医学影像与人工智能

依赖成像数据的医学领域包括放射学，病理学，皮肤病学和眼科学，这些领域已经受益于AI方法的应用。比如在放射学中，有经验的医生一般通过视觉来评估医学图像来检测，表征和监测疾病。这种评估通常根据个人经验，是主观的。与这种定性推理相比，AI擅长在数据中识别复杂的模式，并以自动化方式提供定量评估。把AI集成到临床工作流程中作为辅助医生的工具时，可以更准确和可重复性的进行放射学评估。

AI在医学成像中的两种方法

目前有两类AI方法被广泛应用到医学图像中。第一种是人工特征工程，这些特征是根据数学方程（如肿瘤纹理）来定义的，可以通过计算机程序来量化。这些人工特征做为机器学习模型的输入，通过训练模型，以临床决策的方式对患者进行分类。尽管这些特征是有区别的，但它们依赖于专家定义，因此不一定是当前辨别任务的最佳特征量化方法。此外，预定义特征通常不能适用于成像模态的变化，例如计算机断层扫描（CT），正电子发射断层扫描（PET）和磁共振成像（MRI），以及它们相关的信噪比特性。第二种方法，深度学习算法，自动从数据中学习特征表示，无需人类专家的干预。这种数据驱动方法允许更抽象的特征定义，使其更具信息性和可推广性。因此，深度学习可以自动量化人体组织的表型特征，可以在诊断和临床护理方面取得实质性进展。深度学习的另一个好处是减少了对人为预处理的需求，深度学习可以像受过训练的放射科医师一样识别图像参数，根据其他因素权衡这些参数的重要性，从而得出临床决策。

AI对肿瘤图像工作流的影响

肿瘤学三个主要的临床放射影像学任务：异常检测，表征和变化监测。

在手动异常检测的工作流程中，放射科医师是根据个人经验能来识别可能的异常；随着对计算机的依赖，计算机辅助检测（CAD）可以帮助医师进行异常检测判断，但这些CAD使用的还是人为特征，结果还不是很好；最近的研究表明基于深度学习的CAD优于传统人工特征的CAD系统，且人类相比有相似的表现。表征是涵盖疾病分割，诊断和分期的总称。最近用于分割的深度学习架构包括全卷积网络，它仅包括卷积层，输出是整个图像的分割概率图。其他架构，例如U-net，是专门为医学影像而设计的。一般，肿瘤放射影像特征包括尺寸，最大直径，球形度，内部纹理和边缘定义的信息等，基于这些特征的来判断肿瘤的良恶性的诊断逻辑通常是主观的，但像CNN之类的架构，由于自动提取特征，是非常适合于监督诊断分类任务的。分期系统通过分割和诊断收集的先前信息，将患者分为多个预定义类别。疾病监测对于诊断以及评估治疗反应是至关重要。该工作流程涉及图像配准预处理，首先将患病组织多次扫描中图像进行对齐，然后使用预定义指标进行评估。