Nature：人工智能赋能，影像和病理诊断获得新突破

关键词：造影；病理；人工智能；Nature

随着人工智能开发的深入，其应用于临床医学的进展也越来越多；2024年4月18日，Nature分享了人工智能在医学诊断中的最新进展【1】。

（点击👆，一起应用人工智能）

虚拟造影剂

作者首先举例说明：深度学习技术赋能的人工智能系统有望替代医疗扫描的显影剂，从而减少风险和成本。

2022年4月因为新冠而导致供应链受阻，在美国接受心脏病治疗的患者受到波及。美国境外的一家工厂停工，其是医用碘化造影剂的重要生产商，是血管造影的重要显影剂。

不久之后，美国多家医院开始要求“症状轻微的胸痛患者推迟检查”, 以便将稀缺的显影剂留给疑似急性心肌梗塞的患者。GE Healthcare也紧急将部分生产移至爱尔兰以增加供给。事后的研究显示，造影剂短缺导致的日常 CT 血管造影次数下降 10%，CT 灌注检查次数下降近 30%。

这个事件也促成了医生科学家应用人工智能（AI）驱动的技术提供“虚拟造影剂”，解决造影剂显像的问题。

正在研究的AI 系统可高亮显示相同目标组织，无需向患者体内注射外源物质。“有了 AI 工具，所有这些麻烦都可以消除，”俄亥俄州克利夫兰市凯斯西储大学的 AI 研究人员Li, Shuo表示。

AI 已经在传统医学成像中崭露头角，深度学习算法的图像异常识别能力可媲美甚至超过放射科医师。

如今研究人员正更进一步探索 AI 的潜能。除了正在开发的计算机生成虚拟造影剂，研究人员也在挖掘常规扫描中被人类医师所忽略的特征。更有学者研究运用 AI 通过脑部扫描诊断神经发育问题（如多动症）。

Li从 2017 年就开始研究虚拟造影剂，目前该领域正在迎来一股全球热潮。虚拟造影剂能带来多重益处：

• 提升影像质量 所有成像检查均可使用显影剂 - CT 用碘，超声用微泡，MRI 用钆。现有的显影剂安全性尚佳，但也存在过敏风险。例如，钆通常不适用肾病患者、孕妇和服用某些糖尿病、血压药物的人群。

• 降低成本 2023 年全球钆剂市场规模估计为 16亿-20 亿美元，而整个显影剂市场的规模超过 63 亿美元。显影剂还增加了所需的检查时间：不少检查会先拍一次，再注射造影剂，然后再重复扫描。

不过，正因需要两次扫描，医生可将前后图像配对来训练 AI 模型。AI 先学习初始图像中的像素细微变化，再与注射显影剂后的对应像素的差异作比较。训练后，AI 可模拟施加显影剂后的“虚拟”图像效果。

今年年初，Li, Shuo和他在凯斯西储大学医学院医学影像研究中心的同事们获得美国国家科学基金会 110 万美元的资助来开展此研究。他们已完成一些初步工作，用几百张图像进行了 AI 的初步训练。由于数据集较小，结果并不理想。但随着经费到位，研究人员将能用 1万甚至 10 万张图像进一步提升 AI 表现。此外，研究者还在开展一个类似的项目，力图实现 AI 对肝癌的自动判读。

若 AI 能从图像中识别疾病特征，接下来便是研究能否让放射科医师通过实际显影和 AI 增强两种图像来辅助诊断。Li, Shuo表示，要让该技术获得 FDA 批准，还需要进行临床试验。

虚拟染色

对病理切片进行染色并用显微镜观察同样能用类似方法改进。病理科医师依靠染色来凸显特定组织结构，从而识别癌症或其他疾病的细胞异常。

加州大学洛杉矶分校的光学工程师 Aydogan Ozcan 表示，通过 AI 驱动的虚拟染色，他可以用手机拍摄显微镜图像并在不牺牲分辨率的前提下，训练神经网络将低端影像转为接近实验室仪器所产图像的品质。该技术不仅能转换图像类型，Ozcan 还用标准组织切片进行荧光显微，让组织发出自体荧光。所得图像呈现灰阶，与病理学者习惯的有色染色相差甚远。Ozcan 说：“尽管从显微角度看信息丰富，但没人看黑白图像”。

👆光显微镜拍摄的荧光染色组织切片（左），经 AI 处理的虚拟染色图像（中），实际化学染色结果（右）。

要加入颜色，Ozcan 将切片再常规染色后再拍一次。如此一来，AI 能学习自体荧光图像的细节如何与化学染色的效应相匹配。学会对应关系后，AI 就能将新的荧光图像以染色效果的方式呈现。

尽管苏木精-伊红 (H&E) 染色最为常见，病理科医师会使用不同染色液来高亮特定结构。同样的组织经 AI 处理后，可呈现任意的染色效果。该技术能极大节省珍贵的活检组织，并确保不同染色作用于同一区域。

挖掘不可见信息

AI 对医学图像的操作并不限于“转换”，它还能外推缺失的图像数据，从而为放射科医生提供重要的临床信息。田纳西州纳什维尔范德比尔特大学医学中心的放射科医师 Kim Sandler 研究能否通过测量体脂来预测肺癌筛查患者的临床预后。

放射科医生经常会裁切掉肺部 CT 扫描中无关区域以改善图像质量，从而更易发现肺部病变。但 Sandler 认为，或许 AI 可以通过采取相反方法进行图像扩展，从而获得更多信息。她与计算机工程师合作，教神经网络以不同方式看待图像：要么从原始数据中添加回被裁减的部分，要么将观察所得结合医学文献数据来生成缺失区域。

AI 估算出骨骼肌含量后，发现脂肪含量与健康结局相关。AI 判定“肌密度低”的患者有更高的心血管疾病相关死亡风险、更高的肺癌死亡发生率，以及更高的全因死亡率。不过，AI 并未能改善癌症的诊断。“这无法指导肺癌诊断，但有助于预后预测，” Sandler 说。她表示，此发现仍有临床价值，可对高死亡风险人群提供更积极的治疗或更频繁的筛查。

Sandler 认为，AI 甚至可以发现医生从未想过要寻找的诊断信息。注意力缺陷多动障碍 (ADHD) 是基于患者自述和行为观察做出的诊断，并非基于生物标志物。加州大学旧金山分校放射神经学家 Andreas Rauschecker 说：“虽有一些特征与 ADHD 相关，但我们不太了解这些特征如何在脑部神经回路中显现”。他希望在花大量时间观察脑部图像的同时，发掘此类疾病的图像学指标。

他和团队用来自 “青少年脑认知发育研究”的 1,704 名参与者的 MRI 训练 AI。该系统学习观察水分子沿着连接大脑不同区域的白质束运动，并尝试将变化与 ADHD 发生相关联。结果表明，患 ADHD 的儿童脑白质束中特定的测量值显著增高。

Rauschecker 强调这是初步研究，还未发表。事实上，目前尚未有脑成像技术能诊断任何神经精神疾病。不过，他补充表示，这些疾病与大脑的结构变化有关是有道理的，他对脑部扫描在将来的应用也抱有希望。他认为，十年之内，神经精神疾病相关影像学检查会比现在多得多。

编者按

人工智能的快速跨越式发展，确实正在改变我们的生活，改写职场，并由此使得更多个人有机会成为超级个体。

但对于医疗，包括研发者、监管机构及医生，都非常谨慎；即便有 AI 辅助，医师也不仅仅会依靠图像来做出诊断，而是作为助理使用。毕竟，临床的诊断还需要结合临床指标、病史、家族史以及基因检测结果。最关键的是，需要有人负责结果和报告。

但如果能够训练 AI 从海量异构数据中学习并进行整体分析，AI将成为更出色的的诊断工具。深度学习技术为结合不同类型的数据提供了可能。

其中，ChatGPT 背后的大语言模型正是基于了一种称为 Transformer 的深度学习架构。该系统将数据分割成词语、词语片段甚至图像片段等“标记”（token），并基于其重要程度对其分配数值权重。由此，研究者让AI把图像、临床数据及医师记录得以结合，给出更准确的答复。

而目前已有的数据已经显示：AI已经成为普通民众进行咨询的有效策略。