2023人工智能在介入放射学中的运用前景及挑战.docx

《2023人工智能在介入放射学中的运用前景及挑战.docx》由会员分享，可在线阅读，更多相关《2023人工智能在介入放射学中的运用前景及挑战.docx（9页珍藏版）》请在第一文库网上搜索。

1、2023人工智能在介入放射学中的运用前景及挑战人工智能(artificial intelligence , Al)是一类研究用计算机模仿人类智 能行为的学科,涵盖了机器学习(machine learning , ML 深度学习 (deep learning , DL 自然语言处理(natural language processing , NLP X计算机视觉等方面，可用于大型生物医学数据的挖掘、解释和实现 自动化等1 - 2 O其中机器学习是人工智能的核心，与多个学科领域交叉 重叠，包括医学图像分析、自然语言处理、生物特征识别等3 o深度学 习是机器学习的子方向，通过学习数据内部的模式自行选

2、择和正确表达特 征而不需人类定义的干预，能识别与分析文字、图像等数据并解决较为复 杂的难题。人工智能目前在无人驾驶汽车、大数据追踪等领域蓬勃发展，但在医学领 域仍处于初级阶段。人工智能在临床医学领域中的应用前景较为广泛，包 括精准医疗人工智能决策系统的开发、辅助手术进行、术后疗效评估和护 理等多方面4 o在介入放射学领域,尽管临床上有大量可用的病例数据， 但鲜少文献对人工智能在介入诊疗中的应用展开描述。本文详述人工智能 算法在介入放射学中的潜在应用及未来所面临的挑战。1人工智能在介入放射学中的应用1.1术前 在手术前期的准备工作中，人工智能算法可以在对高危患者的筛选、选择 治疗方案和治疗前预测

3、疗效等方面为医生提供客观的证据支持。对某些具有高危因素的群体而言,及早进行疾病预防是改善患者生活质量 重要的一步。FU等5通过临床、图像数据和放射学信息构建了人工神 经网络模型,预测肝细胞癌(hepatocellular carcinoma , HCC )患者 未来大血管侵犯的可能性，该深度学习网络模型在训练集和验证集中的曲 线下面积(area under curve , AUC )分别为0.877和0.836 ,为筛选出 高危患者并给予干预措施提供有力证据。Audureau等6 构建随机森 林预测模型对感染了丙型肝炎病毒并患有肝硬化的患者进行癌症风险的 筛选，预测未来5年发生HCC的风险，从

4、而实现个性化的风险预测，筛 选出高危患者并进行定期医学监测。张岩等7应用机器学习构建模型 预测前交通动脉瘤破裂的可能性，通过收集动脉瘤深度、动脉瘤宽度、年 龄、动脉瘤不规则、A1优势等特征分别构建了决策树预测模型、随机森 林预测模型、Xgboost梯度提升模型,AUC分别为0.737、0.675、0.758o 此模型能为医生筛选出高危患者并对其进行积极干预。对肿瘤患者而言，可选择的干预治疗方法较多，现在临床上普遍使用的多 学科协助诊疗模式，根据疾病治疗指南为患者提供合适的诊疗方案，但不 同疾病在不同时期或地区都有不同的临床治疗指南，临床医生按照指南上 的推荐步骤实施治疗过于繁琐且不灵活。利用机

5、器学习开发人工智能决策 支持系统，可以将个人基因、环境与生活习惯及经济状况考虑在内,通过 自动分析患者的临床症状、检验指标、影像组学等数据，再制定诊疗方案 进行个体化的疾病预防与治疗，从而实现“同病异治、异病同治的理念， 减轻医生的H作量,降低患者的治疗负担极大地提升了治疗效果8-90Choi等10 考虑到HCC初始治疗方案的选择与巴塞罗那分期系统推荐 的方案之间可能存在差异，开发了基于机器学习的临床决策支持系统，使 用随机森林方法分别训练诊疗方案决策模型和生存预测模型。在临床决策 支持系统中构建了六个分类器模型，其准确率均高于75% ,而且每种推荐 治疗对应的生存预测模型的C指数均大于0.6

6、 ,证实该模型推荐的治疗方 案与实际的诊疗方案、患者的生存预测与实际结果的一致性均较高。此诊 疗方案推荐系统能为患者提供最佳的治疗建议，以及预测每次治疗的效果, 医生也能够根据患者病情或经济状况提供备选方案。目前人工智能在介入学科应用的难点在于如何利用术前获取的数据预测 治疗效果。在术前预测疗效可以做到最大程度地降低患者的治疗风险，从 而减少不必要的干预，降低医疗成本11 o Peng等12 通过基于CT 纹理分析的卷积神经网络模型，在术前评估接受肝动脉化疗栓塞术(transcatheter arterial chemoembolization , TACE )的中期 HeC 患 者的不同治疗

7、反应，训练组对完全缓解、部分缓解、稳定疾病和进展性疾 病的预测准确率为84.3% ,其AUC分别为0.97. 0.96、0.95和0.96 , 两个验证组预测准确率分别达到85.1 %和82.8% ,医生可基于此判断 TACE治疗是否适合患者。1.2 术中人工智能技术可以从多个方面改善介入手术的质量，如增强现实 (augmented reality , AR )导航技术，它是真实世界信息与虚拟世界信息的桥梁，能将患者术前获得的三维CT或磁共振血管造影图像叠加到现 实手术中13- 140在操作前收集三维的肝脏图像，术中将三维图像导 入显示器中，当操作者戴上头戴式显示器后，通过追踪操作者头部、手部

8、 或身体的运动，使三维图像与现实世界同步，三维图像即可通过实时配准 覆盖到受试者身上，并且通过跟踪工具包跟踪带有探头的穿刺针移动与虚 拟的三维图像配准，最后通过CT扫描校准即可进行手术15o Yang等16用模型实验和动物实验来研究使用AR技术引导经颈静脉肝内门体 分流术的可行性，在模型实验中，从肝静脉到门静脉的穿刺时间为510 s ,在动物实验中为10 30 s。Auloge等17 利用AR技术在经皮椎 体成形术中识别椎骨/椎弓根并生成最佳的入针路径指导手术实现了精确、 实时的图像引导。如果将此技术应用到临床上，三维图像能够更加清晰的 展示出感兴趣的病变及解剖部位，可用于辅助规划手术路径，理

9、论上可以 减少医务工作者的辐射损伤、降低并发症的发生风险、减少碘化造影剂剂 量并提高复杂手术安全性和效率。另一方面，也可以通过加速校正数字减影血管造影来改善手术质量。在扫 描期间患者运动可能会导致减影图像质量下降，为了避免伪影带来的影响, 采用特征提取的方法，只需通过生成对抗网络就能生成减影图像，不需要蒙片采集18O在介入手术中，对于病变血管的判断与手术材料的选择通常受到主刀医生 的主观影响。为了降低对医生主观意识的依赖，Cho等19 在血管造影 术中利用监督式机器学习算法对病变的冠状动脉血流储备分数进行分类, 提高了血流储备分数在临床上的实际应用，避免在术中由于医生对血管狭 窄的视觉评估误差

10、导致的不良事件发生。利用深度学习识别并分割目标血 管，准确预测血管面积并确定血管的最狭窄段，能快速选择与之相匹配的 支架型号，为医生提供较为客观的建议20 o1.3 术后人工智能在介入术后效果评价、术后护理和年轻医生的培养方面也发挥着 重要作用。在介入手术后,医生需要观察患者的术后反应、影像或检验指标来评估手 术是否达到预期疗效,预测患者是否出现早期并发症，但这对医生的专业 知识依赖性极强,医生的疏漏很可能会导致患者术后疗效不佳或出现严重 并发症甚至威胁生命。依据患者围术期的指标、图像特征的变化，使用深度学习算法建立预测模 型，可以预测患者的手术疗效，改善患者生活质量、提高生存率。尤其是 对影

11、像图像的纵向分析，机器学习可以通过自主学习容易被忽略的图像数 据来评估治疗效果,不需人工干预定义分类规则21- 22 o Wu等23 收集接受了射频消融患者围术期内的多项指标，建立4个人工神经网络模 型分别预测1、2年的无病生存率（disease free survival , DFS1在1 年DFS预测模型中发现，使用15个临床特征建立的模型比只用8个显著 特征的模型准确度高（85%比75% ）,在2年DFS预测模型中为68%比 64% ,证明即使是目前临床上认为不敏感的临床特征也可能会影响患者的 预后,该神经网络模型可以为患者的后续治疗提供证据支持。Qiu等24 为预测接受TACE的自发性

12、肿瘤破裂患者的术后情况，构建1年总生存期 的预测模型,在验证集上AUC高达0.88 ,性能较传统评分系统高。尽管 首次接受支气管动脉栓塞（bronchial artery embolization , BAE ）术 的患者手术成功率较高，但术后的反复咯血率也较高。XU等25 开发 人工神经网络和列线图预测模型,对接受BAE手术的患者进行复发咯血的 风险预测，使用年龄60岁或以上、肺癌、支气管肺分流的存在、非支气 管系统动脉受累这4个预测因子，构建人工神经网络预测模型，成功地预 测患者术后出现复发咯血的风险。在心血管介入方面，王颖晶等26 收 集接受经皮冠状动脉介入治疗患者的临床检验指标、基本信

13、息、手术相关 特征等，构建一种基于机器学习的多模型融合预测模型，以预测经皮冠状 动脉介入治疗术后的复发风险。同样可以将此类模型用于预测急性缺血性 脑卒中血管介入治疗的预后27 o自然语言处理对改善术后护理也有贡献。其是集语言学、计算机学、数学 于一体的学科，能够识别人们日常使用的语言文字，目前已被用于电子病 历、影像诊断学等大规模数据库分析28 o可以从文字报告中提取数据 并进行整合分析，并结合深度学习算法将实验室数据纳入，有助于检测患 者的健康状况并预测未来发生的医疗事件，而且通过识别敏感词汇和发起 警报处理，能够降低医生忽略重大事件发生的风险，并辅助制定下一步诊 治方案29- 30 0另外

14、,可以运用AR技术和虚拟现实(virtual reality , VR )技术培训学生 或年轻医生。因为介入材料较昂贵，将崭新的介入设备提供给学员了解学 习会导致教育成本增高。而利用AR场景模拟技术将手术材料叠加在真实 世界背景上，学员可以通过触摸或旋转真实世界的物品全方位观察手术材 料,国内已有研究报道将AR技术应用到介入学科的学生培养上并探讨其 可行性31 O年轻医生还可以通过VR眼镜观看手术过程，通过收集患 者图像数据来生成VR模拟机，可以使用语音命令、手势在VR模拟机上 练习手术技能 13, 32- 33 o对于上级医生而言，能够确保手术顺利进 行的同时兼顾对年轻医生的教育，降低了患者

15、的手术风险并且避免学员接 受辐射的伤害；对于学员而言，有较强的手术参与感，能够弥补手术经验 不足的缺点。人工智能未来将会彻底改变目前临床上的教学与实践方式。2人工智能面临的挑战虽然现在对人工智能的研究较多，但是在临床实际应用上微乎其微。因为 人工智能算法相当于一个“黑盒的存在，无法阐明机制如何形成，需要医 生应用医学知识反向推导，所以充满着不确定性和不可控制性4 o而且 人工智能产品想要在临床上应用，并不是简单地在实践前进行最后一次验 证，而是在整个应用周期中，需要随着临床实践的不断变化而不断验证、 更新，才能获取医生、患者和国家监管机构的信任，但按照目前所掌握的 技术和经验来看很难评估其有效

16、性和安全性34 o这些都是导致其在医 学领域应用发展缓慢的原因。大部分针对机器学习的医学研究都有一个共同的弊端，就是样本数据过少、 数据分布不平衡，并且缺乏多中心临床试验35 o人工智能训练算法需 大量数据支撑，数据集过小会导致预测模型出现过拟合现象。Abajian等36 仅使用36例HCC患者来构建随机森林预测模型,在术前预测HCC 患者接受TACE术后的疗效，样本量非常小，并且治疗无反应的人数超过 了治疗有反应的人数，这种模型很可能会出现过拟合现象并导致模型可靠 度降低。上述研究同样出现这种问题，2年DFS组的病例数较1年DFS 组少，导致2年DFS模型的预测准确性较1年DFS模型差23 o解决 此类问题应采用迁移学习或合成少数过采样技术增加样本量。种族的多样 性、地区的差异性也会导致其推广性较差101临床上疑难杂症较多和 缺乏特征表