，AI 在甲状腺超声诊断领域的应用将向更准确、更迅速、适应性更强的方向发展。

2.2 AI 在乳腺超声诊断中的应用

乳腺超声检查是一种无创、准确的乳腺检查手段，可用于乳腺良性和恶性肿瘤、乳腺增生及炎性疾病的诊断。超声医生通过应用彩色多普勒、三维超声成像、弹性成像、超声声学造影等技术，获得乳腺超声图像并进行分析及诊断，辅助临床医生确定诊疗决策。AI 可以自动识别图像信息，对图像特征进行定量评估分析，提高超声在乳腺病变诊断中的准确性。

目前，AI 在乳腺超声中的应用和研究多集中在基于二维超声特征来区分良性和恶性乳腺肿块。从乳腺成像报告和数据系统（breast imaging reporting and data system，BI-RADS）中识别有效的可计算特征，并通过不同的机器学习方法，可以用于区分良性和潜在的恶性病变。近年来，CAD 在图像的处理和分割以及感兴趣区域（region of interest，ROI）的选择方面取得了很大进展。Feng 等提出了一种适应性地利用相邻信息的方法，可以有效提高超声图像上的乳腺肿瘤分割性能。Cai 等提出了一种基于相位一致性的二元模式纹理描述符，无论图像灰度如何变化，该描述符均可以有效地评估和分类B 型超声图像。

传统超声图像通常需要从超声机器传输到工作站后进行图像再处理，而s-detect（DL 技术的一种）可以直接在超声系统上识别和标记乳腺肿物。s-detect 是三星RS80A 超声系统中配备的工具，其在DL 算法的基础上根据BI-RADS 2003 或BI-RADS 2013 分类进行病灶分割、特征分析和描述，在自动或手动选择ROI 后，立即对感兴趣区域（肿物）给出良性或恶性的判断。关于DL 软件（deep learning software，DLS）在基于超声图像对乳腺癌进行分类诊断的回顾性研究发现，DLS 诊断乳腺癌的准确性与影像医生相当，且DLS 可以比没有经验的人类使用者更好、更快地学习。Zhang 等建立了一种DL 结构，该结构可以从剪切波弹性成像中自动提取图像特征，他们也评估了DL 结构在良性和恶性乳腺肿瘤的鉴别作用。Han 等使用卷积神经网络深度学习框架来区分通过超声获得的乳腺图像的不同类型的病变和结节，该方法能够在短时间内对恶性病变进行分类，进而能够帮助影像医师鉴别、诊断恶性病变。

2.3 AI 在肝脏、胆囊超声诊断中的应用

最新研究表明，肝细胞癌（hepatocellular carcinoma，HCC）患者尽早进行声像图诊断（ultrasonographic，USG），将降低37%左右的死亡率，具有较好的成本效益。Tiyarattanachai 等使用大量临床预先采集好的USG 图像来开发和验证AI 辅助的USG 图像分析系统，用于检测和诊断各种肝脏局灶性病变（focal liver lesion，FLL）。该系统是基于RetinaNet的CNN 架构的AI 静态图像分析。CNN 使用大量临床FLLs（包括肝细胞癌、囊肿、血管瘤、局灶性脂肪保留和局灶性脂肪浸润）患者的回顾性图像，通过改变置信阈值调整对疾病的检出率，其总体检出率、诊断敏感度和特异性分别为87.0%、83.9%和97.1%，FLL 的诊断准确率为88%～96%。因此，该系统在检测和诊断各种FLL 方面表现出良好的性能，有助于临床检测和诊断HCC。Liu 等利用基于肝脏超声图像建立CNN 模型，与定向梯度直方图和局部二元模式的低水平特征提取方法相比，DL 技术具有更好的分类准确率。但上述研究的训练数据集仅进行了内部测试，是否可以应用于其他临床患者还有待进一步研究。

胆囊疾病是临床常见的上腹部不适的原因之一。超声检查可以观察胆囊的形态大小情况、胆囊壁的厚度变化、胆囊内是否有异物等。Zhou 等的研究采用CNN 和集成学习的AI 技术，使用临床胆道闭锁病例的超声图像数据，训练队列被随机分成5个互补子集，其中4 个用于训练CNN，另外一个子集用于验证CNN。该系统在外部验证数据集上的敏感度为93.1%，特异性为93.9%，可以准确地诊断胆道闭锁。Chen 等通过对胆囊息肉（胆固醇和肿瘤病变）的经腹高分辨率超声检查和病理结果的研究,开发了一种带有AdaBoost 分类器的新型CAD 系统。研究中结合主成分分析和AdaBoost 算法提出超声图像分割算法，构建鉴别肿瘤性和非肿瘤性胆囊息肉的计算机辅助诊断系统，其所提出的分割方法可精确勾勒胆囊区域轮廓，与超声医师人工识别图像相比，该系统诊断结果准确率更高，诊断速度更快，有助于胆囊息肉的准确诊断。

2.4 AI 在内镜超声诊断的应用

超声内镜（endoscopic ultrasonography，EUS）将内镜与超声相结合，主要适用于消化道检查，尤其在消化道肿瘤的诊断中发挥着不可忽视的作用。胃肠道间质瘤（gastrointestinal stromal tumors，GISTs）和胃肠道平滑肌瘤（gastrointestinal leiomyomas，GILs）是最常见的胃肠道上皮下病变（subepithelial lesions，SELs）。GIST 为潜在恶性肿瘤，而GIL 是良性肿瘤，因此区分这两种疾病对于治疗尤为重要，但仅用EUS 图像很难区分GIST 和GIL。若在EUS中引入AI 技术，或许可为SELs 的诊断提供新方向。Minoda 等将EUS-AI 和EUS 专家的诊断与SEL的病理结果一致性进行比较，发现EUS-AI 对于＜20mm 的SEL 诊断的准确性、敏感度和特异性均高于EUS 专家的诊断。2022 年，Hirai 等通过AI 对包括GIST 在内的5 类疾病进行诊断，表明其具有比专家更高的诊断性能，可能有助于改善临床中SELs的诊断。杨新天通过采集在组织学上被诊断为GIST 或GILs 的患者的EUS 图像，使用DL 技术开发1 个基于EUS 的AI 系统用于鉴别这两类肿瘤，通过EUS 和AI 的联合诊断，内镜医师对于两种肿瘤的诊断准确率均有所提高。此外，在胆囊息肉状病变与胰腺癌中，AI 与EUS 的结合亦表现出更高的敏感性和准确性。

2.5 AI 在心血管超声诊断的应用

心血管疾病（cardiovascular diseases，CVDs）已成为全球人群的主要死亡原因之一，而传统预测CVDs 风险模型对于患者CVD 风险评估尚有一定局限性。AI 与传统风险预测方法相结合，可进一步为心血管疾病风险预测提供更有力的帮助，即“综合预测心血管疾病风险模型”。动脉粥样硬化是CVDs 的主要原因，其可以导致心肌梗死或脑卒中等。临床上评价动脉粥样硬化程度的两个主要指标是颈动脉内膜中层厚度（carotid intima-media thickness，cIMT）和斑块面积（plaque area，PA），将AI与颈动脉的超声结合评估cIMT/PA分割方法已可用于心血管疾病/卒中风险监测中。Skandha 等设计由3 种DL 分类范式组成的计算机辅助诊断系统，用于动脉粥样硬化中斑块组织分类和表征，研究结果表明结合AI 可有助于识别斑块组织分类和表征。Biswas 等提出了一种基于AI 的方法，以cIMT和总PA 为指标联合自动检测测量壁厚和颈动脉斑块，其对动脉粥样硬化的诊断性能有所提高。此外，AI 技术亦应用于超声心动图中辅助心脏功能评价。Salte 等使用基于DL 和AI 的新型运动估计技术通过追踪心肌运动，对左心室整体纵向应变进行全自动测量，进而测量评估心肌收缩功能。

2.6 AI 在胎儿超声诊断的应用

胎儿超声心动图检查是先天性心脏病的主要筛查方法之一。胎儿心脏的生理结构与成年人不同，胎儿身体的不自主活动、检查医师经验不足等因素都会影响胎儿超声心动图检查的准确性。通过DL 构建AI 系统与胎儿超声心动图检查相结合，有助于提高检查结果的准确性，在AI 的辅助下，经验不足的医师也可以得到相对准确的检查结果。

在胎儿面部检测中，AI 也带来了新的解决方案。通过胎儿面部检测，可以预知新生儿是否存在颜面部结构畸形等问题，早期诊断可以尽早采取治疗措施。传统的胎儿颜面检测是以医师为检测的主体，在切面采集过程中，不同医师的操作经验差异及主观因素均会影响采集切面的标准性，进而对于胎儿面部畸形的判断准确性产生影响。在AI 的辅助下，可提高胎儿颜面部超声标准切面采集的准确性，同时提高图像采集效率。

在早产儿死亡和新生儿患病的原因中，肺部发育不全一直是主要因素之一，因此对于胎儿肺部发育情况的评估，将有助于早产儿出生后诊疗决策的制定。目前针对胎儿肺部成熟情况的评估方法主要有羊水生化检测、二维超声检测、灰阶超声直方图检测等，但以上方法或为有创手术、成本高且风险大，或受主观因素影响、准确性难以得到保障。而基于AI 的定量超声检查的应用，克服了以上的缺点，发挥了超声检查的无创性优点，通过AI 的辅助，提高了诊断结果的敏感性、准确性。

3 总结与展望

目前的医疗行业中，超声影像作为无侵入性、无辐射、便捷的检查方法，在疾病诊断中发挥着重要的作用。而大多初始医学影像数据，都需要医生进行人工分析，大量的后期分析导致了医生资源的浪费，同时这个过程也难免产生医生主观性判断的错误，增加了疾病的误诊、漏诊率。将AI 技术与超声结合能够提高超声医生的工作效率，提高疾病诊断的准确性。因此，如何将人工智能技术与传统的超声检查技术相结合，将是未来研究的热点问题。