人工智能在医学影像学中的应用与实践

刘军

人工智能（AI）作为医学影像领域的重要新兴技术，正在快速改变疾病筛查、诊断、风险评估和临床决策的整个过程。近年来，借助深度学习、生成对抗网络（GAN）、Transformer等先进方法，这类技术已广泛应用于神经头颈、胸部、腹部、心血管、骨骼肌肉和乳腺等多个系统中，在病灶勾画、图像识别、疾病分类和预后预测等方面取得了显著进展。大量研究表明，AI在急性脑卒中分型、肺结节风险分级、肝硬化结节癌变检测、冠状动脉斑块定量分析和骨关节损伤自动评估等临床场景中，不仅提升了诊断准确性，还显著提高了工作效率。尤其在乳腺癌筛查中，AI系统已在大规模人群中证明其临床价值，有望在未来辅助甚至部分替代传统的双人判读。随着多模态数据的深入融合和临床应用不断拓展，AI正成为推动精准影像和智慧影像发展的重要力量。

一、AI在神经头颈影像学的研究

在中国脑计划和“健康中国2030”战略的推动下，AI在神经头颈影像领域已形成覆盖诊疗全流程的精准化解决方案。在急性脑卒中高发的背景下，AI在脑卒中领域的核心应用主要聚焦于五大关键场景：疾病分型鉴别（缺血性/出血性卒中）、病灶精准分割与定位、神经功能缺损量化评估、预后风险分层预测以及治疗决策辅助支持。基于SegResNet架构构建的深度学习多标签分割模型，可自动量化急性梗死核心与慢性白质高信号负荷[包括梗死体积、深部及旁脑室白质高信号（WMH）体积和簇数]，并结合临床变量显著提升急性缺血性卒中（AIS）患者7 d改良Rankin评分的预测效能（优于单一临床/影像指标）。基于二维/三维混合卷积神经网络（CNN）的RAPID软件在158例多类型脑出血及150例对照的CT验证中，实现了敏感度为0.956、特异度为0.953的出血检测性能，与专家分割结果具有高相关性。基于临床变量与影像的深度学习模型能够准确预测脑出血患者出院时神经功能结局[受试者ROC曲线下面积（AUC）高达0.903]。GOLDEN BRIDGE Ⅱ多中心集群随机对照研究证实，AI临床决策支持系统（AI-CDSS）可显著降低急性缺血性卒中患者12个月复合血管事件风险30%及全因死亡率，为AI临床转化提供了里程碑式证据。AI在脑肿瘤影像诊断中同样展现出巨大潜力，在对150例经术后病理确诊的脑肿瘤术前MRI报告进行回顾性真实世界分析中，基于GPT-4的ChatGPT在鉴别诊断准确率（94%）和最终诊断准确率（73%）均可与神经放射专家相媲美，且显著优于普通放射科医师。通过多模态神经影像[MRI、功能磁共振成像、正电子发射体层成像（PET）]与深度学习模型（CNN、图神经网络、Transformer）在早期融合、中期特征提取和晚期决策三个层面实现结构、功能与分子标志的全维度信息整合，AI显著提升了阿尔茨海默病、孤独症和抑郁症等神经精神疾病的诊断准确性、预后预测能力及患者亚型识别能力，为精准医疗提供了创新性工具。ThyNet-S自适应双任务深度学习模型实现正常、良性与恶性甲状腺结节的高精度自动分类（AUC 0.930、敏感度为92.4%、特异度为94.0%），并为甲状腺癌筛查提供了“精准分诊-高效决策”的闭环解决方案。

二、AI在胸部影像学的研究

AI驱动的胸部影像快速发展，其应用贯穿肺结节管理、肺炎智能诊疗、肺癌精准评估及跨界拓展等领域。首先，在肺部器官分割方面，融合变分注意力机制与ChatGPT文本提示的CC-SAM模型在TN3K与BUSI等任务中表现优异，分割结果优秀且泛化能力强。DeepLungScreen系统（集成DeepSeek R1大模型），可在10 s内预测结节恶性概率评分，并根据风险等级自动生成随访或干预建议，助力受检者选择合适的诊疗方案。肺癌预测CNN基于国家肺部筛查试验（NLST）数据集中性质难以明确的肺结节CT图像进行建模，在内部验证集上取得了优越的风险分层性能（AUC=0.921）。同时，北京协和医院团队通过“裁决策略”模拟放射科医师的多阅片者共识流程，结合二元与三元分类模型，显著提升了肺腺癌侵袭性分类的精准度，尤其在微浸润性腺癌的识别上表现突出（准确率85%）。其次，四川大学华西医院团队创新性开发了多模态融合模型，利用临床文本、影像图像、检验指标等多维度信息，实现肺部感染性疾病（AUC=0.921）及病原类型的精准预测，及时对危重症进行预警干预。基于UNETR-MONAI架构的深度学习模型通过自动分割928例ICU患者肺部CT病灶并整合临床参数，实现急性呼吸窘迫综合征早期预测（前瞻性验证AUC=0.916），显著优于DenseNet模型，且可识别C反应蛋白、白蛋白、胆红素及血小板计数等关键预测因子，为高危患者靶向干预提供智能决策支持。针对肺癌精准诊疗，NeoPred系统基于治疗前与术前双相CT量化肿瘤动力学变化，将新辅助免疫化疗的主要病理缓解预测AUC由医生单独评估的0.720提升至0.829。最后，在跨界应用与技术创新方面，AI机会性冠状动脉钙化评分（AI-CAC）在非门控CT中与金标准高度一致，并将诊断时间缩短41%，全自动心脏参数量化模型对心血管死亡的预测AUC达0.752。而AI驱动的CT三维重建系统将肺段解剖识别准确率由78%提升至87%（误判率下降41%），辅助使术式选择准确率由77%提升至85%，错误率下降35%，将手术规划时间缩短25%。

三、AI在腹部及泌尿生殖系统影像学的研究

AI正加速推动腹部及泌尿生殖系统影像学的创新发展，涵盖肝胆疾病精准识别、胰腺癌辅助诊断、胃癌早期筛查及前列腺癌风险预测等多领域应用。2025年5月，吴斌团队发表多中心研究，开发了基于肝细胞特异性对比剂增强扫描MRI图像的AI诊断模型，通过双模块架构整合多序列影像，实现对肝硬化结节癌变的高精度识别（AUC=0.970），临床验证显示AI辅助使放射科医生诊断敏感度提升至近90%，特异度超过93%。同期研究进展表明，AI在肝脏疾病诊断领域持续深化：侯金林团队基于PreCar队列开发aMAP-CT模型，融合CT影像组学特征与aMAP临床评分，实现肝硬化患者肝细胞癌风险分层（AUC 0.810~0.870），同时可识别年转癌率达13.2%的极高危亚群；普健科技获批第三类医疗器械注册证的AI系统实现20 s全肝扫描，病灶检测灵敏度为88%；DeepLiverNet2.0模型基于Swin Transformer架构，利用常规T1加权像（T1W）/T2加权像（T2W） MRI预测肝硬度（跨中心验证AUC 0.790~0.830），突破磁共振弹性成像（MRE）设备依赖限制；自动肝脏肿瘤分割和检测系统（SALSA）工具在CT影像中实现肝肿瘤的全自动化检测和监测（患者水平检测精度>99%）。近年来，胰腺癌AI诊断研究取得突破性进展。全球首款AI胰脏癌辅助诊断系统“助胰见（PANCREASaver）”，临床测试准确率达93.4%，显著提升早期病灶检出率。薛华丹团队构建的临床-放射组学模型能高精度预测胰腺囊性病变恶性潜能（AUC>0.930），优于传统影像学方法。并通过蛋白质组学（CSTB/MIF/KRT19上调）和脂质组学（神经酰胺富集）揭示影像特征生物学机制。Nature Medicine报道的达摩院PANDA模型突破非增强CT诊断瓶颈，可识别毫米级微小病变，准确区分癌性与非癌性病灶（特异度达99.9%），将胰腺癌筛查成本降低90%以上。多伦多大学团队研究证实GPT-4生成胰腺癌结构化报告的召回率达99.6%，外科医生使用AI报告决策准确率提升至83%，审阅时间缩短42%。Zeng等通过构建CNN深度学习模型回顾性识别早期胃癌的CT图像（准确度>0.914），这一系统模型有望成为临床筛查早期胃癌的理想工具，有助于减少误诊和漏诊。基于nnU-Net的多参数MRI自动分割前列腺肿瘤体积（VAI）被证实为局限性前列腺癌的独立预后因子，VAI每增加1 mL显著提升转移风险。国际多中心研究表明，融合临床数据的AI系统诊断显著前列腺癌（Gleason≥7）的AUC达0.910，显著优于放射科医生，在相同敏感度（89.4%）下假阳性率降低50.4%，有效减少过度诊疗。

四、AI在血管影像学的研究

AI在心血管影像的核心应用体现于多模态融合架构、精准量化技术和临床决策重构三大维度。葛均波团队开发的观心大模型（CardioMind）作为我国首款心血管专科大模型，通过强化学习整合专家思维链数据，构建多智能体协同诊断系统，实现对影像及实验室检查的多模态联合推理，诊断效能超越通用模型。现场AI-冠状动脉CT血管造影（CCTA）系统基于CAD-RADS 2.0标准，实现冠脉狭窄分级、阻塞性病变诊断（AUC=0.90，阴性预测值达98%）及斑块负荷评估的自动化分析。AI驱动的定量斑块分析技术催生新型生物标志物，AI-Risk评分整合冠状动脉炎症指标，使58%患者风险分层重构（和传统风险计算器QRISK3相比），直接推动33%患者临床管理方案调整，尤其擅于识别无阻塞性病变的隐匿高危人群。芬兰大学团队进一步推导并验证一个基于AI的斑块负荷安全阈值，用于预测长期急性冠状动脉综合征的风险，以避免过度诊断。多模态影像融合技术同步突破诊断效能瓶颈，赵世华团队开发了心脏磁共振成像两阶段AI模型，通过筛查阶段（Cine MRI初筛异常，AUC=0.990）与诊断阶段（联合晚期钆增强实现11类心血管病分类，AUC=0.991）级联，与资深医生相比诊断效率提升215倍（1.94 minvs. 418.00 min），其肺动脉高压诊断甚至优于资深医师。与之互补，法国巴黎心血管研究所开发了一种结合冠状动脉CCTA和心脏MRI数据的机器学习模型，用于预测阻塞性冠状动脉疾病患者的主要不良心血管事件，凸显多模态数据协同的预测优势。AI深度优化CCTA工作流：深度学习重建降低辐射剂量30%~71%，端到端分割模型提升冠脉解剖解析精度（92.17%），血流储备分数计算缩至5 min内，全面助力心血管疾病精准诊疗闭环。AI也为头颈血管及下肢动脉斑块的自动检测与分类提供了有效解决方案。卢洁团队利用3D CNN设计开发了一个可实现头颈CT血管成像（CTA）血管分割的后处理系统，自动完成头颈CTA血管重建，通过AI自动去骨，在提高精准度的同时避免二次扫描，降低患者辐射剂量。Dai等构建了一个深度学习模型，实现动脉狭窄程度的自动化分级，膝上与膝下动脉分类准确率分别达91.5%和90.9%，证实其作为斑块定位辅助工具在优化周围动脉疾病筛查流程及病变分级的潜力。然而，监督学习模型依赖大量标注数据，专家手动分割耗时且制约研究进展。针对此，Mistelbauer团队开发了半自动血管追踪算法，显著降低了人工干预需求，专业医师应用该技术识别下肢动脉的灵敏度达92.9%、特异度为99.9%、总准确率为99.9%。

五、AI在骨肌影像学的研究

AI驱动的骨肌系统医学影像智能化技术已在骨肿瘤、关节疾病及软组织病变的多模态病理分割、分类诊断和预后评估中实现精准辅助诊疗。AI在骨肌影像中的早期应用聚焦于组织特异性分割与病灶识别，依托U-Net、GAN及三维DenseNet等架构实现。Norman等基于U-Net模型对膝关节半月板及软骨进行自动分割，Dice系数达到0.809，显示出与人工分割接近的准确性。Gaj等采用条件GAN优化软骨分割性能，胫骨软骨Dice系数高达0.91。Karnuta等基于三维DenseNet架构，通过MRI影像自动识别前交叉韧带撕裂，其准确率达到95.7%，显著优于住院医师和资深医师的人工评估，AI模型能够在保持高准确率的同时有效减轻放射科医师的负担。AI在骨关节疾病分类诊断方面也取得突破，尤其在骨性关节炎（OA）的检测、分期和结构损伤识别方面表现突出。Astuto等开发的三维CNN模型在1435例膝关节MRI图像上实现了对骨、软骨、半月板及前交叉韧带损伤的自动分级，AUC高达0.930。Tiulpin等提出的迁移学习与模型集成方法在X线片上基于Kellgren-Lawrence系统对OA进行自动分级，显著优于传统模型。通过特征学习方式，AI模型能从图像中识别骨赘形成、关节间隙变窄等细微病变特征，辅助实现精细化的临床评估。AI不仅在影像解读环节发挥作用，更在骨肌系统疾病的临床决策支持方面展现出实用价值，其中骨龄评估、髋膝关节置换术风险预测、骨性关节炎进展判断等均是代表性方向。在骨龄评估方面，CNN模型在超过1万幅儿童手部X线图像上实现了平均误差不足0.5岁的高精度表现，且与放射科医师评估结果基本一致。在关节置换手术预测方面，Leung等基于近千例膝关节X线图像建立的深度学习模型，能够预测OA患者接受全膝关节置换术的风险，准确性显著高于传统分级模型，具有指导个体化治疗决策的潜力。此外，针对肌肉病变、骨肿瘤（如骨肉瘤、软骨肉瘤等）、转移灶识别等方面，已有研究基于多模态影像特征（如PET/CT）构建AI分类模型，并取得较高准确率、敏感度与特异度。

六、AI在乳腺影像学的研究

近年来，AI在乳腺癌影像识别和风险评估中的研究取得显著进展，尤其是在非肿块增强（NME）病灶的分类、检测、分割和预后分析中展现出巨大的潜力。近期研究证实，基于最大强度投影MRI的AI系统在良恶性NME分类中表现优异，AUC达0.859，与资深放射科医师诊断效能相当，并显著提升初级医师诊断性能（AUC从0.740上升至0.862），尤其在筛查人群中表现优于症状人群，显示出良好的临床适应性和推广潜力。AI在乳腺影像处理中已形成四大核心方向。图像增强与合成方面：通过GAN实现低分辨率DCE-MRI超分辨率重建、多协议MRI域适应及虚拟弹性成像合成，显著提升图像质量与诊断一致性。病灶检测与分割方面：U-Net及其变体（Res-UNet、Dense-UNet）在X线摄影/数字乳腺体层合成肿块分割中Dice系数>80%，基于MRI的2D/3D U-Net网络分割Dice>0.7，能够有效地捕捉肿瘤异质性。多模态融合诊断方面：BMU-Net模型整合了X线与超声双模态信息，结合传统CNN与Transformer的混合深度学习框架，通过引入不同癌变风险等级的乳腺疾病树，实现了多层级乳腺癌风险预测（准确率90.1%），接近专家水平（92.7%）；杜克大学团队通过量化双侧乳腺局部不对称性构建可解释模型实现乳腺癌1~5年风险预测（AUC=0.920），不仅性能媲美现有乳腺癌风险预测模型Mirai，更以透明推理打破算法黑箱，为AI在医学影像中的可解释性应用树立新标杆。预后与疗效评估方面：广东省人民医院团队基于Delta深度影像组学建立了一个多任务学习的非侵入性AI系统，用于预测乳腺癌新辅助化疗（NAC）期间的残留癌负荷（RCB）评分，该系统为乳腺癌NAC期间RCB评分的早期预测提供了非侵入性工具，支持临床决策；3D-MMR模型融合多序列MRI与临床病理变量实现了乳腺肿瘤自动分割和术后无病生存期预测，助力医生在术后早期制定个体化辅助治疗方案。此外，在真实世界的乳腺癌筛查中，AI系统表现出优越的检出效率。最新研究报道AI辅助乳腺筛查在大规模人群中实现癌症检出率提升17.6%且并未对召回率产生负面影响，验证了AI在筛查路径中替代或辅助双重人工判读的可行性和临床价值。研究进一步指出，AI CAD系统在召回比例和阳性预测值方面在多数情境下优于单一人工判读，三方共识（两名医生+AI）下的召回率可达82.6%，明确提示AI与人类专家的互补优势。FDA近期批准的Clairity Breast平台首次实现基于常规乳腺X线的五年风险预测，标志AI驱动精准筛查进入新阶段。

七、展望

未来，AI在医学影像学领域的发展将更加注重多模态数据的深度融合、通用大模型的构建、实时临床决策支持以及结果解释的可视化和透明化。这类技术不仅需要整合影像数据，还需要与临床病历、检验指标、基因组信息以及多组学数据深度联动，以建立覆盖疾病全周期的精准诊疗模型。随着不同医院和真实临床环境下的大量数据持续积累，这些系统有望有效克服数据偏差、样本分布不均以及泛化能力不足等难题，在不同设备、地区和人群中均能保持稳定且可靠的表现。AI影像工具将更加紧密地融入临床工作流，不仅提升医生的工作效率，还将推动标准化操作和规范化管理的落地应用，其应用也将从辅助诊断进一步拓展至疾病早期筛查、个体化风险评估、治疗方案制定、疗效监测及随访管理等全链条环节，为智慧医疗生态体系建设和医疗服务质量提升提供有力支撑。

（作者：西安交通大学第一附属医院医学影像科 刘军 赵文哲）