第二章　信息化时代多模态分子影像的发展趋势

医学影像技术的发展是临床医学领域发展最迅速的学科之一，为疾病的诊断、治疗和研究发挥了重要作用。同时，一些新的相关技术的发展对医学影像技术也产生了重要影响，特别是信息化技术的发展促进了医学影像技术发展与自动化、智能化和质量的提高，多模态、多参数、多尺度影像的发展促进了不同影像学科之间的融合与互补；基于影像组学、大数据、人工智能、远程医疗和移动医疗技术的发展极大地推动了医学影像技术进步，也改变了医学影像学科的传统发展模式；新的放射性核素和纳米技术的应用，为诊疗一体化的发展带来了新的契机。

第一节　多模态、多参数、多尺度影像

近几年来，多模态影像的发展比较快，也相对比较成熟。医学影像几十年的发展经验表明，无论是CT、MRI、超声影像，还是核医学的PET、SPECT影像，尽管不同的显像模式都有各自的优势和特点，但是却没有一种独立的影像技术能够解决临床诊疗中面临的所有问题，包括早期诊断、临床分期、诊疗决策、早期治疗反应监测和预后评估等。因此，发展多模态影像是必由之路，充分发挥不同影像的优势，不同模式影像优势互补，可以解决大多数临床诊疗问题。尽管如此，限于影像仪器和检查本身存在的缺陷，仅依靠不同的显像模式仍然不能解决临床诊疗决策过程中需要的信息，尤其是病变生物学特性信息，因此提出了多参数影像的概念。

生命的过程是不同的物理和化学变化的过程，疾病的发生和发展也是一个极为复杂的物理与化学变化过程的体现，并由这些化学变化导致生物学变化，表现出不同的生物信息改变。临床上，常规的影像技术难以对疾病的生物化学过程和生物学变化信息进行可视化，即使是利用某一单一的分子影像也不能记录不同疾病发生、发展过程中生物学信息变化。因此，多参数显像就是针对不同疾病、不同过程建立多层次的监测手段，例如利用fMRI及波谱监测疾病发生发展过程中的化学位移变化、代谢产物组成等，为真实地再现疾病形成过程的本质。然而，fMRI及波谱分析反映疾病生物学过程的能力还十分有限，形态学影像虽然很成熟，其解剖分辨率也几乎达到了完美的极限，而且组织的解剖结构变异也较小，便于实现人工智能诊断等优势，但是形态学影像要再进一步的突破却是很困难，加上MRI、CT和超声等形态学为主的影像探测微量化学物质的敏感性有限，难以精确监测到不同的分子改变信息；而应用放射性核素标记针对不同生物分子探针的分子影像则可弥补这一不足，尽管目前很多技术还不成熟，有些方法还处于临床前研究阶段，而且某一单一的分子探针其兼容性和广谱性有限，针对不同的分子靶标要设计不同的分子探针，但是却具有很高的特异性、敏感性和发展空间，随着分子生物学不断发现新的生物标志物和新的信号分子，分子影像技术就有可能构建新的分子探针，并进行体内分子示踪和可视化，再现不同疾病的生物学过程变化，因此分子影像及其新的分子探针研发将是无限的，也是核医学分子影像的生命力。多功能分子探针的研发和应用将是今后多参数分子影像发展的主要方向，而基于多模态、多参数、多功能探针的分子影像将是新时期医学影像发展的主要模式。分子核医学发展的另一优势是恶性肿瘤的诊疗一体化，分子核医学不仅能使某些肿瘤生物标志物可视化，而且利用核素发射的β射线实施肿瘤内照射靶向治疗，目前¹⁷⁷Lu、¹⁸⁸Re、¹³¹I等核素都是诊疗一体化常用的核素。

分子影像在生命科学和医学研究与应用中具有举足轻重的作用，生命的过程是发生在多层次的，从细胞、组织、器官到完整的机体都有着不同的表现形式，因此其生物医学影像的模式和显示也不一样，建立和发展不同尺度成像模式对于生命科学研究意义重大，也是临床分子影像的基础。分子影像的优势在于从细胞和分子水平对活体的生物学过程进行定位、定性、定量和可视化，这也包括可对活的细胞、组织和整个机体进行显像。在体外活细胞的示踪研究中，可以通过荧光分子影像对细胞的生物学过程进行监测，这早已成为生物学研究中的重要手段；在活体小动物实验中，利用发光物质、核素、磁性纳米材料或超声微泡标记的活体示踪技术，进行荧光成像、生物发光成像、近红外成像、核素成像、MRI和超声显像等，对体内相关生物分子进行可视化，尤其是核素标记进行分子成像具有独特的优势，利用放射性核素标记某些特异性生物分子可以行小动物PET、SPECT活体无创性示踪研究，也可应用磷屏成像系统对整体小动物、离体标本和细胞进行可视化研究；而对于比较成熟的标记分子则可以直接进行人体PET/CT、PET/MR显像，观察某些被观察的物质或分子在活体内被靶组织吸收、分泌、转化及代谢过程，阐明疾病的发生规律，筛选机体的治疗靶分子为临床治疗决策提供依据。此外，临床上许多新的靶向治疗药物在应用于临床之前，大多要经过细胞、小动物、临床试验，再到临床转化应用几个阶段，因此，多尺度分子影像近些年发展非常快，也是临床前研究和转化医学研究的重要内容。

第二节　影像组学在医学影像发展中的作用

一、从基因组学到影像组学形成

20世纪90年代人类基因组计划（Human Genome Project，HGP）的实施完成了人体内约2.5万个基因30亿个碱基的全基因组测序，绘制出人类基因的图谱，解开了人类生命的奥秘，被称为生命科学的一项伟大工程，包括中国也参与了此项计划，人们将这一时期称为“结构基因组学时代（structural genomics）”。自2000年以后，人类对于基因的研究转入到后基因组学（post-genomics）时代，又称为功能基因组学（functional genomics）时代。人们利用结构基因组学所提供的信息和产物，发展和建立新的研究手段探索基因的功能，阐明基因变异与疾病、基因组表达的调控、基因组动态的生物学功能。影像组学、分子影像组学以及分子影像技术也是建立在基因的表达和功能基础之上的技术，也是功能基因组学技术的组成部分（图2-1）。

从基因组（genome）和基因组学（genomics）两个名词诞生至今，迄今已有成千上万的“组（omes）”和“组学（omics）”出现，已成为生物医学研究领域重要的知识体系和热点。在分子生物学中，组学（omics）主要包括基因组学（genomics）、蛋白组学（proteinomics）、代谢组学（metabolomics）、转录组学（transcriptomics）、脂类组学（lipidomics）、免疫组学（immunomics）、糖组学（glycomics）、RNA组学（RNAomics）、药物基因组学（pharmacogenomics）、表观基因组学（epigenomics）等。Omics是组学的英文称谓，它的词根‘-ome’意为一些种类个体的系统集合，例如基因组（genome）是构成生物体所有基因的组合，基因组学（genomics）就是研究这些基因以及这些基因间关系的学科。

随着生命科学研究的不断深入，科学家们发现单纯研究某一方向（如基因组与蛋白质组，转录与转录组等）无法解释全部生物医学的问题，从而提出从整体的角度出发去研究人类组织细胞结构、基因、蛋白及其分子间相互的作用，通过整体分析反映人体组织器官功能和代谢的状态，为探索人类疾病的发病机制提供新的思路。因此，系统生物学（systems biology）概念的提出将机体当作一个整体或系统来研究，是后基因组学时代生命科学研究的又一新的模式。系统生物学与基因组学、蛋白质组学等各种“组学”的不同之处在于，它是一种整合型大科学，它将系统内不同性质的构成要素（如基因、mRNA、蛋白质、生物小分子等）整合在一起进行系统研究。

影像组学的英文“radiomics”其原意为放射组学，显然使用放射组学一词太局限，不能很好反映当今影像组学所涉及的领域，如磁共振成像、光学成像等非放射影像。随着影像组学的不断发展，或许给影像组学换一个新的名字，用“imageomics”取代“radiomics”更合适。尽管这个词目前在词典里还查不到，但是我相信这个词一定会成为反映时代特征的常用词，就像诊疗一体化（theranostic）一词的出现一样。而且随着该领域的进一步发展，还会逐步形成分子影像组学（molecular imageomics）。影像组学是在基因等组学认识的基础上提出的新概念，是继结构基因组学时代之后，后基因组学（功能基因组学）时代又一新的产物，利用现代数据采集与信息分析技术高通量从MRI、PET及CT等不同影像中提取海量高维影像特征信息，定量分析病灶特征，获取通过人眼不能观察到的纹理信息，解析影像纹理特征（texture features）与疾病的发生、发展、病理、疗效、预后甚至基因表达等之间的关系，用于疾病的生物学分型、分期、治疗决策、疗效和预后判断等。将影像组学的特征信息与基因组学信息、临床大数据库信息进行关联和整合分析，用于疾病及其疾病转归的预测，也称为影像基因组学（image genomics），是当今医学研究的热点课题。

影像组学分析的规程通常包括以下步骤：①从CT、PET、MRI、超声等影像自动提取高通量特征信息；②确定病灶边界和进行影像分割；③对ROI纹理特征进行提取、分析和定量，包括病灶密度、形态、大小信息以及血流、代谢、功能、乏氧等信息；④自动生成Haralick纹理特征图；⑤建立多参数模型、机器学习、修正与验证；⑥基于影像结局的疾病分类与智能化诊断；⑦将影像组学信息与临床信息、遗传学和生物学信息、人口统计学信息等进行关联与整合，为患者的个体化医疗和精准医疗提供决策依据。

二、影像组学的应用

目前影像组学研究在临床上主要是用于肿瘤的评价，以解决常规影像定性与定量分析模式对肿瘤内生物学行为的异质性认识不足，从而影响到疾病的治疗和评估问题。通过影像纹理特征分析可获得肉眼看不到的病灶某些信息，特别是可能逃脱人眼识别的亚视觉（subvisual）信息，或者视觉能够看见病灶的异质性但是不能对异质性进行量化，难以与大数据库进行信息整合分析。通过建立亚视觉特征模型，捕捉肿瘤区域微妙变化，例如目前常规的影像中，CT影像特征包括体积、衰减、形态、结构、强化和纹理信息的异质性，MRI影像特征还包括信号强度、弥散加权、增强以及波谱等，PET影像的FDG及不同分子探针摄取的异质性，为医学影像的精准定量与智能化诊断提供了一种新的策略。

病灶的纹理特征在相对量化处理后与视觉评估之间有很好相关性，两种观察的差异与整体不同因素有关，如纹理参数、最大标准化摄取值（SUV_max）或肿瘤体积像素等。多参数模型结合了大量高阶（high-order）多模态影像特征，其准确性和可重复性优于视觉分析，且不受人的主观因素判断的影响。将视觉意向与参数模型和其他领域信息（人口统计学、组织病理学、基因组学）整合分析将是一项具有挑战性的工作。人脑仅根据有限量参数做出决定，而多参数模型分析可以从多维度进行定量。但是组学分析要求有较高的精度和健全性，便于被接受并制订临床决策，还需要严格的模型开发（培训）、验证（独立的大型队列研究）和深度学习，不同影像模式、不同的疾病均需要开发专用的应用模型，因此影像组学在临床上的应用还需要有大数据的支持。

（一）肿瘤治疗反应的早期评估

1.CT影像组学评估治疗反应

常规的肿瘤疗效评估主要是根据CT、MRI的形态学信息，受肿瘤异质性和形态变异的影响，有时不能灵敏地评估治疗疗效。当肿瘤不规则或者其生长与缩小在三维上不规则时，对于肿瘤大小的变化线性测量可能给出一个不适当的评估，尽管治疗后肿瘤体积是缩小的，但病灶最大线性测量值却无变化，线性测量受阅片者个体认识的影响增加了处理的可变性，导致反应评估不和谐。而根据CT体积、衰减、形态、结构和纹理等多参数特征定量信息，对于肿瘤治疗反应评价明显优于RECIST和WHO标准以线性测量肿瘤大小变化。特别是对于形态比较复杂的肿瘤应用薄层CT扫描分割法可以测量肿瘤体积，空间分辨率高，克服了线性测量的不足。在肝细胞癌和胃肠间质瘤患者已证实，增强CT衰减变化（CECT）比肿瘤大小变化能更好反映治疗反应。

2.PET/CT影像组学评估治疗反应

近年来，随着PET/CT的广泛应用，¹⁸F-FDG PET/CT在肿瘤治疗反应评估中的作用也得到了人们的广泛接受，在某些肿瘤的评估上克服了单纯依靠RECIST和WHO形态学变化评价的不足，结合了PET/CT信息的RECIST1.1标准和以PET/CT为基础制订的PERCIST标准已经成为评估肿瘤治疗反应、预测预后和指导个体化医疗的常规方法。基于医师的主观判断或半定量评价治疗疗效误差较大，影像组学的发展为肿瘤反应评估提供了有希望的客观依据，通过计算机提取大量的图像特征，可获取更多有临床预后价值的定量信息。

目前多数¹⁸F-FDG PET/CT定量肿瘤治疗反应都以SUV_max为指标，治疗前后SUV_max变化与治疗后病理反应和生存有关。但是SUV_max是单点估计，忽略了肿瘤内FDG摄取分布的异质性和代谢异常的范围。多数实体瘤都是由各种恶性和非恶性成分组成，FDG摄取的程度和分布存在较大的异质性，而FDG摄取异质性与重要的生物学、生理参数和预后有关。最近的研究表明，应用影像组学对PET/CT影像的空间特征信息如肿瘤体积、总糖酵解体积和标准化摄取值进行定量分析，通过对代谢活动（高于肿瘤本底的总剩余SUV）、SUV直方图距离、肿瘤形状、纹理特征和累积SUV体积直方图分析，对于肿瘤治疗反应的预测比SUV_max和肿瘤直径测量提供更多信息，综合时间-空间的¹⁸F-FDG PET特征（强度、纹理、形状特征及其治疗后变化）是肿瘤放化疗病理反应更有用的预测指标。根据临床参数和PET时空特征构建支持向量机（SVM）模型，经过交叉验证预测病理学肿瘤反应的敏感性和特异性大大提高。

Antunes等应用¹⁸F-FLT PET/MR影像组学分析评价了转移性肾透明细胞癌接受舒尼替尼（sunitinib）治疗的早期治疗反应（RCC）。影像采集包括治疗前的测试/复试扫描和实施治疗3周后的¹⁸F-FLT PET、T₂加权和弥散加权（DWI）协议，DWI生成表观弥散系数（apparent diffusion coefficient，ADC）图。首次尝试用FLT-PET/MR组学分析评估治疗早期反应；结果表明，PET/MR影像组学特征，即SUV，ADC能量和T₂W差均值可以确定转移性肾细胞癌细胞抑制治疗的早期结构和功能反应；虽然SUV的个体特征其整体敏感性和特异性排名是最高的，但是最佳整合的影像组学特征从不同的PET/MR协议中实现信息互补而具有更高的敏感性。但是该结果还需要更多数据进一步验证，包括研究相关的早期治疗变化与无进展生存的关系，以及在其他肿瘤的应用。

（二）预后预测

当今对癌症诊疗方法的研究发展较快，但许多癌症的治疗结局仍然迷茫，患者对相同治疗方案表现出不同的反应，从而促进了个体化医疗以及精准医疗的发展。影像组学研究及其临床应用对于某些肿瘤治疗反应的早期评估和预后预测有可能提供重要的依据。Ganeshan等比较了单独的CT纹理分析和结合了PET信息的组学影像分析淋巴瘤预后的影响。结果表明，CT纹理分析能够很好预测淋巴瘤患者的无进展存活，而CT纹理分析整合PET多参数的回归分析是预测无进展存活的最好指标。

（三）从影像组学到影像基因组学

手术是恶性肿瘤治疗的首选方法，传统的方法要获取病灶的生物学信息（如病理学类型、基因的表达等）通常是术前进行活组织检查或者通过术后病理学和免疫组化分析，但是部分不能手术的患者，已发生局部或全身转移以及术后复发的患者却难以获得所有病灶的生物学信息，为进一步制订治疗决策带来了困难。而且由于肿瘤的异质性，不同病灶的生物学特性不一定相同，原发灶与转移灶的生物学特性也可能不一样，这些信息又是临床上选择放疗、化疗、靶向治疗或内分泌治疗方法的重要依据。目前治疗肿瘤的这些方法大多比较昂贵，而且有不同程度的毒副作用，如果选择不正确的治疗方法将会给患者带来双重的损害。因此生物标志物在癌症的应用促进了个体化医疗的发展，为临床医生提供了更好的诊断和治疗选择。在大数据与互联网高度发达的今天，能否通过影像组学分析在一定程度上预测病变的生物学信息。利用影像组学获得的病变信息与人类基因组学信息以及患者的临床信息进行整合分析，将影像基因组学信息应用于患者指导制订预防、诊断与治疗的个体化决策，是一个值得探讨和面临许多争议的话题（图2-2）。

随着影像组学的发展，近年人们正在不断探讨医学影像的纹理特征与疾病诊断、治疗、预后与预测和生物分型之间的关系，将影像组学信息与基因或基因组学信息关联进行疾病的诊断和预测。将影像组学的纹理特征信息用于肿瘤的生物学分型和预测病灶的生物学行为是人们普遍关注的课题，然而，在“大数据”时代，从影像组学数据中获取有用的信息是具有挑战性的，也是具有争议的问题，真正用于临床实践还不成熟，还有很长的路要走。Flechsig等研究了肺癌患者不同肿瘤细胞亚型淋巴结的CT、PET和PET/CT图像特征与组织病理学的关系，并初步表明不同的组织病理亚型其影像纹理特征也不同。Tsujikawa等探讨了83例宫颈癌患者¹⁸F-FDG PET纹理特征与宫颈癌亚型之间的相关性，包括62例宫颈鳞状细胞癌（squamous cell carcinomas，SCC）和21例非SCC（NSCC）患者。PET/CT图像纹理特征的提取和分析包括SUV值、代谢肿瘤体积（MTV）和总病灶糖酵解（TLG）等一阶特征（firstorder features），二阶和高阶纹理特征使用SUV直方图、归一化灰度共生矩阵（normalized graylevel co-occurrence matrix，NGLCM）和邻域灰度色调差矩阵（neighborhood gray-tone difference matrix）分析。结果表明，在18种PET特征中，源于NGLCM的二阶纹理特征是区别SCC与非SCC唯一的稳定参数，其他的PET特征在SCC和NSCC之间没有表现出任何显著差异，提示¹⁸F-FDG PET纹理特征可能反映不同宫颈癌亚型之间的组织结构差异，将有助于寻找单一特征或组合特征用于精确诊断、预后和有效的治疗策略。

PET/CT影像组学也面临许多挑战和机遇，需要医生、影像科学家、生物学家和信息科学家之间的紧密合作。两个方面的直接挑战包括多模态PET/CT图像肿瘤体积的勾画、选定图像特征验证和在大型、多中心患者数据集建立预测模型。可以认为，PET/CT影像组学对于进一步疾病个体化理解、评价治疗反应以及医学影像的人工智能（artificial intelligence，AI）诊断具有巨大潜力，为癌症更精准、更好的决策提供依据。

第三节　信息化时代医学影像与人工智能

当今信息化发展已经渗透到人类生活的每一个领域，无论是工作还是日常生活都离不开互联网、移动通信和信息技术，互联网医疗、人工智能诊疗已成为许多商家投资的热门产业，据预测今后2～3年互联网医疗的市场规模可达到千亿元以上。随着信息化技术的深入发展，医疗大数据、医学影像大数据、影像组学、人工智能、远程医疗和移动医疗将会对医学影像学科的发展产生深远的影响。医学影像如何全面实现信息化、网络化和智能化，是今后学科必须面临的挑战。在信息化时代，医学影像面临的任务和变革主要有以下几个方面：

一、医学影像数据库建立

人工智能诊断离不开大数据，建立一个合格的医学影像数据库是一项系统工程，首先需要考虑包括信息采集、信息传递、信息处理、信息再现和信息利用等多方面的技术问题需要解决。

1.医学影像数据标准化与数据整合

相关行业协会要组织专家针对医学影像大数据建立制订相关指南、规范相关术语，让机器能够读懂术语含义，以便实现医学影像大数据的集成分析。不同医学影像信息采集的标准化非常重要，不同的影像技术、不同型号的影像设备、不同的检查目的和程序以及不同医院的信息如何实现标准化是建立数据库的基础，保障采集数据的一致性，否则不合格的数据库、不同标准采集的信息缺乏可比性，也难以为人工智能诊断提供可靠结果；此外，来自不同临床与实验室数据的整合也是面临的技术挑战，首先是不同单位影像信息质量的评价体系的建立；二是要克服不同单位网络屏障的壁垒，且需要信息不断地更新和自我完善和修正；三是医学影像大数据建设应与影像组学、影像基因组学和临床大数据库进行整合，与组学和基因库融合是医学影像大数据知识挖掘流程中的重要内容，为人工智能诊断提供更丰富的资源；四是资源如何共享和维护、数据平台的监管、相关的法律问题，这些都是建立我国医学影像数据库必须考虑的，要确保数据库和网络平台的安全，维护患者的隐私。

2.数据的准确性

通过制定标准和流程确保数据的准确性，减少数据误差对大数据推断结果可靠性的影响。大数据不等于数据大，必须有严格的纳入和筛选标准。医学影像大数据设计的数据类型繁多，覆盖面广，如何建立以患者、医师、医院和政府等多中心的数据体系，最后服务于全国不同的医院，是影像医师、医院、政府部门乃至医疗互联网公司共同面临的课题。

3.信息化人才培养

随着互联网医疗的迅速发展，医疗大数据也将成为医疗健康管理和研究的一部分，除了数据库的构建和管理外，相关的人才培养也是亟待解决的问题。一是医院和影像科室需要一大批会使用医疗大数据的人才，二是需要一批从事医疗信息处理和维护的技术人才，这是保障我国影像大数据可靠性和有用性的基础，真正为不同层次的医院临床诊断提供参考，实现医疗服务同质化，为医院的精细化管理提供依据，为个体化精准诊疗提供技术支撑，为临床研究提供资料。

二、医学影像人工智能诊断平台的建设

当今我国医疗行业面临的共同难题和瓶颈是医疗设备的发展面临高层次人才的短缺，有先进的机器却没有高层次的人才去正确使用，政府每年投入了大量资金给基层医疗机构配置先进的影像设备，但是患者却仍然往大城市的大医院跑，而在大医院做CT、磁共振等检查需要排队几天甚至几周时间才能排上的局面。造成这种状况在很大程度上是高质量人才短缺问题，地区间、医院间医疗人才资源不均衡，不能实现不同地区、不同等级医院诊疗质量的同质化，导致大医院拥挤，小医院设备闲置。尤其是比较尖端和复杂的医疗仪器的应用人才严重短缺，如PET/CT、PET/MR和MR成像等。要破解这一难题仅靠政策导向还难以解决，人才的培养跟不上医疗技术的发展速度，大医院的医师也紧缺而难以去基层医院进行日常的帮扶工作，培养高层次人才周期长，且难以下沉到基层医院，而基于大数据的人工智能诊断和远程医疗的发展将有可能在一定程度上缓解这一矛盾。

（一）远程医疗在影像诊断的应用

在信息化技术和互联网医疗高度发达的今天，医师看患者不一定要到基层医院去看，一名大医院有丰富经验的医师也不一定只能在一家大医院服务、审核报告，利用互联网平台医师不出门即可为任何地区、任一医院的患者进行远程诊疗、会诊和影像报告审核，既节省路途往返时间，提高工作效率，也节省大量费用，真正实现高质医疗技术资源共享，临床诊疗质量的同质化。医师不出门即可多点执业，可以利用休息时间为更多患者服务，也改善医师的生活待遇，规范医师8小时外的合法行医。而对于基层医院只需要配备经过规范化培训合格的基础医生和优秀的技师完成好患者的图像采集、病例信息资料的准确录入、图像的存储等基础工作即可满足要求。

（二）人工智能在影像诊断的应用

即使是在采用互联网医疗及高端医疗资源共享的情况下，高水平的医师还是很有限，大医院的医生长期在高强度的繁杂工作中不堪重负，影像医师的8小时以外不可能将所有空隙时间都用在互联网医疗上去审阅众多报告，大医院有经验的医师需要担负教学工作培养人才，还要承担科研工作带动学科的进步，因此仍然难以解决数以亿计患者就医难问题。如何使资源匮乏的高质量医师从高负荷的基础劳动中解放出来，让他们既能发挥其技术才能，又不至于在繁重的工作中失去自我，比较好的解决办法就是人工智能辅助诊疗系统的建立，使一些初级的工作、文书工作、数据处理与比较、程序化的工作由机器帮助医师完成，医师可以根据自己丰富的临床经验正确掌握人工智能数据的应用和判断审核，担当人工智能诊断的最后裁判。

人工智能可以弥补医师的不足，与人脑相比，人工智能影像诊断还具有如下优势：①人工智能获取的信息多为数字式，其判断是基于量化信息的分析和与大数据比较，而人的思维和判断影像仅限于对客观事物的感知、经验，带有一定主观性，且难以量化，不便于与大数据库进行比对；②机器判断速度快、成本低、精度高，出现误判后可以通过深度学习完善和修正，而人容易犯同样错误，效率低、速度慢；③机器不需要休息，获得的信息量大，可以与大数据联系，检索海量文献信息资料协助判断，且24小时不间断工作。当然，人与机器相比也有很多优势，医师具有较丰富的系统知识，能够根据患者的情况综合判断分析，对于某些不适合量化评价的病灶判断具有优势（图2-3）。

近来已有较多的关于人工智能完胜医师团队的报道，表明目前人工智能的发展已经达到一个较高水平，在某些方面其诊断准确性甚至超过医师。近来在神经影像的判读和孤立性肺结节的诊断中，机器的诊断准确性均高于有丰富经验的医师，且速度更快，在病理图像的判读方面，人工智能也具有较大优势，那么有人担心人工智能的发展会不会让医师失业，人工智能会不会取代医师，其实这种担忧是多余的，正如卞修武院士所言：“我希望大家不要产生对立性思维，因为无论医生胜还是人工智能胜，对于医疗界和广大患者都是一件大好事……人工智能如果能作为一个帮手帮助医生工作，将会是医生的一大福利……”权威专家们说得好，“人类要认真思考如何让人工智能更好应用于临床，医生需要抱着更开放的心态来拥抱人工智能的到来。如果医生赢了，就是医生赢了，机器赢了，医生就多了个好帮手”。

Wang等对两家医院245例高级别浆液性卵巢癌（HGSOC）患者的CT影像进行了基因组学的人工智能诊断研究，其中包括特征学习队列（n = 102）、初级队列（n = 49）和两家医院的两个独立验证队列（n = 49和n = 45），通过一种新的深度学习（DL）网络对8 917张CT影像从特征学习队列到HGSOC预后生物标志物提取进行了训练，结合DL特征和Cox比例危险（Cox-PH）回归建立DL-CPH模型，用于预测患者的个体复发风险和3年复发概率。结果表明，在两个验证队列中，DLCPH模型的一致性指数分别为0.713和0.694，Kaplan-Meier分析明确地确定了高复发风险组和低复发风险组（p = 0.003 8和0.016 4），且有效的预测3年复发风险（AUC = 0.772和0.825），DL特征显示出比临床特征更强的预后价值。

三、基于影像组学和大数据的人工智能诊断将是医学影像发展的方向

可以预料，大数据和人工智能影像诊断在今后医学影像的发展中将会发挥很重要的作用，而影像组学分析又可以获取某些常规影像分析和肉眼分析看不见的图像纹理特征信息，包括病变异质性的定量信息，如果将影像组学的纹理特征信息分析与影像大数据、临床大数据相结合，应用于人工智能影像诊断则将是医学影像发展的又一个新的飞跃，毫无疑问其诊断准确性要高于一般基于形态、大小、密度和边界等影像分析，也将优于基于一般影像数据库的人工智能诊断。

人工智能在医疗行业的应用是最有前景的领域之一，主要是在医学影像中的应用，近些年来相关的论文和出版物急剧增加，其中MRI和CT约占总数的50%以上，而神经放射学影像大约占1/3，其次是肌肉骨骼、心血管、乳腺、泌尿生殖器、肺/胸和腹部。随着数据量不可逆转地增加，利用人工智能来识别人眼不可见或不可探测的病灶可能性增加，当今放射学正从主观感知技术转向更客观的科学。在医学数字化时代的前沿领域，放射学家可以指导将人工智能引入医疗保健。然而，人工智能不会取代人，因为放射学还包括诊断交流、考虑患者的价值和偏好、医学判断、质量保证、教育、决策和介入的程序。但是，通过AI能够提高放射学医生的工作效率，使他们执行更多的增值任务，对患者变得更加可见，并在多学科临床团队中发挥重要作用。

从理论上讲，基于影像组学和大数据的人工智能诊断应该是医学影像技术与信息技术和计算机技术的完美结合，能够弥补医师诊断的某些不足，能够很方便地将影像判断所需的各种信息进行有机的整合分析，从根本上改善人工智能影像诊断的质量，成为影像医师的好帮手。从而真正实现缩小不同医院间、不同医师间诊断质量的差异，将影像学医师从繁重的劳动中解放出来（图2-4）。

总之，未来医学影像的发展是建立在多模态、多参数、多尺度的影像发展模式，结合特异性、高效的分子影像探针，并充分利用信息化技术、互联网技术、人工智能技术构建的公共平台为全国不同层次的医疗机构提供技术支撑，为城乡居民解决就医难的问题，只有这样才能真正实现“大病不出县”的目标（图2-4）。

然而，我们也要认识到，真正实现这一目标任务路还十分遥远，任务也很艰巨，无论是建立不同疾病的影像数据库、影像组学诊断模型，还是人工智能诊断平台建设，目前还没有真正入门，还有许多基础的工作要做，而且不是几个人或者几个医院就可以完成的，需要整个行业的重视和共同努力合作，需要政府的主导与投入，需要建立包括医学伦理、法律法规在内的各种规章。但是可以预料，基于影像组学和大数据的人工智能诊断的发展是大势所趋，前景广阔，也必将成为今后医学影像技术发展的重要方向。

（张永学）

参考文献

[1] Lambin P，Rios-Velazquez E，Leijenaar R，et al. Radiomics：extracting more information from medical images using advanced feature analysis. Eur J Cancer，2012，48（4）：441-446.

[2] Goldmacher GV，Conklin J. The use of tumour volumetrics to assess response to therapy in anticancer clinical trials. Br J Clin Pharmacol，2012，73（6）：846-854.

[3] Hatt M，Tixier F，Visvikis D，et al. Radiomics in PET/CT：More Than Meets the Eye. J Nucl Med，2017，58（3）：365-436.

[4] Wei Lu，Chen W. Positron emission tomography/computerized tomography for tumor response assessment—a review of clinical practices and radiomics studies. Transl Cancer Res，2016，5（4）：364-370.

[5] Antunes J，Viswanath S，Rusu M，et al. Radiomics Analysis on FLT-PET/MRI for Characterization of Early Treatment Response in Renal Cell Carcinoma：A Proofof-Concept Study. Transl Oncol，2016，9（2）：155-162.

[6] Ganeshan B，Miles KA，Babikir S，et al. CT-based texture analysis potentially provides prognostic information complementary to interim FDG-pet for patients with hodgkin’s and aggressive non-hodgkin’s lymphomas.Eur Radiol，2017，（3）：1012-1020.

[7] Parekh V，Jacobs MA. Radiomics：a new application from established techniques. Expert Rev Precis Med Drug Dev，2016，1（2）：207-226.

[8] Flechsig P，Philipp Frank，Clemens Kratochwil，et al.Radiomic Analysis using Density Threshold for FDGPET/CT-Based N-Staging in Lung Cancer Patients. Mol Imaging Biol，2017，19（2）：315-322.

[9] Tsujikawa T，Rahman T，Yamamoto M，et al. 18F-FDG PET radiomics approaches：comparing and clustering features in cervical cancer. Ann Nucl Med，2017，31（9）：678-685.

[10] 北京青年报、人民日报、健康界、新智元等报道.全球首场神经影像人机对决：AI战胜25位医界“最强大脑”！. http://www.yidianzixun.com/article/0JRSs9yV（2018-07-02）.

[11] Wang S，Liu Z，Rong Y，et al. Deep learning provides a new computed tomography-based prognostic biomarker for recurrence prediction in high-grade serous ovarian cancer. Radiother Oncol，2019，132：171-177.

[12] Pesapane F，Codari M，Sardanelli F. Artificial intelligence in medical imaging：threat or opportunity? Radiologists again at the forefront of innovation in medicine.Eur Radiol Exp，2018，2（1）：35.