伦琴医疗丨人工智能技术在医学影像领域有哪些实践应用？

近年来，智能医学影像作为AI的重要应用领域之一，受到业界内外极大关注。国家在近几年相继发布关于健康医疗大数据、全国人口健康信息化、互联网医疗等新政，有力地促进了医疗大数据的快速发展，为人工智能在医疗领域的发展奠定了良好的基础。伦琴医疗汇总了当前人工智能技术在医学影像领域的最新研究进展，与各位同仁分享。

01
基于CT图像的人工智能预测胰腺导管腺癌淋巴结转移

背景
尽管深度学习带来了卫生保健的革命性变革，但依赖人工选择横断面图像及手动分割仍然存在方法学的障碍。

目的
开发和验证自动化术前 用于肿瘤和淋巴结 （LN） 分割的人工智能 （AI） 算法 CT 成像预测胰腺患者的 LN 转移 导管腺癌（PDAC）。
本研究旨在开发并验证一种基于CT图像的术前肿瘤及淋巴结自动分割，从而预测胰腺导管腺癌淋巴结转移的人工智能算法。

材料和方法
回顾性分析2015年1月-2020年4月病理证实手术切除和经多层螺旋CT扫描的胰腺导管腺癌患者。建立三个模型包括：AI模型，临床模型和影像组学模型。基于CT的淋巴结转移由放射科医生诊断。运用多元logistic回归分析建立临床和影像组学模型。模型性能由区分度和临床效用决定。采用Kaplan-Meier曲线、log-rank检验或Cox回归进行生存分析。

结果
共纳入评估734名患者（平均年龄：62±9岁，453名男性）。将患者分为训练集（n = 545）和验证集（n = 189）。有淋巴结转移的患者（阳性组）数量为340名，占比46%。训练集AI模型展现了预测淋巴结转移的高效能（受试者特征曲线下面积[AUC]， 0.91），然而放射科医生、临床模型和影像组学模型曲线下面积分别为0.58， 0.76和0.71。验证集AI模型展现了预测淋巴结转移的高效能（AUC， 0.92），然而放射科医师、临床模型和影像组学模型曲线下面积分别为0.65， 0.77和0.68 （P <.001）。AI模型预测的淋巴结转移阳性与较差的生存相关（风险比， 1.46; 95% CI：1.13， 1.89;P = .004）。

结论
基于CT图像预测胰腺导管腺癌患者的淋巴结转移的人工智能模型优于放射科医生、临床模型和影像组学模型。

原始出处：卞彤， 郑 Z， 方旭， 等. 人工智能预测淋巴结转移 胰腺导管腺癌CT[J].放射科， 2022：220329.来源：放射学3

02
使用基于人工智能的双国乳腺 X 线摄影数据多模态建模进行虚拟活检

背景

基于人工智能（AI）的计算模型越来越多地用于诊断恶性乳腺病变。然而，根据放射学图像评估特定病理性病变亚型（详见活检程序的结果）仍然是一个挑战。

目的

开发一个基于人工智能的模型，通过乳房X光检查和标记有组织病理学信息的链接电子健康记录来识别乳腺病变亚型。

材料和方法

在这项回顾性研究中，在9234名接受数字乳房X光检查以预训练算法的女性中收集了26 569张图像。培训数据包括从2013年3月至2018年11月至少有1年的临床和影像学病史，然后进行基于活检的组织病理学诊断的个体。将卷积神经网络与监督学习算法相结合的模型被独立训练，以使用来自以色列 2120 名女性和美国 1642 名女性的数据进行乳腺病变预测。使用受试者工作特征曲线下面积（AUC）和95%DeLong方法报告结果，以估计置信区间。通过自举测试了重要性。

结果

以色列模型在456名女性中得到验证，并在441名女性（平均年龄51岁±11岁[SD]）中进行了测试。美国模型在350名女性中进行了验证，并在344名女性（平均年龄，60岁±12岁）中进行了测试。为了预测测试集中的恶性肿瘤（包括220名以色列患者检查和126名美国患者检查导管原位癌或浸润性癌症），该算法分别获得了以色列和美国患者的AUC为0.88（95%CI：0.85，0.91）和0.80（95%CI：0.74，0.85）（P= .006）。这些结果可能不适用于其他患者队列，应进一步研究跨人群的普遍性。

结论

这些结果提供了支持证据，证明应用于临床和乳腺X线摄影图像的人工智能可以在数据足够大时识别乳腺病变亚型，这可能有助于评估诊断工作流程并减少活检采样错误。

• 03
• 使用自动化 AI 工具预测 10 年不良结果的腹部 CT 身体成分阈值

抽象

从全自动基于腹部CT的标志物得出的性别特异性身体成分阈值可用于预测无症状成人的未来死亡风险和不良临床结局。

背景

源自全自动人工智能工具的基于CT的身体成分测量有望用于机会性筛查。然而，缺乏与不良临床结局相关的身体成分阈值。

目的

确定腹部CT时肌肉、腹部脂肪和腹主动脉钙测量的人群和性别特异性阈值，以预测死亡风险、不良心血管事件和脆性骨折。

材料和方法

在这项回顾性单中心研究中，将用于量化骨骼肌（L3 水平）、腹部脂肪（L3 水平）和腹主动脉钙的全自动算法应用于 2004 年至 2016 年筛查的无症状成人的无平反腹部 CT 扫描。纵向随访记录了随后的死亡、不良心血管事件（心肌梗死、脑血管事件和心力衰竭）和脆性骨折。进行受试者工作特征（ROC）曲线分析，得出身体成分测量的阈值，以实现最佳的ROC曲线性能和10年风险的高特异性（90%）。

结果

共评估了9223名无症状成人（平均年龄57岁±7岁[SD];5152名女性和4071名男性）（中位随访，9年）。肌肉衰减和主动脉钙在预测死亡方面具有最高的诊断性能，男性的ROC曲线下面积为0.76（95%CI：0.72，0.79），女性（95%CI：0.69，0.76）的肌肉衰减。男性的性别特异性阈值高于女性（所有结局的肌肉衰减P< .001）。死亡风险表现最好的标志物是男性肌肉衰减（31例HU;71%敏感性[232例患者中的164例];72%特异性[1543例患者中的1114例]）和女性的主动脉钙（Agatston评分，167例;敏感性70%[218例患者中的152例];70%特异性[2034例患者中的1427例]）。死亡风险和脆性骨折肌肉衰减的90%特异性阈值为23 HU（男性）和13 HU（女性）。对于主动脉钙以及死亡和不良心血管事件的风险，90% 特异性 Agatston 评分阈值为 1475（男性）和 735（女性）。

结论

基于腹部 CT 的自动身体成分测量的性别特异性阈值可用于预测死亡、不良心血管事件和脆性骨折的风险。