2023人工智能在介入放射學(xué)中的運(yùn)用前景及挑戰(zhàn)

2023人工智能在介入放射學(xué)中的運(yùn)用前景及挑戰(zhàn)人工智能(artificialintelligence,AI)是一類研究用計(jì)算機(jī)模仿人類智能行為的學(xué)科，涵蓋了機(jī)器學(xué)習(xí)(machinelearning,ML)、 自動(dòng)化等[1-2]。其中機(jī)器學(xué)習(xí)是人工智能的核心，與多個(gè)學(xué)科領(lǐng)域交叉重疊，包括醫(yī)學(xué)圖像分析、自然語言處理、生物特征識(shí)別等[3]。深度學(xué)征而不需人類定義的干預(yù)，能識(shí)別與分析文字、圖括精準(zhǔn)醫(yī)療人工智能決策系統(tǒng)的開發(fā)、輔助手但鮮少文獻(xiàn)對(duì)人工智能在介入診療中的應(yīng)用展開描述1人工智能在介入放射學(xué)中的應(yīng)用對(duì)某些具有高危因素的群體而言，及早進(jìn)行疾病預(yù)重要的一步。Fu等[5]通過臨床、圖像數(shù)據(jù)和放射學(xué)信息構(gòu)建了人工神經(jīng)網(wǎng)絡(luò)模型，預(yù)測(cè)肝細(xì)胞癌(hepatocellularcarcinoma,HCC)患者未來大血管侵犯的可能性，該深度學(xué)習(xí)網(wǎng)絡(luò)模型線下面積(areaundercurve,AUC)分別為0.877和0.836,為篩選出高?；颊卟⒔o予干預(yù)措施提供有力證據(jù)。Audureau等[6]構(gòu)建隨機(jī)森林預(yù)測(cè)模型對(duì)感染了丙型肝炎病毒并患有肝硬化的患者進(jìn)行癌癥風(fēng)險(xiǎn)的篩選，預(yù)測(cè)未來5年發(fā)生HCC的風(fēng)險(xiǎn)，從而實(shí)現(xiàn)個(gè)性化的風(fēng)險(xiǎn)預(yù)測(cè)，篩選出高?；颊卟⑦M(jìn)行定期醫(yī)學(xué)監(jiān)測(cè)。張巖等[7]應(yīng)用機(jī)器學(xué)習(xí)構(gòu)建模型齡、動(dòng)脈瘤不規(guī)則、A1優(yōu)勢(shì)等特征分別構(gòu)建了決策樹預(yù)測(cè)模型、隨機(jī)森對(duì)腫瘤患者而言，可選擇的干預(yù)治療方法較多，現(xiàn)減輕醫(yī)生的工作量,降低患者的治療負(fù)擔(dān)極大地提升了治療效果[8-9]。Choi等[10]考慮到HCC初始治療方案的選擇與巴塞羅那分期系統(tǒng)推薦支持系統(tǒng)中構(gòu)建了六個(gè)分類器模型，其準(zhǔn)確率均高于75%,而且每種推薦治療對(duì)應(yīng)的生存預(yù)測(cè)模型的C指數(shù)均大于0.6,證實(shí)該模型推薦的治療方目前人工智能在介入學(xué)科應(yīng)用的難點(diǎn)在于如何利用術(shù)前獲取的數(shù)據(jù)預(yù)測(cè)而減少不必要的干預(yù)，降低醫(yī)療成本[11]。Peng等[12]通過基于CT紋理分析的卷積神經(jīng)網(wǎng)絡(luò)模型，在術(shù)前評(píng)估接受肝動(dòng)脈化療栓塞術(shù)病的預(yù)測(cè)準(zhǔn)確率為84.3%,其AUC分別為0.97、0.96、0.95和0.96,兩個(gè)驗(yàn)證組預(yù)測(cè)準(zhǔn)確率分別達(dá)到85.1%和82.8%,醫(yī)生可基于此判斷人工智能技術(shù)可以從多個(gè)方面改善介入手術(shù)的質(zhì)量，如增強(qiáng)現(xiàn)實(shí)(augmentedreality,AR)導(dǎo)航技術(shù)，它是真實(shí)世界信息與虛擬世界信實(shí)手術(shù)中[13-14]。在操作前收集三維的肝臟圖像，術(shù)中將三維圖像導(dǎo)擬的三維圖像配準(zhǔn)，最后通過CT掃描校準(zhǔn)即可進(jìn)行手術(shù)[15]。Yang等[16]用模型實(shí)驗(yàn)和動(dòng)物實(shí)驗(yàn)來研究使用AR技術(shù)引導(dǎo)經(jīng)頸靜脈肝內(nèi)門體分流術(shù)的可行性，在模型實(shí)驗(yàn)中，從肝靜脈到門靜脈的穿刺時(shí)間為5～10s,在動(dòng)物實(shí)驗(yàn)中為10～30s。Auloge等[17]利用AR技術(shù)在經(jīng)皮椎體成形術(shù)中識(shí)別椎骨/椎弓根并生成最佳的入針路徑指導(dǎo)手術(shù)實(shí)現(xiàn)了精確、減少醫(yī)務(wù)工作者的輻射損傷、降低并發(fā)癥的發(fā)生風(fēng)險(xiǎn)、在介入手術(shù)中，對(duì)于病變血管的判斷與手術(shù)材料的的主觀影響。為了降低對(duì)醫(yī)生主觀意識(shí)的依賴，Cho等[19]在血管造影術(shù)中利用監(jiān)督式機(jī)器學(xué)習(xí)算法對(duì)病變的冠狀動(dòng)脈血流儲(chǔ)備分?jǐn)?shù)進(jìn)行分類，管，準(zhǔn)確預(yù)測(cè)血管面積并確定血管的最狹窄支架型號(hào)，為醫(yī)生提供較為客觀的建議[20]1.3術(shù)后在介入手術(shù)后，醫(yī)生需要觀察患者的術(shù)后反應(yīng)、影術(shù)是否達(dá)到預(yù)期療效，預(yù)測(cè)患者是否出現(xiàn)早期并對(duì)影像圖像的縱向分析，機(jī)器學(xué)習(xí)可以通過自主學(xué)據(jù)來評(píng)估治療效果，不需人工干預(yù)定義分類規(guī)則[21-22]。Wu等[23]收集接受了射頻消融患者圍術(shù)期內(nèi)的多項(xiàng)指標(biāo)，建立4個(gè)人工神經(jīng)網(wǎng)絡(luò)模年DFS預(yù)測(cè)模型中發(fā)現(xiàn)，使用15個(gè)臨床特征建立的模型比只用8個(gè)顯著特征的模型準(zhǔn)確度高(85%比75%),在2年DFS預(yù)測(cè)模型中為68%比64%,證明即使是目前臨床上認(rèn)為不敏感的臨床特征也可能會(huì)影響患者的為預(yù)測(cè)接受TACE的自發(fā)性腫瘤破裂患者的術(shù)后情況，構(gòu)建1年總生存期的預(yù)測(cè)模型，在驗(yàn)證集上AUC高達(dá)0.88,性能較傳統(tǒng)評(píng)分系統(tǒng)高。盡管首次接受支氣管動(dòng)脈栓塞(bronchialarteryembolization,BAE)術(shù)的患者手術(shù)成功率較高，但術(shù)后的反復(fù)咯血率也較高。Xu等[25]開發(fā)人工神經(jīng)網(wǎng)絡(luò)和列線圖預(yù)測(cè)模型,對(duì)接受BAE手術(shù)的患者進(jìn)行復(fù)發(fā)咯血的風(fēng)險(xiǎn)預(yù)測(cè)，使用年齡60歲或以上、肺癌、支氣管肺分流的存在、非支氣管系統(tǒng)動(dòng)脈受累這4個(gè)預(yù)測(cè)因子，構(gòu)建人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，成功地預(yù)測(cè)患者術(shù)后出現(xiàn)復(fù)發(fā)咯血的風(fēng)險(xiǎn)。在心血管介入方面，王穎晶等[26]收特征等，構(gòu)建一種基于機(jī)器學(xué)習(xí)的多模型融合預(yù)動(dòng)脈介入治療術(shù)后的復(fù)發(fā)風(fēng)險(xiǎn)。同樣可以將此腦卒中血管介入治療的預(yù)后[27]。于一體的學(xué)科，能夠識(shí)別人們?nèi)粘Ｊ褂玫恼Z歷、影像診斷學(xué)等大規(guī)模數(shù)據(jù)庫分析[28]?？梢詮奈淖謭?bào)告中提取數(shù)據(jù)治方案[29-30]。另外，可以運(yùn)用AR技術(shù)和虛擬現(xiàn)實(shí)(virtualreality,VR)技術(shù)培訓(xùn)學(xué)生習(xí)會(huì)導(dǎo)致教育成本增高。而利用AR場(chǎng)景模擬技術(shù)將手術(shù)材料疊加在真實(shí)世界背景上，學(xué)員可以通過觸摸或旋轉(zhuǎn)真實(shí)料，國內(nèi)已有研究報(bào)道將AR技術(shù)應(yīng)用到介入學(xué)科的學(xué)生培養(yǎng)上并探討其可行性[31]。年輕醫(yī)生還可以通過VR眼鏡觀看手術(shù)過程，通過收集患練習(xí)手術(shù)技能[13,32-33]。對(duì)于上級(jí)醫(yī)生而言，能夠確保手術(shù)順利進(jìn)行的同時(shí)兼顧對(duì)年輕醫(yī)生的教育，降低了患者不足的缺點(diǎn)。人工智能未來將會(huì)徹底改變目前臨床上的教學(xué)與實(shí)踐方式。2人工智能面臨的挑戰(zhàn)生應(yīng)用醫(yī)學(xué)知識(shí)反向推導(dǎo)，所以充滿著不確定性和不可控制性[4]。而且證，而是在整個(gè)應(yīng)用周期中，需要隨著臨床實(shí)踐的不斷變化而不斷驗(yàn)證、技術(shù)和經(jīng)驗(yàn)來看很難評(píng)估其有效性和安全性[34]。這些都是導(dǎo)致其在醫(yī)數(shù)據(jù)分布不平衡，并且缺乏多中心臨床試驗(yàn)[35]。人工智能訓(xùn)練算法需[36]僅使用36例HCC患者來構(gòu)建隨機(jī)森林預(yù)測(cè)模型,在術(shù)前預(yù)測(cè)HCC患者接受TACE術(shù)后的療效，樣本量非常小，并且治療無反應(yīng)的人數(shù)超過度降低。上述研究同樣出現(xiàn)這種問題，2年DFS組的病例數(shù)較1年DFS組少，導(dǎo)致2年DFS模型的預(yù)測(cè)準(zhǔn)確性較1年DFS模型差[23]。解決性、地區(qū)的差異性也會(huì)導(dǎo)致其推廣性較差[10]。臨床上疑難雜癥較多和缺乏特征表現(xiàn)會(huì)導(dǎo)致罕見病的發(fā)現(xiàn)較難、誤診率較高等問由于現(xiàn)在醫(yī)療電子檔案的廣泛應(yīng)用，