<mark id="oztn4"></mark>
0
| 本文作者： 郭瑞嬋 | 2022-10-18 11:35 |
近日，2022年醫學人工智能大會（CMAI 2022）暨第二屆“中國醫學學術期刊發展”高端論壇召開。
本次高峰論壇邀請了多位頂尖醫院的放射科主任及人工智能技術的權威專家，雷峰網《醫健AI掘金志》作為本次大會的支持單位全程參與報道。
大會上，首都醫科大學附屬北京佑安醫院醫學影像中心主任李宏軍教授以《醫學影像在醫療大數據中的作用與價值》為主題作了分享，著重介紹“AI+”影像基因組學的發展與應用。
會后，雷峰網《醫健AI掘金志》與李宏軍教授進行了一次對話。李宏軍教授表示，影像組學反映了疾病的外在表型特征，基因組學反映了疾病的內在的微觀分子特征，一內一外的數據模型結合，才能夠較全面反映疾病生理病理演變過程，實現精準診療的效果。
他認為，醫學影像AI經歷近10年的發展，瘋狂投入和研發的時期已經過去，現正處于理性階段。在這個階段，主要有兩個表現：
一是對數據的標準化提出了更高的要求；
二則是影像基因組學設計理念得到推廣，即基于影像數據特征與個性化疾病相關的多元異構數據特征相結合，實現多模型融合，全面客觀反映疾病的病理生理過程。
目前，更多AI模型都是僅基于單一的影像組學數據特征建立。以影像基因組學模型融合理念為指導，醫學影像AI的發展歷程已經經歷了第一步，即基于醫療影像單一數據的模型；
第二步將是醫療影像組學與多源異構數據融合模型；
第三步則是醫療影像基因組學與多源異構數據模型融合建立的AI產品。第二步和第三步的模型研發進程均為剛剛起步，尚處于科研階段。
在談及醫學影像AI的發展時，李宏軍教授特別提到醫工結合和多學科交叉融合對產品落地的重要作用。
“前期AI為什么得不到很好的應用，主要原因是生物醫學工程學科學家在建立模型的時候沒有緊密地和醫院醫生結合，對醫療數據的同質化沒有標準化統一的要求，對病灶分割精確度也沒有統一的標準，從數據的采集到處理過程當中都沒有一個標準化的規范體系和技術體系。”
李宏軍教授從2014年開始即在北京佑安醫院牽頭建立重大傳染病影像學的標準大數據庫，與企業合作主導傳染病診療的AI產品的開發。其中，有三項AI開發工作已顯現出成果。
李宏軍教授與深圳智影醫療合作建立的肺結核病原學和醫療影像融合AI模型，以及耐藥性肺結核桿菌AI模型，已經獲得三類證，并應用到全國400多家醫院中，各項指標獲得美國NIH計算機信息中心評價達到國際標準參數要求。
此外，他還與推想醫療成功合作研發了針對新冠肺炎的AI模型，與匯醫慧影成功研發了AI肺炎病原體三級分類輔助診斷產品。
盡管國內已有30余款AI產品拿到了三類證，但企業們如何活下來依然是重要的命題。當前，全球一級市場投資熱情下降，醫學影像AI企業融資遇冷，正面臨生存挑戰。
在與醫工科打交道的過程中，李宏軍教授發現，業界都已意識到醫工結合的重要性，在研發方向上和模型建立方面不存在大問題，但由于融不到資金，企業顯得心有余而力不足。
李宏軍教授指出，目前國內針對醫學影像AI產品還沒有統一的收費項目，無法收費也打擊了醫院采買AI產品的積極性。他呼吁，針對醫學影像AI產品，相關部門應盡快出臺鼓勵政策，成熟的產品可以納入醫保的收費項目中，讓AI企業找到一條自身造血的出路。
從北京佑安醫院的實踐來看，國內已有不少成熟的AI產品應用到臨床中。李宏軍介紹，北京佑安醫院放射科部署了包括頸部、心血管、肺部、肝臟以及科研平臺等AI產品，在肺結節篩查、心血管、頸部動脈和肝臟影像方面，對AI的使用率幾乎是100%。
“特別是在冠脈成像和血管重建方面大大節約了我們的時間，過去我們做一個肝臟血管的重建，一個大夫需要坐25~30分鐘去勾畫，現在一鍵就能瞬間成像。”
李宏軍教授對醫學影像AI的發展表露了十足的信心，其申請的科技部重點研發和國家自然科學基金重點項目等大部分科研項目都與AI相關。
同時，他擔憂正在遭遇融資和商業化困境的企業，“越是在最艱難的時候挺過來、活下來，就是一種偉大。”
以下為李宏軍教授大會演講的全部內容，雷峰網(公眾號：雷峰網)《醫健AI掘金志》做了不改變原意的編輯和整理。
李宏軍：我是李宏軍，來自于首都醫科大學附屬北京佑安醫院。
今天，從4個方面和大家共同分享醫學影像在醫療大數據中的重要作用與應用價值，包括醫學影像學的發展，醫學影像學的數據內涵，醫學影像在大數據的應用價值，醫學影像大數據的挖掘與利用。
首先是醫學影像學的發展。
近30年來，醫學影響技術的飛速發展，從最早的X透視到數字DR、CT、核磁共振、PET-CT、PET-核磁，催生了臨床醫學的二級學科醫學影像學的飛速發展，在為臨床提供循證醫學證據方面扮演了重要角色。
隨著診查技術手段的出現、診查能力的提升，以及多模態影像數據的綜合利用，大大地提升了臨床診斷的準確率、符合率，對療效的評估和預后的管理都發揮了重要的價值和作用。
醫學影像學作為臨床醫學的二級學科，在近30年來逐步完整完善，發生了質的變化，從單一學科的診斷，到多學科、多模態、多部位的數據綜合利用、綜合預測并做出客觀評估。
消化神經、心血管、泌尿、生殖、頭頸、骨肌、呼吸這一系列的系統理論體系指南和標準，都是由西方醫學專家利用醫學影像技術建立起來的。
唯獨傳染病這個獨立病人群體的影像學理論體系指南和標準，是由我們中國放射學專家帶領團隊所建立起來的，在重大傳染病的影像學理論體系、指南和標準方面，為世界的醫學影像學方面作出了重要的貢獻。
近年來，人工智能的概念，以及AI算法的升級，帶動整個醫學影像學進入了一個新階段。
包括興趣區的選定、分割與圖像處理減少了圖像的干擾體素，算法效率得到了提高，使結果更加精準。
在冠脈樹的提取方面，AI對全局結構的理解、有效信息的補償，以及對弱信號斷裂的修復，能夠達到最有效果的生成，主動去除和修復偽影，全方位三維立體地展示整個冠脈圖像的形態。
血管的完整性也得到了很好的顯示，多重模型的融合有效修復斷裂并延長血管；動靜脈的預測技術，以及動靜脈交匯點的識別和分離技術，都能夠更加精準、全面的顯示冠脈血管的形態和真實長度。
通過計算機的深度學習，加上傳統的算法，使檢測的模型完成了初步的概念和命名，特別是在利用心肌分割來修正初步命名的結果。
在病灶檢測方面，達到病灶精準、無縫的混合，使弱特征集聯提取、難發現斑塊的識別和量化情況得到了有效的解決。
在病灶分類識別方面，使多維圖像實現綜合分類準確分類，使弱監督、無監督的分類信息增益，實現數據樣本全自動進行病灶分類識別。
醫學影像數據的內涵是什么？
醫學影像數據的內涵，從組織、骨骼、血管向器官方面的發展和延伸，從病灶的大小、形態、位置與周圍組織之間的關系，到對病灶的定量、定性，這都是一系列數據的充分利用和技術的催化，使我們從形態的判斷發展到對疾病病灶的定量定性，這是一個革命性的技術進步。
此外，從病灶的局部發現，向疾病的全面評估，也是我們在影像技術飛速發展的背景下所發生的一個新變化。
我們從發現局部發生巨大的病變，到整體冠脈全方位綜合評估來進行定量、定性，為臨床既提供了局部病灶定量，又提供了整體的、全面的冠脈病理、生理變化，為臨床的整體干預、制定客觀治療方案提供了全面的真正醫學證據信息，從傳統的形態學診斷，向功能影像學和分子影像學的診斷過渡。
在單位組織器官內，當形成占位病變的時候，病變往往處于晚期或者中晚期，那么在臨床前期機體功能代謝發生異常的時候，我們通過影像技術的手段去推測和評估病變，勢必將對早期預警以及療效評估和預后管理方面起到重要的價值和作用。
除了對于冠脈形態學的影像診斷，還可以對于冠脈的功能變化，也能夠進行客觀的分析，來判斷冠脈血管的病理生理功能變化。比如說，冠脈周圍的脂肪組織分析，以及血管濃度梯度的分析等等。
除了發現冠脈與器質性病變之外，功能型改變的一些指標，也能夠為臨床既提供形態學變化的診斷依據，又提供了功能型變化的醫學證據。
基于影像，除了滿足臨床的診斷治療需求之外，還要應用于科研。
在科研方面，我們建立了縱向研究的大數據隊列，從大數據隊列當中進行數據的同質化、標準化，通過深度學習發現疾病的機制和演變規律，以及早期預警指標體系的建立，這對疾病的早期預警預測和治療方案的制定，以及預后的評估都有重要的價值和臨床意義。這些技術和方法已經部分應用在臨床實踐中，并收到了很好的應用效果。
那么，醫學影像學數據的真實臨床價值如何？
我們首先要了解整個疾病發生發展的過程：每個疾病的發生都要經過基因異常，細胞表達的生物分子異常，新陳代謝異常和器官結構的異常這三步棋。
基因異常，也就是正常細胞發生了基因異常。在這個時候，基因組學會發生相應的數據特征的變化，在細胞開始增殖，甚至形成癌前期病變，形成癌灶的時候，在影像組學方面會出現可疑性的數據特征。
在晚期的時候，形成了癌灶，出現了轉移，甚至死亡，在這一階段往往是既有新陳代謝的異常，又有器官結構的異常。這一時期是“亡羊補牢”，及時診斷和治療的收效是非常小的，患者的收益也是非常小的。
為了提高患者的生存效益，我們要在細胞表達的生物分子異常，甚至是基因異常的階段，進行數據特征的深度挖掘、提取，在早期對疾病進行預測預警，這樣勢必對提高病人的生存質量，延長其生命具有重要的價值。
每一個疾病的發生和發展，都不是單一數據的表現變化，而是多組學的變化。
比如說，我們的影像組學，要與臨床數據特征，蛋白質組學、基因組學、代謝組學、社會組學等等多元數據模型融合，才能夠全面、客觀的反映個體性的疾病發生和發展，以及預后評估，做出診療。
為了實現多元異構數據的有效融合，要建立縱向研究隊列的大數據，并進行多中心數據均質化與過濾等等，以對數據質量進行控制，才能夠保證我們在數據模型當中得到接近真實世界的數據。
以肺部感染為例，我們在形態學上，為了驗證影像學的特征，一定要進行解剖和病理，驗證影像學的發生、發展和結局，并且要意識到在同一器官多病原體感染的這種現象。
在免疫低下或缺陷的情況下，往往會出現多病原體同時感染。比如說，既有真菌感染，又有巨細胞病毒感染。我們通過解剖和病理的交叉驗證，要知道哪一種病原體感染是目前患者的主要矛盾，需要臨床上亟待去干預的。
所以要透過現象看本質，要抓住影像表現的特征，與臨床數據、實驗室數據綜合預測預警。
以HIV感染相關認知障礙的研究方向為例，在臨床可逆轉期時，因為沒有發生形態學的改變，我們無法做出形態學的診斷。
我們通過深度學習的辦法研究發現，HIV神經元損傷是“先軸索，后髓鞘”的神經損傷機理新學說，突破了傳統的神經元損傷機理“先髓鞘，后軸索”的學說，這一成果重新塑造了HIV神經元損傷機制學說。
那么在傳染病防治學領域內，我們目前也開展了HIV相關神經認知障礙方面的深度研究——基于HIV感染靈長類恒和猴的透明腦技術模型，以及影像基因組學技術的模型而開展。
這樣的話，我們從形態影像學、功能影像學、分子影像學，到透明腦的高通量3D可視化的成像方面，進行了一個全長軸、全鏈條的完整數據鏈的系統研究。
這是我們腦成像的集行為學，形態影像與分子影像的一個融合，來反映出不同功能腦區和基因表達之間的關聯，這樣更有效地分析腦區在臨床時期所發生的病理、生理變化和數據特征，來對HIV腦組織損傷的不同臨床階段進行預警預測。
那么在HIV感染靈長類模型透明腦技術方面，我們進行高通量的3D可視化成像，與中科院的深圳腦院研究院對靈長類的混合模型進行有效的結合，這樣來實現對神經元的3D可視化成像，了解神經元損傷的結果進行定量和定性,那么我們能夠更好地去理解神經元損傷的一些機制和變化。
第二個案例是針對H1N1甲型流感肺炎影像學多元異構數據的交叉融合。
我們通過多模態的數據分析進行交叉驗證，來驗證基于臨床分期以病原病理為基礎的影像學分級診斷模式——不管這個疾病在任何一個臨床分期來就診，我們都可以通過形態學的診斷來作出判斷。
加上深度學習和AI的融合，這樣避免了人為的診斷，我們能夠更加高效、快速、精準地通過AI來實現對甲型流感肺炎的分級診斷。
案列三是COVID-19病理影像特征的關聯機制驗證。
在第一時間，我也親自解剖了三具新冠肺炎患者捐獻者的尸體，讓我們通過解剖尸體和病理組織分析來驗證病灶的大小、形態、位置，以及在早期、進展期、重癥期不同階段，它的影像學變化和病理變化的關聯性，來尋找這個疾病發生、發展的演變規律，為在任何一個臨床時間節點給臨床提供一個干預的客觀證據。
接下來，是醫學影像學大數據的挖掘與有效利用。
醫學影像學大數據價值的深度挖掘，包括三個方面。
第一個方面是管理智能化，對于數據庫的管理實現智能化、流程化、程序化，避免因為慣例、人為因素所導致的數據誤差；
挖掘智能，包括病灶的自動分割以及特征的自動提取；
分析應用智能，是通過對特征的分析以及統計模型的訓練，從而實現對個性化病案的預測，且對于療效的評估、生存的預后曲線顯示都發揮了重要的臨床作用。
我們要想做好正確的、客觀的、科學嚴謹的綜合臨床評估，就必須要有一個規范、標準的數據信息集。
以肝癌為例，我們要建立一個研究隊列，通過研究隊列，包括臨床隊列和社區隊列來采集相關的原始數據，包括流行病學、家族遺傳病史、臨床癥候學、檢驗學、影像學、病理學等等這些信息。
對于這些多元異構數據信息進行聚合，建立模型進行處理，然后才能夠篩查出來新的預警指標體系、替代指標體系，產生對機制的解釋，發現新的藥物干預靶點，以及療效評估和預后評估。這些都是臨床大數據樣本數據信息的重要臨床價值和作用。
核心關鍵問題是影像多元異構數據的質量控制，沒有有效的質量控制，就不可能建立一個正確的模型，也不可能訓練出來一個很好的臨床象征。
因此，我們從制定方案開始，到參與研究人員的培訓，質控計劃，質控指標，督導整改，指標復查，專項梳理和持續改進，通過這樣一個閉環管理模式，來實現對于醫療大數據的質量控制。
我們建立大數據，并引入人工智能技術，在AI的輔助下，進行深度學習的大數據分析，這樣勢必將提高我們的工作效率，提高我們的臨床效能，能夠及時、高效地受益患者。
在此基礎上，影像大數據深度利用，包括對基因組學的研究。
因為傳統形態影像學的診斷模式已經不能夠滿足精準醫學治療條件的要求，所以我們將無創深度學習放射組學技術與基因組學技術，整合成放射基因組學技術，并與AI結合，形成了一個非傳統的數據分析技術模式和臨床應用模式，來實現對疾病的無創精準治療。
下面這個模型，就是基于CT、MRI、PET的多模態影像，與DNA基因組學、核酸代謝組學，蛋白質組學等等進行交叉驗證，發現它們的關聯性，交叉驗證，最后得出一個新的對綜合預測的替代指標體系，對疾病進行定量、定性。
影像基因組學與AI結合，是形態影像學的發展和延伸，它的好處主要是能夠提高我們的工作效率，解決肉眼看不見的疾病，并且能夠實現在沒有癥狀沒有體征的情況下也能夠診斷疾病，提升篩查與診斷的精準度，提升治療效果的評價指標，對于提升我們的治療效能發揮了重要的作用。
傳染病影像基因組學的研究方向方面，同樣也需要數據的有效采集，包括ROI的選取，相關基因組學模型的融合交叉驗證，進行融合模型的分析。這對機制通路的解釋，生存率的評估，精神分級診斷的實現，或者是對疾病的預測，都發揮重要的價值和作用。
傳染病放射影像學基因組學，它是基于圖像信息與基因組學信息，蛋白質組學信息的宏觀表型假設，但單純的大量高通量特征偏離了生物學的意義。
因此，影像組學和基因組學的融合，從生物學的意義方面，包括基因組學，影像組學，局部的病理組學，以及最原始的生物標志物表達等等這些信息的融合，才能夠全面反映整體的生物學臨床意義，才能夠全面客觀的反映疾病的特征。
也因此，我們前期的AI僅僅是基于影像與數據特征對疾病進行預警預測，要想實現精準診療是不可能的，它是偏離了生物學的意義。
在傳染病影像基因組學與AI結合的同時，我們也在傳染病防控方面進行了靶向探針合成的研究。
第一項靶向探針合成研究，我們針對HBV乙肝病毒相關的肝纖維化的早期診斷方面，合成靶向HSC的光學和MR雙模探針體外及體內試驗驗證。
第二項，我們就肝癌診療一體化的探針合成進行研究，體外與體內實驗驗證了探針對纖維化、對肝癌都有較好的效果，最終將實現診斷和治療一體化的診療模式，減少病人的周轉環節，高效地提升患者的生存質量，延長其生命，具有重要的價值和臨床意義。
最后，進行概括總結：
對于個性化的疾病，要想實現精準診療，診斷必須先行，沒有精準的診斷，治療是盲目、無效的。
宏觀影像和微觀分子水平數據特征可視化的有效結合，才能夠全面客觀地反映疾病的生理、病理以及不同臨床分期的全程變化。
對于疾病的早期預警，是我們一致夢寐以求的目標，只有早期預警診斷，才能夠使病情逆轉和治愈，此外對于預后評估、臨床的干預措施，也是發揮重要的價值和作用。
多元數據所蘊含的信息量要遠遠大于單一的臨床數據信息。多元異構數據的結合融合，模型的融合，通過深度學習能夠實現對于疾病的一致解釋，以及預警指標體系的替代指標體系的建立，才能夠實現對疾病的綜合預測。
最終，我們所有的工作都將受益于我們的患者，謝謝！雷峰網 雷峰網
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
