医学影像学中的人工智能
医学影像学中人工智能出现的主要驱动力是对更高疗效和效率的渴望临床治疗中。“放射性成像数据继续以不相称的速度增长与现有的受过培训的读者数量相比的比率，以及成像费用的下降迫使医疗保健提供者通过提高生产力来进行补偿24。这些因素导致了放射科医生的工作量研究报告说，在某些情况下，一个普通的放射科医生必须每3-4秒解释一幅图像在一个8小时的工作日内，以满足工作量要求25。放射学涉及到视觉感知和决策在不这些特征对于当前的临床任务，即对疾病的检测、特征描述或监测是非常重要的。
逻辑和统计模式识别在医学问题中的应用从20世纪60年代初的27、28就被提出随着计算机在20世纪80年代变得越来越普遍，许多临床任务的自动化已经从一种感性的主观技术转移到了一个可定量计算的领域29、30人工智能在放射领域的发展速度与其他应用领域的发展速度是平行的，并且与数据和计算能力的快速增长成正比确定的情况下，错误是不可避免的——特别是在这样的约束条件下。在成像工作流程中无缝集成的人工智能组件将通过提供训练有素的放射科医生，以最少的手动输入提高效率、减少错误并实现目标带有预先筛选的图像和识别的特征。因此，为促进医学影像人工智能技术的发展，人们正在作出重大的努力和政策】几乎所有基于图像的放射学任务都取决于从图像中量化和评估射线特征
现在有两类人工智能方法被广泛使用（框1；图2）第一种方法使用手工制作的工程特征，这些特征是根据数学方程（如肿瘤纹理）定义的，因此可以使用计算机程序31进行量化，这可以支持临床决策、这些特征被用作最先进的机器学习模型的输入，这些机器学习模型被训练成以某种方式对患者进行分类虽然这些特征被认为是有区别的，但它们依赖于专家的定义因此，不一定代表手头鉴别任务的最佳特征量化方法。此外，预定义的特征通常无法适应成像方式的变化，例如断层扫描（CT），正电子发射断层扫描（PET）与磁共振影像学（MRI）及其相关信噪比特性
第二种方法，深度学习，有近年来得到了相当大的关注。深度学习算法可以从数据中自动学习特征表示，而无需人类专家事先定义。这种数据驱动的方法允许更抽象的特性定义，使其更具信息性和概括性。因此，深度学习可以自动量化表型人类组织的特点32，有望在诊断和临床护理方面有实质性的改善。深度学习的另一个好处是减少了对手动预处理步骤的需要。例如，为了提取预先定义的特征，通常需要专家对病变组织进行准确的分割33因为深度学习是数据驱动的（框1），有足够的示例数据，它可以自动识别病变组织因此避免了专家定义的分段。鉴于其学习复杂数据表示的能力，深度学习通常也能抵抗不希望的变化，例如读取器间的变化，因此可应用于多种临床条件和参数在很多方面，深度学习可以反映出受过训练的放射科医生的工作，也就是说，识别图像参数，同时根据其他因素权衡这些参数的重要性，从而得出临床决策
鉴于深度学习在医学影像学中的应用越来越多，有几项工作进行了比较深度学习方法及其预定义的基于特征的对应项，并报告了大量性能通过深入学习改进34,35。研究还表明，深度学习技术在检测36和超声和磁共振各37个节段。对于PET-CT中淋巴结转移的分类任务，深度学习比放射科医师具有更高的敏感性，但其特异性较低3
由于这些方法是针对特定的应用程序进行迭代优化和定制的，因此需要更好地掌握敏感度：特定性权衡。深度学习还可以加快开发速度，因为它仅依赖于整理的数据和相应的元数据而不是领域专业知识。另一方面，传统的预定义特征系统近年来已经显示出稳定的性能，因此通常不能满足临床的严格要求公用事业。因此，只有少数翻译成临床医生39。
网友评论