日前，第104屆北美放射年會（rsna）在美國芝加哥落下帷幕。作為放射領域的國際盛宴，rsna云集了全球頂尖的科學家和醫(yī)療行業(yè)從業(yè)者。

自2016年開始，可以明顯看到，如大數(shù)據(jù)、人工智能（ai）等新興技術與放射科學的融合逐漸成為了rsna最大的亮點。ai可以通過計算機視覺技術，幫助識別醫(yī)療影像中的病變，其中肺結(jié)節(jié)的早期篩查就是ai在醫(yī)學影像中應用的熱門領域。

而今年的rsna，關于人工智能的討論幾乎在會議的所有環(huán)節(jié)都更加明顯，展區(qū)的多家供應商都在展示了自己的人工智能產(chǎn)品。毫無疑問，人工智能技術正在放射醫(yī)療中全面開花，而且逐漸從學術研究走向產(chǎn)品化，應用范圍也在逐漸擴大。

在rsna 2018的開幕式上，大會主席vijay rao教授指出，放射科醫(yī)師會被新技術賦予更強大的力量，而不是被新技術取代。她指出，在未來的十年甚至是幾年中，ai將在許多方面成為放射科醫(yī)師的強大工具，比如縮短mri成像所需要的時間，幫助減少患者暴露于輻射中的風險。

ai影像技術應用范圍擴大

相比去年的rsna，今年ai影像技術在應用上明顯更加全面，不只局限于肺結(jié)節(jié)檢測，在心腦類疾病檢測中也大放異彩。

比如，arterys公司展示了其cardio aimr系統(tǒng)，它可以分析mr圖像來分析心血管血流量。雖然這一系統(tǒng)的分析結(jié)果不能用于決定或推薦某種治療方案，或者分析出疾病特征，但卻是醫(yī)護人員在臨床決策中的重要支持工具。

比利時icometrix公司則開發(fā)了一套可以分析ct圖像，來描繪腦損傷的系統(tǒng)。該系統(tǒng)使用深度學習算法量化分析ct圖像中的基底池壓縮、中線腦移位等（不僅可以預示頭部損傷，還能預示嚴重程度）信息，分析出腦損傷的嚴重程度。

另外，加州大學舊金山分析的研究人員發(fā)布的研究顯示，ai技術還可以提高大腦成像預測阿爾茨海默病的能力。研究人員用一種特殊的成像技術，即fdg-pet，對深度學習算法進行了訓練。在fdg-pet掃描中，患者會注入一種放射性葡萄糖化合物fdg，然后用pet可以測量腦細胞攝取fdg的情況，從而得到關于代謝活動的重要指標。

他們使用了來自1002位患者的超過2100例fdg-pet腦成像圖，在90%的數(shù)據(jù)集上訓練深度學習算法，然后在剩下的10%的數(shù)據(jù)集上進行測試。通過深度學習，算法能夠識別出阿爾茨海默病相關的代謝模式。

提升成像速度，減少影劑使用

不同于其它公司對醫(yī)療圖像進行智能分析，斯坦福大學團隊創(chuàng)立的subtle medical（深透醫(yī)療）將重點放在了提升醫(yī)療設備的成像速度，減少放射劑量上。

mri、pet等成像技術既貴且耗時，而其中90%的成本和大量耗時其實都是在機器成像過程中，深透醫(yī)療的技術正是從機器成像過程切入，通過ai技術提升圖像質(zhì)量，讓醫(yī)療機構(gòu)可以在更少的時間內(nèi)給更多的患者做檢查、并減少放射劑量。

深透醫(yī)療在rsna上展示了其ai影像處理平臺，影像數(shù)據(jù)從設備端出來以后直接進入深透醫(yī)療系統(tǒng)，處理之后，進入pacs影像工作站供醫(yī)師使用。據(jù)了解，深透醫(yī)療目前可以做到用ai技術加速mri和pet成像過程4-10倍，并保證診斷級別的精確度。

除了使用ai增強成像速度與質(zhì)量，深透醫(yī)療的創(chuàng)始人宮恩浩及其團隊成員還發(fā)表了關于減少mri造影劑使用量的研究、獲得rsna科研成果獎并成為10個rsna官方宣傳研究項目之一。

在使用mri設備進行成像的過程中，患者需要注射造影劑（比如釓），從而幫助提高成像質(zhì)量。釓是在進行mri檢測中會使用到的一種重金屬，一般而言在成像完成后會被排出人體外。但最近的研究發(fā)現(xiàn)，使用某些種類的釓進行成像檢查后，人體內(nèi)仍會有微量殘留。這種殘留會帶來的影響現(xiàn)在還不清楚，但在最大限度提升mri成像質(zhì)量的同時，減少患者的潛在風險十分有必要。

宮恩浩的這項研究則可以用ai減少在mri掃描中所用到的釓的劑量。他們在成像過程中使用了一種新的深度學習算法，結(jié)果顯示，即使使用較低劑量的釓，也可以得到與全劑量沒有明顯差異的mri成像結(jié)果。

較低量的影劑使用還有很多尚未被認識到的臨床應用，現(xiàn)在通過ai的方式無疑可以獲得更多信息。

用ai技術保護醫(yī)學影像的安全

醫(yī)療成像設備極易受到網(wǎng)絡攻擊，使醫(yī)療和成像中心的系統(tǒng)存在嚴重的風險，導致數(shù)據(jù)會被外部竊取。甚至越來越多的智能分析工具，其本身也可能成為攻擊的目標，讓信任智能系統(tǒng)的醫(yī)生和患者蒙受難以估量的損失。

自于蘇黎世大學醫(yī)院的研究團隊，正在努力防止攻擊者篡改x射線檢查的結(jié)果。

研究人員訓練了一個深度學習網(wǎng)絡，它可以將顯示有癌癥癥狀的圖像轉(zhuǎn)換成健康圖像，然后讓放射科醫(yī)生分析這些圖像，看看他們能不能發(fā)現(xiàn)圖像已經(jīng)被篡改，結(jié)果放射科醫(yī)生生無法發(fā)現(xiàn)。

雖然現(xiàn)在這樣的安全狀況還沒出現(xiàn)，但以往放射科醫(yī)生主要想的是分析圖像數(shù)據(jù)，保護病人免受不必要的輻射。而當ai算法不可避免地進入臨床常規(guī)時，我們將需要學習如何應對更多的安全狀況。

另外，來自以色列本古里安大學的一組研究人員，還對提高ct設備安全性的方法進行了研究，他們開發(fā)了一個使用機器學習和深度學習的系統(tǒng)，可以檢測是否有人試圖發(fā)出了一些難以察覺的命令來操控ct設備，這一系統(tǒng)隨后向有關各方發(fā)出警報。

產(chǎn)學研結(jié)合，產(chǎn)品化趨勢明顯

除了ai技術在醫(yī)療影像上的應用向縱深發(fā)展，產(chǎn)學研的結(jié)合以及ai技術的產(chǎn)品化也是這次rsna的亮點。

今年的rsna上，還舉辦了一場肺炎檢測挑戰(zhàn)賽（rsna pneumonia detection challenge）。參賽者的任務是開發(fā)出能在醫(yī)學圖像中自動檢測肺炎的機器學習算法。通過競賽的方式，可以上更多的研究者將自己的學術研究成果轉(zhuǎn)換為切實可用的產(chǎn)品。

為此，rsna組委會與美國國立衛(wèi)生研究院、胸部放射學會str，數(shù)據(jù)科學競賽平臺kaggle，以及部分商業(yè)公司進行了合作，構(gòu)建了一個肺炎數(shù)據(jù)集，通過標準化的數(shù)據(jù)集進一步檢測技術的可行性。

在產(chǎn)品化上，上文提到的arterys公司以及icometrix公司，其產(chǎn)品均已經(jīng)進入到fda的認證流程中。在過去的一年時間里，深透醫(yī)療也與美國頂尖醫(yī)院進行了合作，在臨床場景下測試其在mri磁共振及pet核醫(yī)學分子影像中的ai技術，現(xiàn)有產(chǎn)品已通過美國fda和歐洲ce認證，另外，其也在與影像設備上、it系統(tǒng)商、造影劑廠商等方面合作，將ai更大范圍地應用在影像檢查中。

從rsna 2018的現(xiàn)場來看，放射科醫(yī)師已經(jīng)擺脫了對ai技術的憂慮階段，意識到ai不可能取代醫(yī)生，而是會增加醫(yī)生的效率，對其爭論也更多集中在怎樣才是使用深度學習等算法的最佳方式。

但ai技術距離成為主流臨床工具還需要解決很多問題，比如，ai軟件如何與pacs集成？ai算法會在后臺自動運行，只有在檢測到可疑結(jié)果時才會通知放射科醫(yī)師嗎？又或者放射科醫(yī)生會在需要時從pacs啟動ai算法？醫(yī)生又將如何獲得算法？

但毫無疑問，ai技術可以幫助放射科醫(yī)生提供更好的治療，同時降低成本。正如rsna大會主席vijay rao教授最后總結(jié)時所說，“我們需要擁抱人工智能，而不是害怕它?！?/p>