当前位置:首页 > 新闻 > 正文

医疗人工智能,凝聚智慧,塑造未来

发布时间: 2018-08-10 14:29   作者: Dorin Comaniciu(翻译整理:迟颖博士)   来源: 人工智能杂志

  随着技术的进步和市场的日益成熟,医疗AI已经陆续在多个商业应用领域落地。医疗影像AI技术的成熟将为医疗资源短缺、医疗人员不足带来希望,促进智慧医疗的发展。本文将从西门子医疗具体的技术与案例出发,阐述医疗AI是如何在医疗检测与诊断中发挥重要作用的。

  过去十年的统计资料表明,以CT、核磁和PET(正电子发射计算机断层扫描)为主的病人扫描量不断增加,但是放射科从业人员的人数增长却十分缓慢,这导致医生用于解释影像的时间减半,而对影像解释的错误率却在大幅增长,其中,绝大多数的诊断错误来源于主观的因素,包括放射科医师对于病例的认知和挑选的解决问题的方案。近年来,随着计算机技术的飞速发展,AI(人工智能)领域取得了突破性的研究成果。AI在医疗的应用将促进医疗的数字化,宽泛精准医疗,更突出个性化医疗,改善医疗的流程,优化病人的体验。

  在西门子医疗中,从最初影像获取和检查、到测量处理和影像解释、再到后续的治疗辅助和手术指引,AI无处不在。举例说明,如图1所示,AI已经深入整个放射科工作流程。扫描前精准的病人摆位和定位为医生节约大量宝贵时间和精力;脊柱、肋骨等人体部位的拉直处理加速病灶的检测,大幅度提高读片的准确率;ALPHA解剖区域的测量、分割、配准等工具使繁重的工作变得轻松和简单;三维重建和可视化工具包是一个能和好莱坞电影特效处理媲美的工具,并给医师的临床应用提供实时更新。手术导航系统如心血管TAVI手术计划,以及影像融合技术的多扫描模式、多角度4维影像技术,都带来耳目一新的治疗体验。

  如图2所示,AI与磁共振设备深度结合。西门子医疗新推出的人工智能磁共振,就是将AI运用到影像获取和检查的直接体现。磁共振搭载AI平台,能够实现精准解剖结构的智能识别,无论是个体差异还是扫描摆位等不同,都可以确保识别的精准性和一致性。AI平台通过对海量数据的学习,系统集成标准化扫描方案,医生只需根据病人情况选择所需扫描策略,便可以自动完成扫描所需的全部步骤,实现从智能扫描准备到后处理流程的一键完成。人工智能磁共振扫描更加智能、成像更加快速、图像更加标准化。

  机器学习和深度学习都是实现人工智能的途径,深度学习是机器学习的子集。传统的机器学习和数据挖掘有一定的相似性,但更注重算法的设计,不同的特征用不同的算法来采集,并自动从数据中学习规律。深度学习的基本模型是神经网络,它结合人脑原理和不同的数学模型,通过更加巧妙的算法结构自动提取数据特征和规律。在输入影像不断增多并超过一定限度后,传统的机器学习对特征的提取和吸收就会达到饱和,检测的准确度不再提升。而深度学习随着训练网络的加深和网络结构的更加精密化,可以不断细化特征的提取,容纳更大量级的输入信息。到目前为止,西门子医疗仍然在不断开拓深度学习精度提高的极限。

  西门子医疗AI平台的成功得益于全球超过60万台影像设备的装机量、得益于平均每小时处理21万个以上病例、得益于和很多医院签订的AI合作协议。西门子医疗配备了专注于影像标注的团队,现在已经标注了2.75亿幅影像。

  西门子医疗AI算法的研发总部在美国普林斯顿,该研发中心具备大型的计算和数据中心(图3展示的是西门子医疗使用的爱迪生超级计算机)。同样,在德国、中国和印度也有AI研发分部,各成规模,与当地医疗相关机构密切合作。每年大约有150名数据科学家提交大量高质量的专利,在国际著名期刊和会议中投刊和发表论文,不断增强西门子医疗在AI领域的竞争力。目前有关机器学习的专利和专利应用已有400多个,前沿深度学习相关有100个,市场上也出现了30多个具有AI成分的产品。

  西门子医疗人工智能技术带来的影响体现在多个层面上:

  1.庞大的数据和高质量的分析技术可以用于分析单个病例的诊断,也可以高效汲取有帮助的信息并且给病人提供高质量的服务,从而提升对病人群体的管理。

  2. 多种数据的融合有助于以病人为中心的个体化医疗的辅助诊疗和决策。

  3. 各种自动检测、量化分析、后续引导(比如手术指引等)可以实现自动读片和自动化流程:从发现问题,到提出诊断,再到设计手术。

  4. 对设备长期高效运行的智能化的监管。

  以下是几个例子:

  第一,基于AI的磁共振精准解剖识别(如图4所示)。磁共振首要面对的问题就是实现智能扫描、提高放射科病人流通量的同时确保图像质量。每个人生而不同,面对不同患者身高、体重、体型上的不同,如何实现精准识别?AI平台用于磁共振,不仅可以精准识别颅脑、脊柱、肩关节、膝关节等大范围解剖结构,还可以识别垂体、海马、视神经、前后交叉韧带等精细解剖结构。AI平台同时也基于不同患者的解剖结构的形状实现自动选择线圈单元、自动设置FOV、自动参数调整、自动解剖配准等磁共振扫描设置。正是基于精准解剖识别和一键扫描设置,西门子医疗实现了磁共振图像的精准化和标准化。

  第二,基于深度学习算法并结合深度测量的红外线3D彩色摄像头,它是一个具有综合性的高速运作流程的系统(如图5所示)。该系统可以个性化地定位病人的扫描区域,并进行调整扫描,主要包括:器官位置检测、器官边缘随时间的变化追踪、ISOcenter(等中心)的定位、扫描剂量和参数的调节,以及病人方向的自动判断等。下图展示的是该系统在CT扫描设备上的应用,下一步将会把该系统的应用拓展到核磁和PET上。

  第三,基于机器学习的器官或病灶检测和分割。图6中的影像是CT放疗前的器官识别,这个技术提高了放疗准备进程的效率。CT影像只是一个示例,核磁设备提供的影像也可以为放疗预测剂量,因此这也是这一算法的潜在应用平台。如果在该技术的基础上配合PET相应病灶区域的准确定位,可以辅助制定出全套放疗计划。这个例子所使用的机器学习算法名称为边缘空间学习,是西门子医疗Syngo.via ALPHA器官检测工具中的一个新成员。在很多算法项目中,通常使用CT影像进行研究,因为它的参数相对少,并且从CT中获得的同规格影像数量已经足够庞大。但是这个算法的应用远不限于此,可以很容易地扩展到核磁、PET,以及超声平台。几乎西门子医疗每个算法项目都可以广泛地运用于多种影像平台,而不限于以下示例。

  这项技术中的深度学习主要体现在下述几个方面:1.身体内标识的识别,使用的是多规模深度增强学习方法,在2017年MICCAI大会上获得了青年科学家奖。2.器官分割,使用的是深度对抗式影像到影像网络,在MICCAI 2017大会上被收录。3.组织特征识别,使用的是深度密集特征金字塔网络。4.影像融合,使用的是监督式的增强学习,入选了AAAI 2017人工智能大会。MICCAI和AAAI是顶级的医疗影像和人工智能大会。这里提到的论文只是一些例子,西门子医疗数据科学家每年发表的高质量论文有很多,包括最近的2018年的CVPR等著名会议。

  图7显示的是身体标识识别的原理图:搜寻从三维影像的中心开始,深度增强学习为这个搜寻点导航,就像汽车导航在地图上标识最佳路线一样,搜寻点沿着已学习的最优路径接近目标器官。程序以16立方毫米为单位体积开始初步搜寻体内标识,然后细化到8立方毫米,再到4立方毫米,具有鲁棒性的算法可以忽略缺失的器官,因而该程序也可以处理不完全的影像。训练好的模型在2305套CT三维影像中进行了测试,没有失败的案例。同时检测速度比以往方法缩短了20倍,为0.8秒一个病人,实现了实时的检测。

  当识别出器官的中心位置,接下来就可以把整个器官以及内部的病灶分割出来。西门子医疗让影像到影像的深度网络学习了如何分割三维物体:三维影像进,三维分割结果出;然后使用对抗式的神经网络把生成模型和原始的器官轮廓进行对比和优化:最初仅依赖非常少的先验知识启动,之后不断地相互磨合促进,生成精确的结果。图8以肝脏为例,该方法可以广泛地应用于各种CT图像上:有血管造影和无血管造影图像、不同分辨率的图像、从不同扫描位置获取的图像和病源病症相差很大的肝脏疾病病例图像。图像的生成仅需要几秒钟,在高准确度的基础上做到高速高效。

  上述的识别和分割方法也可以扩展运用到全身,进行大范围全自动地测量器官和病灶。图9是一个手术切除癌症肿瘤后复查复发转移情况的病例。将这非结构化和半结构化的全身CT影像自动转成结构化的报表,包含器官和病灶的各种特征,大大简化了后续的各种处理。大部分情况下,该技术可以自动生成读片报告,提供现成的初步诊断,为放射科医生创造出更多的时间做更有针对性、更细化的分析。

  AI技术同样可以分析处理胸腔影像。如图10所示,输入的影像可以是X光也可以是CT。经过深度增强学习和深度对抗式网络的处理,可以得到肺结节、肺气肿和心脏冠脉钙化评分的结果,生成电子病历系统需要的报告和全面的结构化的定量信息。因为同时输入、并行输出,可以提高疾病诊断的效率。在未来,当实现同步分析PET胸部影像时,肿瘤检测将会更加精准;心肌存活检测将可以和已有冠脉狭窄和斑块的结构化信息,以及血流储备分子的功能性分析相结合,把对冠脉侧枝循环形成的认识和冠心病综合实际危险的分析提到一个新的高度上。同时更多的检测项目,比如肺栓塞也将会被提上日程。

 

  以上内容精选于《人工智能》杂志第五期

  本文作者

  Dorin Comaniciu

  西门子医疗技术中心VP(副主席),博士,负责全球范围的医疗影像技术。他的团队专长于使用大数据为医疗搭建AI(人工智能)应用。他对医学成像和机器智能的科学贡献已经转换成很多专注于改善医疗质量的临床产品,特别是在诊断成像、影像指导的治疗和个性化医疗领域。作为西门子的顶级创新人才,Comaniciu博士是IEEE(电气电子工程协会)、 ACM(计算和机器协会)、MICCAI(医学图像计算和计算机辅助介入协会),以及AIMBE(美国医学和生物工程协会)的Fellow(会士)。他获得了多种荣誉,包括2010年IEEE颁发的对计算机视觉有重大贡献的Longuet-Higgins大奖。Comaniciu博士在机器智能、医学成像和计算机视觉领域已有260篇专利,作为共同作者发表了300篇专家审核的期刊和论文。

  迟 颖

  西门子医疗系统有限公司大数据和人工智能医疗影像技术部中国区经理。迟颖于英国帝国理工学院生物工程系获得博士学位,并在英国牛津大学生物医学工程学院做了两年的博士后研究,之后于2011年5月加入西门子。曾获得“Lee Family”博士全额奖学金、伦敦市政府“City & Guilt Old Centralian's”创新者基金奖等荣誉。

  欲阅读完整文章,可通过以下方式购买《人工智能》杂志!

  订阅2018年《人工智能》杂志6期共计360元

  银行转账:北京赛迪出版传媒有限公司

  开户行及账号:北京银行北洼路支行20000030565000007701154

  银行转账,请备注:人工智能

  接收详细信息请发到:aiview@ccidmedia.com;或是添加客服微信:13601092749

收藏