医学影像技术体系 · 第 32 卷 / 共 44 卷

算法、评价、肿瘤成像与行业观察

本卷导读

讨论医学影像人工智能的算法基础、评价方法、肿瘤成像应用、临床落地挑战与行业炒作，强调外部验证与临床获益。

知识结构

  1. 影像组学与科研工具
  2. AI 重建与算法原理
    • 再谈医学影像AI通用模型
    • 新冠肺炎：放射学：病理学新认识
    • 我们从几岁开始衰老？你可能想象不到！
    • 图像重建中的AI
    • 如何做漂亮的肾结石Rho/Z Map
    • 人工智能的炒作之外丨算法背后与可实现的目标
    • 影像诊断中的AI：现状、挑战与机遇
    • 肿瘤成像AI：临床应用与挑战
  3. 肿瘤成像与临床验证

影像组学与科研工具

道长，西南人士，北美工科博士，前GPS资深码农，极客一枚。擅长磁共振重建及图像处理。一直潜水开源社区，以各种拿来主义（符合开源协议）将各路神器算法攒成非工科狗也能用的软件方案。开展放射组学工作，主要步骤[1]：

这一步很多软件都能做到 （工具见第二部分）。请留意使用的工具应能勾画三维的ROI，并且体素大小、层间距等几何信息能计算准确，否则跟形态/轮廓相关的特征会计算错误。

第二步：计算ROI内影像信号（也就是把ROI内的影像抠出来）的特征集。

灰度特征：即常见的直方图信息譬如均值，均方偏差，偏度之类。形状特征：根据ROI轮廓计算的，如体积、表面积、最大径之类的。纹理特征：通过灰度共生矩阵计算出来的高阶特征。这些纹理特征其实往往都有显示意义，举例：SizeZone特征用于评估ROI内影像的块状程度，下列两个瓷砖图的Small Area Emphasis / Large Area Emphasis就不同。

小波特征：通过变化到小波域计算。这类特征不是很直观。

这一步需要特别留意的是：应该用信号真实值而不是灰度值进行计算。单纯把0~4095的灰度值放进去计算，难以把不同被试的图归一化。所以作者不推荐用通用的图像纹理计算软件。应使用专业的医学影像处理软件，准确读入DICOM信息得到真实值。

这一步没有什么成熟工具可以简单解决。每一个训练好的模型（/神经网络），都不是下载来（/买来）开箱即用的。因为它使用的训练数据和您输入的数据差别可能很大。您很难得到文章（/说明书里）预期的结果。（作者非常同意“AI要生在医院养在医院用在医院”这句话，因为每家医院protocol不一样，扫出来的图差别很大。自己训练自己家更靠谱。

如果您有一些机器学习和数据处理的经验，可以作为一个您使用的方案的参考[1]。颜色越深的方块，对应的机器学习方法和指标的预测性越好。（但还是请注意，这是CT肺部非小细胞癌的影像数据。不保证同样适用于磁共振。

训练完毕后，容易得到下面这种酷炫的热图(HeatMap)[2][3]。除了有热图显示组学特征与病理分级的相关性外，您当然能得到组学特征预测病理分级的准确性，然后使用某些组学特征来对病理分级进行预测。

IMAgenGINE是国产的良心之作，国内科研单位可以申请免费使用。最关键的是它还能直接计算多种弥散/灌注模型的参数图。用结构图如CT、T1/T2之类的影像做组学的工作已经挺常见了。但是用ADC、IVIM、sDKI的DAPP KAPP、乃至更多参数图的去做组学分析的还不多见哦。IMAgenGINE内绘制完感兴趣区，直接点击组学计算，再去软件目录下tmp文件夹里找结果（excel可以打开）就可以啦。即便不做最后的机器学习这一步，过去你们都是测均值……组学特征里这几大百个特征(包括均值)，还找不出一两个阳性？不光是阴阳性，数据够的话分八类都可以啊。

--重叠回波分离（OLED）序列。厦门大学（Xiamen University），简称厦大（XMU），位于福建省厦门市，是由中华人民共和国教育部直属副部级综合性研究型全国重点大学，位列国家“双一流”、“211工程”、“985工程”，首批学位授权自主审核单位。

与此同时，在国际上率先提出多项定量磁化率重建、时空编码成像、化学交换饱和转移成像新技术新方法。实验室成员为第一作者或通讯作者在包括IEEE Transactions on Medical Imaging、Medical Image Analysis、Neuroimage、Magnetic Resonance in Medicine、IEEE Transactions on Biomedical Engineering等领域顶级期刊在内的期刊发表SCI论文百余篇，成果入选“福建省科技进步奖二、三等奖”。

定量磁共振成像（qMRI）是精准化医疗和疾病量化分析的重要工具。然而，为了获得一系列不同的对比度加权图像用于定量拟合，需要成倍于常规MRI成像的采集时间。在当前实际临床中，定量MRI仍未实现大规模的应用。

一般地，常规MRI图像只包含单个回波信号，其能量主要集中在k空间的低频部分。成像加速往往通过减少高频信号的采样（压缩感知、部分傅里叶）或利用并行成像线圈（同步多层激发）实现。该技术利用特殊的相位调制，将含有不同演化时间和弛豫加权的信号叠加在同一个k空间中，大大缩短了定量MRI成像时间，并已成功实现毫秒级别的T2 mapping和ADC mapping。

OLED技术利用多个激发脉冲和回波移位梯度实现灵活而可控的回波信号调制，并结合EPI读出方式，达到单扫描（single-shot）快速定量成像。由于重叠回波信号的高度复杂性，深度神经网络（DNN）强大的非线性映射能力被引入，从重叠回波信号中端到端地重建定量参数图像。

OLED技术的灵活性并不局限于定量参数维度。例如，通过将不同层面的加权信号叠加在同一个k空间中，SMS-OLED实现了超快速同步多层T2 mapping。值得一提的是，该方法不利用多通道线圈的空间相关性进行SMS成像，也不受到层间距的影响，已被证明在鼠脑中可实现与常规SE序列相当的T2 mapping结果。

由于OLED技术单扫描成像的特性，其对运动具有天然的抵抗能力。在腹部成像、胎儿成像，和面对儿童、老人、癫痫和脑外伤急诊等具有不自主运动的患者时，OLED技术相比其他qMRI方法有巨大的优势和潜力。未来，OLED技术还有望实现超快速多参数定量成像，并进一步开发应用于脑功能成像以及灌注成像等领域。

享受国务院政府特殊津贴专家，中国物理学会理事，中国波谱学专业委员会副主任委员。主持863计划、国家自然科学基金科学仪器专项和重点项目等30余项；发表SCI收录论文470余篇；授权发明专利120项(其中美国专利3项)；获得省部级科学技术奖一等奖3项和二等奖4项。

临床科研中离不开数据统计及统计方法，ROC（Receiver Operating Curve）指在特定刺激条件下，以被试在不同判断标准下所得的虚报概率P（y/N）为横坐标，以击中概率P（y/SN）为纵坐标，画得的各点的连线。是影像研究中常用的一个统计方法。

“ 受试者工作特征曲线（Receiver Operating Curve，ROC）是医学影像研究中经常会用到的一个统计方法，用于分析一个连续变量进行二分类时的敏感性和特异性。”。ROC分析时，任意选取一个数值进行分类判别时，都有假阳和假阴的误判。100例阳性病例正确判读出80例，真阳率为80%，也就是敏感性；100例阴性正确判读出90例，真阴率就是90%，也就是特异性。以真阳率作为纵轴，假阳率作为横轴（1-特异性），每一个截断值下的真阳率和假阳率在图上表示为一个点，将截断数值由小到大遍历并连接各点，就绘制完了ROC曲线，ROC曲线下面积AUC越大，说明这个连续变量的分类鉴别准确性越高。门槛越高，敏感性越好，不过特异性差；门槛越低，特异性越好，敏感性差。选取合适的截断值cut-off value，使得敏感性+特异性之和最大。

R语言里进行第一次ROC分析前，首先需要下载pROC软件包，运行install.packages("pROC")自动下载安装。这里以胶质瘤的高低级别鉴别为例，比较APTw和ADC数值在区分高低级别胶质瘤上的敏感性/特异性。将所有入组病例测量到的APTw、ADC数值及高低级别(0为低级别，1为高级别)信息录入excel并存为csv格式文件(GliomaROC.csv)，格式。使用read.csv命令读取GliomaROC.csv数据，存入新建Mydata变量。

ROC分析使用的是roc函数，支持formula和常规的语法格式，formula格式更为简洁。常规的语法格式是roc(Mydata。APTw)，分析结果的末尾显示了曲线下面积AUC。

用plot或者plot.roc命令绘制两个ROC曲线在一张图上，print.thres和print.auc设置为TRUE，打印出截断值和AUC，legacy.axes设为TRUE，横轴显示为常用的1-specificity，否则会显示为specificity（x坐标1-0）。

绘制第二个ROC曲线时，需要加上add=TRUE，表示两个ROC绘制在一张图上，颜色和AUC显示的位置需要额外设置，以免重合显示，最终的ROC曲线显示如下：

关键词：磁共振成像 磁场检测 序列开发 线圈优化 DWI EPI 超高场成像 图像重建 神经科学。磁共振成像(MRI)技术正推动科学研究不断迈向更高精度，但即便已投入大量成本优化扫描序列与硬件设备，磁场波动仍是难以规避的挑战。这些微小变化可能导致成像质量下降、连续成像稳定性受限或是新序列错误定位困难。

Skope的磁场检测方案经过十余年实际科研应用检验，提供实时精确的磁场数据支持，助力高精度影像重建，让每一次实验都更可信可靠。

在磁共振研究的不同领域，场检测技术都能够为科研人员提供关键数据支持，帮助优化实验设计并提升成像质量。超高场成像以其高分辨率成为神经科学研究的优质工具，然而高场强同时也会导致任何微小场扰动（如梯度漂移和涡流电流效应）都可能带来比低场强更为严重的伪影和模糊问题。

    3T下获取的包含390个扫描的2D EPI时间序列的时间标准差影像。将完整场校正（左）与场平均影像重建进行比较（仅校正平均编码缺陷，不包括梯度加热或场漂移）Courtesy: S. Bollmann et al., 2017。修正呼吸带来的磁场扰动对图像的影响。借助Skope Clip-on Camera，一项研究对7T成像环境持续检测场偏差，成功实现了匀场系统的实时更新，将定量磁化率成像(QSM)对照实验的偏差从93 ± 53%降低到31 ± 46%。

    为克服螺旋fMRI的典型缺点，Lars Kasper博士及其团队提出基于单激发的新螺旋轨迹设计。测试时，研究人员将Skope场检测数据纳入扩展信号模型，精准实现高质量图像重建，成功验证新设计能将显著激活簇范围增加21%。

    先向内再向外的组合螺旋轨迹采集的视觉激活图。Couortesy: Kasper et al. IBT ETH Zurich and University of Zurich doi: 10.1101/842179。通过场检测技术直接测量序列，来自英国利兹大学的Lars Muller博士仅需一次扫描会话即可定位编码程序错误，修正并成功开发新的针对B0 Mapping的双回波螺旋序列。

    Skope场检测技术可直接测量序列，定位梯度编程错误所导致的编码位置未返回k-空间中心(A)，无需反复排查而简单重新计算梯度即可成功修正(B)。

    Skope磁共振技术成立于2011年，为磁共振成像（MRI）市场开发传感器技术和信号处理的解决方案。Skope的客户使用这些解决方案可达到MR成像前所未有的精确性和速度。Skope向全世界的患者提供先进的诊断成像。

    AI 重建与算法原理

    1. 再谈医学影像AI通用模型

    影像AI模型会从单病、专病，向着通用大模型方向发展吗？

    还记得今天4月份的时候，阿里巴巴达摩院联合广东省人民医院等机构研发出肠癌筛查AI模型DAMO COCA，从2.7万人的平扫CT影像中精准识别5例漏诊肠癌，敏感性、特异性分别达到86.6%和99.8%，在国际上首次提出了一种无需肠道准备、患者无感的肠癌机会性筛查方法。

    没想到的是，这一次来得这么快。9月18日消息，阿里巴巴达摩院联合浙江大学医学院附属第一医院等机构研发出通用医疗影像AI模型DAMO RADAR，登上国际顶级学术期刊《科学》（Science）。该模型面向腹部增强CT诊断，可一次性识别超过146种病症，平均准确率达到0.928，首次达到影像科专家水平，现已正式开源。

    当然这次的模型虽然是通用模型，但是并不是通用全身，而是腹部。

    当一张腹部CT影像摆在阅片医生面前，屏幕背后是18个器官交织重叠，上百种病变隐匿其中。很多放射科同行都有共识：腹部增强CT，是日常工作里最 “磨人” 的片子。

    不同于肺部CT病灶相对直观，腹部脏器软组织对比度接近，肿瘤、炎症、结石、血管病变互相干扰。同一个患者身上，可能同时存在肝脏结节、胰腺异常、肠道增厚、胆道扩张等多重问题。低年资影像科医生的成长周期漫长，想要独立胜任腹部CT完整诊断，往往需要数年的积累。面对复合病症、急诊急腹症病例，漏判、误判的风险客观存在；即便资深医师，长时间大批量阅片后，疲劳带来的识别衰减同样无法完全避免。

    过去数年，医疗 AI 的主流解法是专病模型，也就是 “一病一模”。针对肺癌做一套肺结节AI，针对胰腺癌训练一套胰腺 AI，胃癌、肠癌各自开发独立系统。达摩院此前的多癌筛查系列，DAMO PANDA 胰腺癌模型、DAMO GRAPE 胃癌模型、DAMO COCA 肠癌模型，正是把专病路线推到极高水平的代表。

    把单个病种模型做到极致之后，达摩院没有沿着专病的道路持续叠加，反而转头挑战另一条更难的技术路线 -- 通用医疗影像模型。

    这件事很有意思：已经手握一批效果优异的专病产品，为什么还要投入资源去做通用模型？

    放到医院真实临床场景，专病 AI 的短板会暴露得十分清晰。如果医院部署专病体系，就要同时上线胰腺癌、胃癌、肝脏、肺部等一堆相互独立的模型。每一个模型只盯着自己的目标病灶，读完片子，要切换多个系统分别输出结果。但临床医生看 CT，从来不是割裂地“找胰腺、再找胃、再找肠道”，而是整体性综合判断全腹部所有脏器的状态。专病模型之间互不打通，一个患者的 CT，要跑 N套AI，流程繁琐，反而增加放射科的工作负担。

    专病模型高度依赖训练数据集，擅长训练集内的目标疾病，但遇到训练之外的新发、复合、急诊病例，性能很容易出现域偏移。一个来急诊的急腹症患者，影像上可能同时混杂肿瘤、穿孔、炎症多种未知病变，专病模型只能检索预设好的几类病灶，其余异常就直接视而不见。每新增一种需要 AI 识别的疾病，就要重新做数据采集、人工标注、重新训练，时间成本、人力成本居高不下。想要覆盖上百种腹部病症，如果走专病路线，意味着要开发上百套独立模型，这在工程和临床落地层面几乎难以实现。

    很多人会提出疑问：既然专病模型单个病种效果足够好，一个个叠加，不就能覆盖全部疾病？

    理论可行，但现实很难跑通。人群筛查场景下尤为突出，我们做癌症筛查，不是只预先怀疑某一种癌。一个无症状体检者的 CT，你无法预判病灶会出现在胰腺、胃、肝脏还是肠道。如果依靠一堆专病模型，就要全部跑一遍，维护成本高，还会出现不同模型结果冲突、信息碎片化。而通用模型是一套底座，一次性输出全器官多病灶的综合判断，更匹配大规模人群机会性筛查的底层需求。

    DAMO RADAR 没有沿用传统模型大量人工标注的老路，采用视觉‑语言学习，首创器官级细粒度对齐，将三维CT 拆解成解剖单元，把影像和诊断报告文本在器官层面精准匹配，减少重度人工标注依赖，获得很强的泛化能力。人机对照试验中，这套模型表现超过大部分参与测试的影像科医生；把 AI 的提示热力图给到医生辅助阅片后，医生诊断敏感性提升 10%，阅片耗时下降超 30%，低年资医生可以借助模型逼近资深医师的诊断水准。即便是没大量训练过的急腹症急诊场景，依旧保持 0.904 的 AUC，展现出专病模型很难拥有的泛化本领。

    回到那句通俗的判断：不管黑猫白猫，抓到老鼠就是好猫。放在医疗 AI 语境下，“抓老鼠” 就是临床真实效果。在单一病种的极致筛查场景，像胰腺癌早筛，DAMO PANDA 这类专病模型经过数万病例打磨，特异性、检出率经过大规模前瞻性试验验证，依旧是不可替代的利器。

    对于医学影像领域的学生、技师、一线医生来说，大家最关心的终究还是落地。通用模型的出现，对分级诊疗的价值尤为突出。国内大量基层医院，高水平放射科人才稀缺。低年资医师成长周期长，腹部 CT 又是公认难点。通用AI 相当于给基层医生配备了一名 “全科影像顾问”，一次读片输出上百种病症参考，缩小上下级医院诊断能力鸿沟。

    不过也要客观看待，如今 DAMO RADAR 的登顶《科学》，是通用医疗影像一个重要里程碑，不等于产品已经完美解决全部临床问题。通用模型同样会存在假阳性，复杂罕见病例依旧会面临挑战，后续还需要海量真实世界前瞻性数据持续迭代、验证，完成医疗器械转化，才能真正大规模走进医院。

    回望达摩院的技术路径，从一个个专病模型攻坚，拿下胰腺癌、胃癌、肠癌多个癌症筛查的突破，再回过头去研发通用底座，这并不是否定过去专病路线的价值。恰恰是在专病研究当中，团队吃透了 CT 影像识别病灶的难点、吃透了临床筛查的真实痛点，才意识到 “一病一模” 模式的天花板，进而走向通用智能的探索。

    医疗 AI 为什么需要走向通用？本质上是让 AI 的工作逻辑，向真实临床的诊断逻辑对齐。医生看片子，从来不是按病种割裂阅片，而是看完整人体器官的综合状态。专病 AI 解决一个个单点问题，而通用模型，尝试去模仿放射科医生完整的阅片思维。

    未来，专病模型还会继续发挥重要的作用，但面向大规模机会性多癌筛查、面向复杂急诊病例，通用底座会是行业重要的演进方向。黑猫能抓老鼠，白猫也能，但当需要同时捕捉藏在各个角落的老鼠，我们更需要一只能巡视整片区域的猫。

    1. 9.20 礼拜天 于 成都

    质子束在进入人体后，能量损失相对较小，直至到达特定深度时，会迅速释放出绝大部分能量，形成一个尖锐的能量峰，即布拉格峰。这一特性使得质子放疗能够根据肿瘤的形状和位置，将布拉格峰精准地 “安放” 在肿瘤处，实现对肿瘤的高剂量照射，同时显著降低肿瘤前方和后方正常组织所受的辐射剂量，有效减少治疗副作用，提高患者的生存质量。

    在质子放疗计划里，精准确定质子在人体组织中的射程至关重要，这直接关系到能否将布拉格峰精准地定位于肿瘤部位，而阻止本领比（Stopping Power Ratio, SPR）在此过程中扮演着核心角色。

    SPR，即质子在某一组织中的阻止本领与在水中阻止本领的比值。阻止本领描述的是质子在穿过物质时，单位路径长度上损失的能量。由于人体组织成分复杂多样，不同组织对质子能量的衰减能力差异显著，所以需要SPR来量化这种差异，以便精确计算质子在不同组织中的射程。举例来说，骨骼和肌肉的密度与化学成分不同，质子穿过它们时的能量损失速率也大不相同，通过SPR就能准确反映这种区别，从而为治疗计划提供关键数据支持，确保质子束在到达肿瘤靶区前能量损耗合适，在靶区内释放最大能量，而在靶区后迅速衰减，减少对正常组织的不必要照射。

    传统的单能量 CT 成像，是依据组织对单一能量 X 射线的衰减差异来构建图像。然而，部分不同组织在单能量 X 射线下的衰减特性较为相似，这就导致难以准确区分组织类型，进而影响 SPR 的精确推导，为质子放疗计划的制定带来不确定性。

    双能量CT（DECT）技术为精准获取SPR带来了新的契机。传统的单能量CT仅能依据组织对单一能量X射线的衰减差异来成像，然而不同组织在某些情况下对单能量X射线的衰减特性相似，这就容易导致对组织类型判断的模糊性，进而影响SPR的准确推导。DECT则突破了这一局限，它同时采集两种不同能量（通常为高能量和低能量）的X射线衰减数据。

    在DECT系统中，不同组织对高低能量X射线的衰减程度存在差异，这种差异被称为 “双能量衰减特征”。通过对这些特征进行深入分析和复杂的算法运算，就能够分离出不同组织成分对X射线衰减的贡献，进而获取组织的有效原子序数和电子密度等关键参数。而这些参数与SPR紧密相关，基于特定的数学模型和校准曲线，就能利用这些参数精确计算出SPR。例如，对于富含钙的骨骼组织和富含水分的软组织，它们在双能量X射线下的衰减差异明显，DECT能够敏锐捕捉这种差异，经过计算后准确得出各自对应的SPR值，为后续质子放疗计划中射程计算提供可靠依据。

    射程不确定性是影响质子放疗精度的重要因素之一。传统基于单能量 CT 估算 SPR 的方法，由于无法精准区分一些具有相似 CT 值但实际阻止本领不同的组织，导致在计算质子射程时存在较大误差，可能使质子束的布拉格峰偏离肿瘤靶区，影响治疗效果，甚至对周围正常组织造成不必要的辐射损伤。

    研究表明，使用千伏 X 射线的双能量 CT 结合不同能量图像信息，可有效解决 CT 数值歧义与阻止本领转换问题。一项综合不确定性分析显示，在临床环境中，双能量 CT 能够将总体射程不确定性降低至约 2.2%（2σ）。通过精确测定 SPR，双能量 CT 显著减少了射程计算的不确定性，使医生能够更准确地预测质子束在人体组织中的射程，确保布拉格峰精准定位于肿瘤靶区，提高肿瘤的控制率，降低因射程偏差导致肿瘤治疗不足或正常组织过度照射的风险。

    精确的剂量计算是质子放疗成功的关键。在制定治疗计划时，需要根据肿瘤的形状、大小、位置以及周围正常组织的情况，精确计算出每个部位应接受的质子剂量。SPR 作为剂量计算模型的关键输入参数，其准确性直接影响剂量计算的精度。

    在复杂的肿瘤治疗场景中，如头颈部肿瘤，涉及到骨骼、肌肉、腺体等多种不同组织，双能量 CT 能够准确获取各组织的 SPR，为剂量计算软件提供更精准的参数。这使得剂量计算软件能够更精确地模拟质子在不同组织中的能量沉积过程，生成更符合实际需求的剂量分布方案。不仅能够提高肿瘤靶区的剂量覆盖均匀性，确保肿瘤细胞得到充分照射，还能更好地保护周围的重要器官，如眼睛、脑干等，降低并发症的发生概率，提高治疗的安全性和有效性。

    制定质子放疗计划时，医生需要综合考虑众多因素，包括肿瘤的具体情况以及周围危及器官的分布等。双能量 CT 生成的 SPR 信息为医生提供了更丰富、准确的组织特性数据，帮助医生更清晰地了解肿瘤及其周围组织的详细情况。

    基于这些详细信息，医生可以更科学地选择质子束的入射角度、能量以及照射野的大小和形状等参数。例如，对于靠近重要血管或神经的肿瘤，通过双能量 CT 精确的 SPR 数据，医生能够更精准地调整质子束的路径和剂量分布，在有效治疗肿瘤的同时，最大程度减少对这些关键结构的潜在损伤，制定出更个性化、更优化的治疗计划，提高患者的治疗效果和预后。

    SPR是质子放疗计划中不可或缺的关键参数，直接决定了质子放疗的精准性和有效性。而双能量 CT 技术的应用，为 SPR 的精确获取提供了创新且有效的解决方案，从原理到实践，全方位提升了质子放疗计划的质量。通过降低射程不确定性、提高剂量计算准确性以及优化治疗计划制定，双能量 CT 生成的 SPR 显著增强了质子放疗的安全性和有效性，为肿瘤患者带来了更优质的治疗方案。

    随着技术的不断发展与创新，未来双能量 CT 在 SPR 测定及质子放疗中的应用有望进一步拓展和深化。例如，与人工智能技术相结合，实现更快速、更精准的 SPR 计算和治疗计划优化；探索新的成像模式和算法，进一步提高 SPR 的准确性和可靠性。这些发展将推动质子放疗技术迈向更高的发展阶段，为肿瘤精准治疗提供更坚实的技术支撑，造福更多肿瘤患者。

    2. 新冠肺炎：放射学：病理学新认识

    新冠肺炎的放射学和病理学表现是由基于病毒毒性和免疫病理效应的上皮和内皮损伤引起的。轻度和可逆性新冠肺炎的病理特征包括非特异性肺炎或机化性肺炎（organizing pneumonia）模式，而潜在致命和不可逆性新冠肺炎的病理特征是弥漫性肺泡损伤，继发纤维化或急性纤维性机化性肺炎（acute fibrinous organizing pneumonia）。这些在新冠肺炎中观察到的上皮损伤的病理反应并非SARS-CoV-2特有，而是对病毒性肺炎的普遍反应。与其他类型的病毒性肺炎相比，新冠肺炎的内皮细胞损伤是一个显著特征，包括不同程度的各种血管异常，包括肺血栓栓塞、血管充血、外周血管减少、血管树芽（vascular tree-in-bud）模式和肺灌注异常。胸部CT采用不同的成像技术（如CT定量、双能CT灌注）可以充分捕捉上皮和内皮损伤的各种表现。CT可以帮助确定预后并识别有恶化风险的患者。

    截至2023年5月3日，新冠肺炎疫情已在全球范围内传播，导致至少7.65亿确诊病例和690万全球死亡。自从新冠肺炎疫苗的迅速开发和使用以来，世界上71%的人口已经接受了至少一剂疫苗。然而，即使是完全接种疫苗的个人，也可能发生疫苗突破性感染，即在完成初级疫苗接种系列后至少14天感染 SARS-CoV-2，因为完全接种疫苗对预防疾病并非100%有效。尽管如此，即使出现突破性感染，完全接种疫苗的人的病程和并发症也不那么严重。由于SARS-CoV-2在病毒复制过程中的基因变异，在整个疫情期间，世界各地都报告了SARS-CoV-2的几种变异株，其传播性和治疗和疫苗的逃避性增加（如德尔塔变异株和奥密克戎变异株）。幸运的是，最新引起关注的奥密克戎变异株主要累及近端气道，毒性较小，因此住院率、重症监护病房入院率和死亡率较低。

    胸部影像学检查在缩小鉴别诊断范围、检测并发症和潜在预测新冠肺炎患者方面发挥着重要作用。自疫情发生以来，放射科医生通过确定新冠肺炎的CT表现，对新冠肺炎作出了迅速反应，包括有或无增强的磨玻璃样变（GGO），有小叶内线的GGO（即疯狂铺路（crazy paving）外观），以及外周和双侧分布的反晕征（reverse halo sign）或其他机化性肺炎表现。这些典型调查结果被纳入标准化报告系统，如RSNA分类和新冠肺炎报告和数据系统（CO-RADS）。新冠肺炎的典型CT表现可能与鉴别诊断的CT表现重叠（即隐源性机化性肺炎或流感性肺炎），指南建议不要将 CT 扫描用于 新冠肺炎的一线诊断。尽管如此，胸部CT有助于处理仅基于PCR测试诊断具有挑战性的病例。胸部影像学检查还有助于检测新冠肺炎相关并发症，如肺血栓栓塞症、新冠肺炎以外的并发肺炎和心力衰竭，尤其是当新冠肺炎患者的临床症状或体征突然恶化时。胸片和CT对肺炎程度和特征的评估可用于新冠肺炎患者的预后。

    本章旨在综述新冠肺炎上皮和内皮损伤的病理学表现与SARS-CoV-2感染的相应放射学发现之间的关系。

    新冠肺炎的两种不同病程取决于病毒损伤和免疫反应。尽管新冠肺炎患者的临床病程不同，且这种差异的机制尚未完全了解，但他们主要可分为两个不同的病程。大约70%-80%的新冠肺炎患者症状轻微，预后良好，并且在胸部影像学检查中主要为磨玻璃样变。其他20%-30%的患者患有中重度新冠肺炎，有发展为急性呼吸窘迫综合征（ARDS）的风险。这些患者在胸部影像学检查时可能出现呼吸困难、广泛GGO和实变的症状和体征。虽然将新冠肺炎分为这两种病程，但它们之间可能有相当大的重叠，最初表现为轻度的新冠肺炎可能会发展为严重疾病。出现不良结果（如ARDS和死亡）的风险因素包括年龄较大、男性、当前吸烟、高体重指数（>25kg/m2）、合并症（如高血压和糖尿病）、呼吸窘迫症状或体征、叠加细菌感染、存在放射学检查异常，实验室检测结果异常（如白细胞计数下降，乳酸脱氢酶、直接胆红素、C反应蛋白和d-二聚体水平升高）。

    尽管SARS-CoV-2的直接细胞毒性会引发肺实质损伤，但病毒引发的免疫反应也是这两种不同病程的原因。尽管在受损的肺组织中发现了SARS-CoV-2，但病毒损伤本身无法解释病毒的存在（如病毒RNA或蛋白质所示）与肺损伤之间的时间和空间脱节，也不能解释抗炎治疗（如皮质类固醇和白细胞介素6阻断）对死亡率的益处。几项尸检研究报告，严重新冠肺炎死亡患者的病毒增殖或复制很少，同时活跃的炎症反应失调，表明尽管病毒得到控制，但在重症新冠肺炎期间免疫反应和肺损伤仍在持续进展。

    急性肺损伤肺间充质反应的病理生理特征。急性损伤的病理生理肺实质反应在包括SARS-CoV-2在内的多种损伤原因中相似。组织是对肺部损伤的常见一般反应，其病理特征是肺泡壁中肺泡血管屏障损伤引起的成纤维细胞增殖。基底膜（basement membrane）是肺泡血管屏障的正式术语，是一层与肺泡上皮和毛细血管内皮细胞融合的特殊细胞外基质薄层。它具有屏障、区隔、选择性过滤和各种生长因子和细胞因子储库的功能。肺组织是由富含蛋白质的渗出物通过基底膜渗漏到肺泡间隙开始，随后成纤维细胞从间质迁移，成纤维细胞分化为肌成纤维细胞，并形成有组织的成纤维细胞组织和纤维组织（表）。

    表 新冠肺炎患者上皮、内皮和气道损伤的主要临床、放射学和病理学特征。CT检查时的机化性肺炎模式：（a）外周和血管周围分布的GGO和小面积实变，以及（b）具有间质增厚（即疯狂铺路外观）、小叶周围不透明或反晕征的GGO。无肺泡血管基底膜破坏的非特异性支气管肺炎或机化性肺炎。严重且不可逆转的病程，称为急性呼吸窘迫综合征。CT检查的弥漫性肺泡损伤或急性纤维蛋白机化性肺炎模式：（a）各种弥漫性肺泡损害模式，包括渗出期、增殖期和纤维化期；（b）在弥漫性肺泡损伤的渗出期和较不常见的增殖期报告GGO；（c） 在弥漫性肺泡损伤和急性纤维蛋白机化性肺炎的增殖期和纤维化期更常见的实变；（d）在弥漫性肺泡损伤和急性纤维蛋白和组织性肺炎的增殖期和纤维化期，肺坠积部分明显的实变和GGO，次级小叶保留，以及纤维化（网状、牵引性支气管扩张和体积减少）。弥漫性肺泡损伤或急性纤维蛋白和组织性肺炎，伴有肺泡血管基底膜破坏；常见的并发症包括伴有或不伴有血栓形成的血管损伤、毛细血管扩张和充血、间质水肿和支气管肺炎。外周和中心肺血管均受影响；无深静脉血栓形成的原位形成肺血栓栓塞。SARS-CoV-2引起的凝血酶原凝血异常

    5 mm2或更大的扩张或弯曲的节段和亚节段肺血管。血管壁的炎症损伤和水肿，因生理性缺氧性血管收缩失败而导致相应肺血管血流量增加的充血，或SARS-CoV-2受影响微血管附近的继发性血管扩张。微循环中断，血管收缩失调导致血管阻力增加，或微血栓或组织损伤导致血管闭塞。具有分支不透明的小叶中心结节（作为一种延伸到气道的感染性疾病）。微血栓形成和纤溶能力下降引起的外周肺血管突出。各种形状（楔形、斑点或混合型）和模式（肺阴影区缺血或阴影周围充血）的灌注异常。缺氧性血管收缩、微血栓或毛细血管减少。新冠肺炎支气管扩张症急性后遗症、支气管壁增厚和空气潴留。肺泡血管基底膜的完整性对于确定损伤的肺实质是否已重塑为正常结构或被纤维组织取代至关重要。如果基底膜完好无损，受伤的肺组织在去除成纤维细胞的同时进行再上皮化和再内皮化，最终恢复正常的肺结构。相反，如果基底膜被破坏，塌陷的肺泡会引发持续的成纤维细胞活化。这种现象加强了组织成纤维细胞组织的形成，细胞外基质积累，导致纤维化的建立。这些连续的病理性肺实质反应以急性肺损伤为代表，根据急性至亚急性损伤和急性肺损伤程度之间的时间差异，可以显示弥漫性肺泡损伤、急性纤维蛋白和机化性肺炎以及机化性肺炎的组织学谱。

    通常，弥漫性肺泡损伤是与ARDS相关的急性肺损伤中最严重的放射学和组织病理学类型。它是由肺泡血管基底膜损伤和破坏引起，导致液体和渗出物迁移。弥漫性肺泡损伤由三个组织病理学阶段组成：急性期（渗出期；1周内），肺泡内透明膜形成和水肿，以及肺泡壁增厚，放射学表现为弥漫性GGO和前后位密度梯度的实变；亚急性期（增殖期；1周后），其特征是纤维蛋白的微观组织，随后是成纤维细胞的迁移、松散胶原的增殖和分泌，以及透明膜掺入到空隙、肺泡管和肺泡壁中的纤维组织中；数周至数月后），通过间质纤维化进行结构重塑。坠积性占主导地位的GGO和实变，代表肺组织和肺泡塌陷和纤维化变化，包括网状和牵引性支气管扩张，在亚急性和慢性阶段发展。急性纤维蛋白机化性肺炎是急性肺损伤的一种独特的组织病理学模式，从弥漫性肺泡损伤到机化性肺炎。反映这一点的是，急性纤维蛋白机化性肺炎的放射学谱与其相应的临床病程一致：急性暴发性临床病程中的弥漫性肺泡损伤模式和亚急性惰性病程中的机化性肺炎模式。其特征是肺泡内纤维蛋白沉积形成纤维蛋白球斑块，并通过纤维蛋白聚集体的成纤维细胞迁移和胶原分泌组织肺炎，没有典型的透明膜和嗜酸性粒细胞增多症。然而，在临床病程、放射学和病理学表现方面，急性纤维蛋白机化性肺炎与弥漫性肺泡损伤或机化性肺炎之间存在大量重叠。机化性肺炎在肺泡管和远端空腔有一簇肥大的成纤维细胞和胶原组织。机化性肺炎主要表现为外周或支气管血管周围GGO和实变，伴有反晕或小叶周围阴影，通常从一个薄壁组织转移到另一个薄壁细胞。

    轻度型新冠肺炎的放射学和病理学相关性。当SARS-CoV-2传播给宿主时，病毒优先通过血管紧张素转换酶II受体感染II型肺泡上皮细胞，已知该受体是病毒的主要入口。之后，单核细胞释放细胞因子，诱导肺细胞凋亡并募集巨噬细胞。募集的巨噬细胞增加毛细血管通透性，随后中性粒细胞在间质和肺泡间隙募集和聚集。通过一系列的炎症级联反应，血液中的各种蛋白质迁移到间质和肺泡间隙，引起间质和肺泡水肿。

    在大多数情况下，轻度新冠肺炎患者的病程是可逆的，不会发展为ARDS。先前描述的炎症过程不会继续并破坏肺泡血管基底膜。相反，早期新冠肺炎的组织病理学结果通常表现为非特异性肺炎或机化性肺炎模式：II型肺细胞增生、间质炎症、蛋白渗出的肺泡内水肿和最终组织（ultimate organization），但无纤维蛋白或透明膜，仅有少量纤维化。渗漏的炎性细胞和纤维蛋白的沉积可以短暂形成肺泡内组织成纤维细胞组织，但最终通过上皮细胞增殖得到解决和重塑。

    根据这些组织病理学发现，与机化性肺炎相一致的CT模式是轻度新冠肺炎患者的主要特征。高达50%-70%的轻度新冠肺炎患者经常报告有外周或支气管血管周围分布的GGO和小面积的实变，代表了CT上的机化性肺炎模式。肺实质纤维化可能表现为机化性肺炎的CT表现之一，如小叶周围增厚、牵引性支气管扩张或局灶性体积减少。其他报道的轻度新冠肺炎患者的CT特征包括GGO伴间质增厚（即疯狂铺路征外观）、小叶周围GGO和反晕征。轻度新冠肺炎的这些CT特征相对难以与隐源性机化肺炎或继发性机化性肺炎模式与其他原因区分开来，例如流感肺炎，提醒我们机化肺炎模式并非新冠肺炎特有，而是对肺损伤的一般反应。

    中重度进展期新冠肺炎的放射学-病理学相关性。在中重度新冠肺炎中，炎症级联破坏了肺泡-血管基底膜，使患者面临进展为ARDS的风险。在病理检查中，潜在致命性新冠肺炎患者最常报告渗出期弥漫性肺泡损伤（高达88%），其次是增殖期至纤维期弥漫性肺损伤和急性纤维机化性肺炎。然而，弥漫性肺泡损伤的高比例并不仅限于致命的新冠肺炎，在严重急性呼吸综合征和H1N1流感中也观察到了类似的比例。严重新冠肺炎患者渗出期弥漫性肺泡损伤的特征是血浆中的纤维蛋白聚合形成透明膜，纤维蛋白聚合渗入间质和肺泡腔内，伴有肺泡水肿、红细胞外渗和肺泡内炎性细胞浸润（如中性粒细胞）。弥漫性肺泡损伤的增殖期和纤维化期由强烈的成纤维细胞和肌成纤维细胞募集和增殖以及随后的细胞外基质沉积组成，导致实质重塑（Parenchymal Remodeling）和肺纤维化。这些晚期的其他特征包括肺细胞鳞状化生、多核巨细胞的存在和小肺动脉（直径1-2 mm）血栓形成，稍后将讨论新冠肺炎的内皮损伤。

    即使在中重度病程的患者中，GGO和实变也是新冠肺炎的主要CT表现。然而，与轻度新冠肺炎的GGO病理结果和实变不同，弥漫性肺泡损伤或伴有或不伴有血管损伤和血栓形成的急性纤维蛋白机化性肺炎是重度新冠肺炎的主要组织病理学表现（6）。例如，GGO更常见于渗出期弥漫性肺泡损伤，而实变更常见于增殖期至纤维化期弥漫性肺泡损伤或急性纤维蛋白机化性肺炎。肺坠积部分明显的GGO和实变，次级小叶保留，以及纤维化的表现（如网状、牵引性支气管扩张和体积减少）是增殖期和纤维化期的特征性CT表现。除了弥漫性肺泡损伤和急性纤维蛋白机化性肺炎外，伴有或不伴有血栓形成、毛细血管扩张和充血、间质水肿和支气管肺炎的血管损伤也会导致广泛实变。

    新冠肺炎的肺上皮损伤是SARS-CoV-2的直接毒性和取决于宿主对病毒的敏感性的免疫反应引起。肺泡-血管基底膜完整性是关键决定因素，新冠肺炎的组织病理学表现具有多样性，包括非特异性炎症、机化性肺炎、急性纤维蛋白机化性肺炎和作为肺损伤一般机制的弥漫性肺泡损伤。相反，潜在致命和不可逆的新冠肺炎在病理上对应于弥漫性肺泡损伤或急性纤维蛋白机化性肺炎，伴有或不伴有血管异常，放射学表现为广泛的GGO和实变。同样，新冠肺炎的这两个临床病程之间的放射学和病理学检查结果可能重叠，并且并非相互排斥。

    SARS-CoV-2引起的上皮损伤的组织病理学结果被认为与其他原因（如流感）的结果无法区分。越来越多的证据表明，肺血管内皮损伤与早期疾病过程中的上皮损伤一起发生，是新冠肺炎的一个非特异性但显著的特征（表）。内皮损伤是了解新冠肺炎临床病程、ARDS发病机制和新冠肺炎多器官衰竭的关键因素。一些研究报告了严重的新冠肺炎患者伴有低氧血症，但肺顺应性保持不变，这表明存在另一个过程，而不是肺泡损伤，内皮损伤是这类低氧血症的关注中心。新冠肺炎中的内皮细胞损伤可发生在任何大小的血管中，从毛细血管到大血管，表现为内皮炎、血栓栓塞、肺梗死、血管周围炎症或受损内皮细胞引起的肺泡内纤维蛋白沉积。例如，文献中的研究报告称，新冠肺炎病理标本中肺泡毛细血管微血栓的发生率为57%，静脉血栓栓塞的发生率是12.8%-23.9%，包括7.1%-16.5%的肺血栓栓塞和11.2%-14.8%的深静脉血栓栓塞，在重症监护室中，静脉血栓栓塞症的发病率尤其增加到22.7%-30.4%（包括肺血栓栓塞症13.7%-24.7%）。

    新冠肺炎患者内皮细胞损伤的病理特征。与上皮损伤一样，对于可能致命的新冠肺炎的内皮损伤，提出了两个假设：直接病毒性细胞损伤和间接免疫介导损伤。直接内皮感染和随后的损伤会诱导内皮通透性和促凝血因子（如纤溶酶原激活剂抑制物1）或血管内皮生长因子的分泌，导致ARDS和血栓并发症，以及血管生成。然而，几项研究指出，血管紧张素转换酶II受体（主要的SARS-CoV-2细胞表面受体）在内皮细胞中没有显著表达，内皮对SARS-CoV-2感染具有高度抵抗力。更具体地说，呼吸道上皮细胞的病毒感染抑制干扰素信号通路（如I/III型干扰素），降低病毒清除率；然后，持续的高血病毒载量上调细胞因子和趋化因子（如白细胞介素6和肿瘤坏死因子α）的产生，并激活补体系统。这些机制诱导内皮功能障碍和损伤，持续的血小板聚集和活化，血管收缩和内皮屏障破坏，最终导致肺血管炎症、血栓形成和迁移到肺泡间隙。

    新冠肺炎中的明显血管异常可在放射学上表现为肺血栓栓塞、血管充血、外周肺血管减少、血管树芽模式和肺灌注异常。

    肺血栓栓塞是新冠肺炎患者血栓前凝血异常的主要表现，导致发病率和死亡率增加。一项荟萃分析表明，肺血栓栓塞症和深静脉血栓形成的合并发病率分别高达16.5%和14.8%。更严重的疾病，如危重状态或进入重症监护室，与更高的肺血栓栓塞发病率相关。有趣的是，只有42%的肺血栓栓塞患者有深静脉血栓形成，肺血栓栓塞更常见于外周动脉，而不是中心动脉（40%）。这些发现表明肺血栓栓塞是原位形成的，不同于肺血栓栓塞和深静脉血栓形成之间传统的不可分割的关系。

    一些研究人员一直报告称，新冠肺炎大流行早期肺血管充血，新冠肺炎患者的患病率为69%。血管充血（扩张或弯曲的形态学特征）通常在5 mm2或更大的节段和亚节段肺动脉或小动脉中观察到。充血的血管通常穿过外周GGO或围绕其周围，并被认为反映了肺泡间隔毛细血管充血，其原因是血管通透性增加，随后肺间质水肿。假设血管充血在病理上可归因于促炎因素引起的血管壁损伤和水肿，以及相应肺血管血流量增加引起的充血。这些血管变化可以反映由于微血管血栓形成导致的SARS-CoV-2受影响微血管附近的功能失调和弥漫性炎症或继发性血管扩张（即充血）引起的生理性缺氧性血管收缩的失败。在临床方面，肺血管充血的新冠肺炎患者住院和通气时间更长。

    根据之前通过Hounsfield单位阈值或基于深度学习的方法使用自动肺血管分割的研究，新冠肺炎患者小于5 mm2（即BV5；对应于1.25 mm的直径）的血管中的肺血容量（BV）减少，而5-10 mm2（即BV5-10）和大于10 mm2（BV10）的血管体积增加。外周小血管的减少被认为是由病毒诱导的微循环破坏、血管收缩失调导致的血管阻力增加或微血栓或组织损伤导致的血管闭塞引起。就新冠肺炎患者的预后而言，BV5%（BV5占总BV的比例）是预测新冠肺炎患者不良结局（插管或死亡）的预后因素。在最近的一项研究中，奥密克戎变异株的BV5%高于德尔塔变异株，这表明奥密克戎变异株对肺血管的影响较小。虽然新冠肺炎患者的BV5下降幅度大于常规ARDS患者和健康人，但这并不是新冠肺炎的独有特征，在其他疾病中也可以观察到，包括流感肺炎、特发性肺纤维化、慢性阻塞性肺病和哮喘。与这一概念一致，新冠肺炎患者的舌下血管密度（sublingual vascular density，代表内脏微血管）显著降低了90%，而危重患者仅限于微毛细血管（直径4-6μm）。

    血管树芽模式（Vascular Tree-in-Bud Pattern）。CT中的血管树芽模式通常用于描述沿气道延伸的感染状况，在RSNA分类中被认为是非典型的CT表现。尽管一些研究报告了肿瘤血栓形成的这种模式，Patel等人首次将严重新冠肺炎的血管树芽模式作为特征模式。新冠肺炎高凝性血管病加重的外周肺血管，纤溶能力降低，并导致微血栓形成，假设在CT上表现为血管树芽模式。然而，直接的放射学病理匹配仍然没有得到充分的探索。有趣的是，该CT发现与新冠肺炎患者更长的通气时间和住院时间相关，突出了其预后价值。

    血管树芽模式反映了外周BV的增加，并且可能与上述BV5的减少相矛盾。然而，血管树芽模式是一种局灶性放射学表现，而BV5的血管体积分析涉及整个肺血管系统。即使血管树芽模式局部存在，也可能不会显著影响整个肺外周血管系统。对这种CT模式的直接放射学病理学比较的进一步研究将澄清这一迄今尚未解决的问题。

    新冠肺炎双能CT经常报告肺灌注异常。异常灌注表现为各种形状，包括楔形、斑点或混合模式，以及各种灌注模式，包括与肺阴影区域相对应的缺血和阴影周围充血。新冠肺炎的这种异常灌注通常伴随着近端和远端肺血管充血，主要是在肺阴影区域内或周围，推测是由于生理性缺氧性肺血管收缩失败所致。肺灌注异常与肺栓塞和气道异常明显，假设的原因也是缺氧性血管收缩、微血栓或毛细血管减少。临床上，肺灌注异常与通气灌注不匹配和缺氧有关。

    与新冠肺炎患者的肺泡上皮或内皮损伤相比，对气道损伤和变化的讨论较少，但一些放射学研究报告称，10%-20%的新冠肺炎患者，尤其是危重患者出现支气管扩张和支气管壁增厚。对于有持续症状的患者，如新冠肺炎急性后遗症，CT上观察到的明显空气潴留占总肺容量的25%-35%。空气滞留的比例根据最初的疾病严重程度没有差异，但明显高于健康对照组。由于血管紧张素转换酶II受体在包括小气道在内的整个气道中表达，因此推测病毒直接感染和损伤气道，导致累及空气滞留的功能性小气道疾病。SARS-CoV-2引起的空气滞留的确切病理生理过程尚未确定。然而，一项报告严重急性呼吸综合征患者小气道和胸膜下空腔纤维肉芽组织增殖的研究暗示了这种气道异常。在其他严重的病毒性疾病中，引起感染后闭塞性细支气管炎的免疫反应被推测是这种小气道异常的另一种机制。

    新冠肺炎引起的上皮和内皮损伤的临床意义。如前所述，由于直接病毒感染和间接免疫病理效应，新冠肺炎的上皮和内皮损伤同时但独立发生。对于上皮损伤，完整的肺泡血管基底膜对于确定肺损伤的组织是否得到解决和可逆（通常表现为机化性肺炎模式）或肺损伤是否继续弥漫性肺泡损伤（临床表现为ARDS）至关重要。关于内皮损伤，几种CT检查可用于检测和明确不同直径肺血管中新冠肺炎肺血管病的各种表现：内皮炎、血管收缩、微血栓，外周亚段动脉中毛细血管减少的情况可以使用CT定量技术（如BV5）或双能量灌注CT（如病变缺血和病变周围充血）来描述。节段至大动脉中的血管充血和肺血栓栓塞可以在常规CT和增强检查中很容易地检测到。

    关于上皮损伤，单独的CT检查结果不能提供具体的病理结果，但可以反映轻度可逆性异常与严重进展性异常是否更容易发生。例如，与轻度缓解性肺炎相比，严重进展性新冠肺炎可更广泛地累及肺实质。由于成像模式能够描述SARS-CoV-2影响的实质程度，使用平片和CT进行的严重程度评分与住院、重症监护室入院、机械通气和死亡率等结果相关。随着近年来的快速发展，人工智能在各种临床任务中被应用于新冠肺炎，包括在连续胸部CT中量化肺炎程度，检测变种之间的CT表现差异，在胸部影像学检查中测量肺部疾病严重程度，以及预测患者预后。人工智能方法的结果在检测新冠肺炎的临床相关变化以及在真实临床环境中对患者进行分诊方面具有潜在的前景。

    从治疗的角度来看，胸部CT可以提供上皮或内皮损伤的信息，从而有助于新冠肺炎患者的管理。在病毒复制阶段，干预病毒复制的抗病毒药物（如雷德西韦）等治疗可以有效地截断疾病进展，并通过降低病毒载量加快新冠肺炎的改善。如果严重炎症已经发生，地塞米松等抗炎药可以帮助降低严重新冠肺炎患者的死亡率。抗纤维化药物可用于CT诊断为不可逆纤维化的患者，尽管其使用仅在病例报告或系列报告中有报道。如果在CT上发现新冠肺炎血管病变，则需要使用抗凝剂和抗补体药物。伴随着这一治疗观点，根据肺泡上皮和内皮损伤的胸部影像学表现，也可以对新冠肺炎患者进行预测。这种对新冠肺炎放射学和病理学发现的综合观点可以促进及时和适当的治疗策略。

    需要考虑的一个重要问题是，作为SARS-CoV-2主要毒株的新冠肺炎的代表性CT表现和影像学严重程度发生了变化。例如，Omicron变异株，其CT阴性异常和新冠肺炎的非典型模式更为常见，包括肺实质改变和肺血管受累程度越来越轻，但支气管血管周围病变和支气管壁增厚的发生率高于Delta变异株，并且这些CT模式与奥密克戎变异株患者的住院结果改善相关。奥密克戎变异株中频繁的非典型模式可能与细胞嗜性的变化和SARS-CoV-2向支气管组织而非肺实质的有效复制有关。

    在新冠肺炎中，胸部影像学检查结果反映了超出解剖分辨率的病理变化。轻度新冠肺炎表现为磨玻璃样变为主的病变，累及范围相对有限，病理学表现为机化性肺炎模式或非特异性支气管肺炎。潜在致命性新冠肺炎通常表现为更广泛的混合型至实变为主的病变，病理上表现为弥漫性肺泡损伤或急性纤维蛋白机化性肺炎模式。虽然胸部影像不能直接描述肺泡-血管基底膜的完整性，但影像特征有助于分层新冠肺炎的病程，以确定其是否可以逆转或不可逆转。除了新冠肺炎的上皮损伤外，内皮损伤被认为是急性呼吸窘迫综合征的主要原因。现代先进的CT成像可以显示新冠肺炎中这些上皮和内皮损伤的各种表现，有助于在未来呼吸道相关大流行发生时缩小鉴别诊断范围，识别有恶化风险的患者，预测新冠肺炎，及时了解其病理生理特征。

    SARS-CoV-2的直接毒性和免疫反应导致新冠肺炎患者肺上皮损伤；该病可分为两类，部分重叠：轻度和严重进展性新冠肺炎。

    轻度新冠肺炎的组织病理学表现为非特异性肺炎或机化性肺炎；在CT上，这些对应外周或支气管血管周围分布的磨玻璃样变（GGO）和代表机化性肺炎的小面积实变。

    在严重进展的新冠肺炎患者中，急性纤维蛋白机化性肺炎和弥漫性肺泡损伤是主要的组织病理学特征；在放射学图像上，这些对应于GGO（渗出期弥漫性肺泡损伤）和实变（增殖期至纤维化期弥漫性肺泡损伤或急性纤维蛋白机化性肺炎）。

    内皮损伤是新冠肺炎急性呼吸窘迫综合征发病机制的关键因素，可导致肺血栓栓塞、血管充血、周围血管减少、血管树芽模式和灌注异常。

    我们从几岁开始衰老？你可能想象不到！

    衰老的速度是由促进退化的因素和抵消退化的因素之间相互作用的结果决定的。主要的抗衰老过程是生物更新，即细胞分子结构的不断替换，其作用是维持天然的分子结构并在损伤后恢复。研究发现，人类的衰老是自然过程，而且在人的早期就已经开始。

    （A）使用Epanechnikov内核进行年龄的局部线性回归。没有添加其他控件。Silverman的经验法则规定了2.6y的带宽。（B）使用三阶多项式对年龄参数规范进行多变量估计所隐含的年龄模式，虚线报告95%CI（两个虚线）。

    2020年一项研究，分析了过去125年间认知表现的生命周期曲线及其动态的若干见解。显示了生命周期的表现模式。在整个生命周期中，大脑性能呈现出驼峰状的模式。在20岁出头之前，个人表现急剧上升，然后达到一个稳定期，在35岁左右达到峰值，在较高年龄段持续下降。

    对于大脑的影像学研究，主要以磁共振成像为主，特别是超高场强的磁共振系统。

    MAGNETOM Terra 7T MRI。有学者基于高场强磁共振脑成像对脑年龄进行了量化，研究发现，基于影像学特征的脑年龄模型显示出评估衰老形态学效应的潜力。

    脑年龄模型建立考虑了三个定量指标：皮质厚度、标准化体积和灰白质比，与年龄呈显著线性相关（p<0.05）的指标在模型中被赋予非零权重。大脑皮质区域的ROI图显示了对照组中高（绿黄色）、中（橙色）、低（红色）和与年龄无关的区域。

    与年龄相关的1秒用力呼气量下降（FEV1）%预测图为20岁时最大呼气量与年龄的百分比。

    肺在20-25岁时成熟，此后衰老与肺功能的进行性下降有关。肺泡死腔随年龄增长而增加，在不影响二氧化碳清除的情况下影响动脉血氧。随着年龄的增长，呼吸道受体会发生功能性变化，对年轻人治疗同样疾病所用的药物不太可能产生反应。

    对于肺通气功能，可以使用双能量进行评估，研究发现，氙气增强的面积百分比与阻塞性通气障碍密切相关。如果需要了解肺血供情况，也可以使用双能量增强扫描进行评估。

    单纯COPD（慢性阻塞性肺病）和IPF（特发性肺纤维化）通气缺陷的双能量图像分析。

    （A） COPD主要表现为局灶性氙气通气缺陷。（B） IPF单独显示轻度氙气通气减少，伴有多处缺陷，纤维病变中弥漫性通气不足导致体积损失。

    冠状动脉钙化最早可能发生在生命的第二个十年，即脂肪条纹形成之后。对年轻成年人病变的实验室分析表明，晶体钙在脂质颗粒中聚集。

    对于钙化斑块的评估，有很多种方法可以采用。关于CT钙化积分的方法，参见:CT钙化积分：存在的问题与优化方法。

    无症状男性的冠状动脉钙流行率，10年事件风险和患病率/风险比。美国密苏里大学的Randall Thompson博士等人对时间跨度4000年的137具木乃伊进行全身CT扫描，结果发现动脉粥样硬化不仅在现代高发，古代人身上也有，研究人员在三分之一以上木乃伊上找到了动脉粥样硬化特征。

    A 阿留申群岛的一具女性木乃伊，生活年代是公元19世纪末，年龄4157岁，CT显示其右冠状动脉有钙化斑块。B 普埃布洛族的一具木乃伊，生活在公元1580-1550年，年龄4045岁，CT显示其左右冠状动脉均有斑块。研究人员对木乃伊骨结构的测算显示，木乃伊平均死亡年龄为43岁，年龄与动脉粥样硬化程度呈正相关。

    研究人员指出，动脉粥样硬化不仅在现代高发，在4000年前的木乃伊身上也很常见，这提示我们动脉硬化这个病也许并不是由饮食或生活方式导致，也可能是衰老引起的。

    总体而言，急性冠状动脉综合征（即急性心肌梗死、不稳定型心绞痛和冠状动脉猝死伴血栓）的钙化较少，与伴有或不伴有治愈心肌梗死的稳定型心绞痛患者相比，这些患者的钙化主要呈碎片状，后者往往表现为弥漫性片状钙化。

    Young RW. Pathophysiology of age-related macular degeneration. Surv Ophthalmol. 1987 Mar-Apr;

    3. 图像重建中的AI

    放射学已经见证了显著的技术进步。在所有的成像技术中，计算机断层扫描（CT）发挥着越来越重要的作用。CT已成为多种疾病的首选成像方式。自1972年作为一种医学成像技术引入以来，CT软硬件一直处于快速发展中（更多内容参见：回望：CT五十年（1968-2018））。早期的CT设备速度较慢，主要是因为它们需要很长的时间进行图像采集和重建，但是产生的图像分辨率很低。历史上，第一台CT的采集和重建时间为几分钟，而图像分辨率只有80×80像素。最先进的现代多排螺旋CT可在小于5秒的时间内对最苛刻的患者和临床设置进行全身成像，旋转速度低至0.25秒/圈，扫描覆盖范围达16厘米。一些扫描仪可以使用1024x1024矩阵重建亚毫米层厚的图像，在某些扫描仪上分辨率可以高达2048×2048。

    CT的技术革命可以从它在现代医学中的应用的统计数据来判断，有些人将CT称为“现代医学的听诊器”。1980年全球大约有300万次CT检查，最近的数据显示，2018年仅美国就执行了8870万次CT检查。这些数字表明，在过去40年里，CT扫描仪的使用量以每年6.5%的速度增长了30倍，仅在美国，每1000人中就有245次检查。在欧洲，每1000人中CT扫描的次数从芬兰的57次到卢森堡的218次不等，大约有13/27的国家报告每1000人中有100人以上。

    在1990年代后期，CT的使用越来越多，这引起了人们对CT对医学辐射剂量的巨大贡献的担忧。科学界和非专业媒体关注CT辐射诱发癌症的可能性。CT确实提供了必要的临床信息，有助于诊断、分期和管理决策。然而，它的过度使用或不恰当的使用与不必要的辐射剂量和偶然发现“无害”发现的风险有关，这可能引发进一步的成像和侵入性干预。为了减少和优化CT的辐射剂量，必须确保从CT获得的信息的预期收益大于单个患者的辐射剂量预测风险。在适当的情况下，通过使用超声和磁共振等其他成像方式，特别是育龄期女性和儿童，可以减轻辐射暴露的风险。根据CT的合理性，剂量优化或减少需要谨慎管理，对于使用相同扫描采集和重建技术执行的CT，降低辐射剂量的努力会增加图像噪声，从而降低图像质量。很少或没有噪声的图像通常涉及更高的辐射剂量，而没有额外的诊断信息。反之，过多的噪声或伪影会降低诊断内容。在每个身体区域内，可容忍的图像噪声量取决于临床适应症和异常类型。例如，肾绞痛的腹部CT可以在较低的辐射剂量下进行，因为高图像噪声不会损害肾结石的可见性。腹部CT对于低对比度、局灶性肝脏或胰腺病变的检测、分期和特征描述，与肾绞痛CT相比，需要低噪声、高辐射剂量的图像。这种临床适应症和需求的变化应该被用来优化或个性化全身各部位的CT辐射剂量。

    必须按照ALARA原则进行CT检查，该原则应包括根据身体区域、体型，以及进行成像研究的临床适应症，设置正确的扫描方案。多功能方法对于辐射剂量优化至关重要，以保持可接受的图像质量用于临床解释。大体上，这种方法可以归纳为病人和扫描仪依赖因素。重要的是要建立身体区域和临床适应症的特定CT方案。在每个方案中，适当使用具有经验和专业知识的可定制扫描参数有助于优化患者的辐射水平。对于扫描仪相关因素，不同的CT供应商通过修改扫描和重建参数（如管电流（mA）和电压（kV），探测器配置，机架旋转时间，机架旋转次数，图像体素大小，切片厚度，光束滤波器，重建卷积核和图像重建技术等）来改进技术，以优化辐射剂量，同时保持或改善图像质量。

    CT最近的主要创新焦点是图像重建，从20世纪70年代的第一代代数迭代重建（AR）方法到80年代到21世纪初的传统滤波反投影（FBP）技术，以及从2000年代后期开始的迭代重建技术（I-RT）。虽然迭代重建技术允许用户在保持或改善图像质量的同时，与FBP相比，用户可以减少辐射剂量，但对于低对比度异常的显著性损失以及图像外观或纹理的实质性变化，存在着一些担忧。近年来，人工智能（AI）开辟了新的领域医学和医学成像的可能性。在人工智能在放射学中的应用中，基于深度学习的图像重建技术显示出将辐射剂量降低到前所未有的水平的前景。来自哈佛大学麻省总医院的学者从辐射剂量优化的角度讨论了基于深度学习的CT图像重建技术的技术、应用、应用和局限性。

    在美国，由于医疗照射引起的总辐射剂量从20世纪80年代的15%增加到2006年的50%以上，并从2006年到2016年趋于平稳。根据Brenner等人在2007年的预测，大约1-2%的癌症可能是由接受CT扫描的患者引起的。然而，大多数这样的预测是基于低辐射剂量与致癌之间的线性无阈值（LNT）关系的有争议的剂量-反应曲线。LNT的批评者指的是针对低辐射剂量致癌的有效生物防御措施，如大多数CT诊断程序。几乎没有证据支持辐射剂量低于100mSv时人类会致癌（更多内容参见：ALARA原则之死；反复接受CT扫描的患者辐射剂量评估）。尽管存在争议，根据电离辐射生物学效应研究（BEIR-VII），辐射暴露与癌症风险成正比。两个潜在的易受辐射危害的人群包括较年轻的患者，他们在暴露后有较高的细胞更新率和较长的寿命，以及某些癌症更容易发生的女性。最近一项针对超过160000名儿童的研究表明，低剂量的CT电离辐射会增加患白血病和脑瘤的风险。

    为了优化辐射剂量并降低其相关风险，重要的是了解影响辐射剂量的关键患者相关因素，如体型、扫描部位和CT扫描的临床指征如何影响所需的诊断质量和辐射剂量。为了使用相同的图像重建技术保持恒定的图像质量，与较小的成人和儿童相比，体型较大的成人需要在较高的X射线管能量输出设置下进行扫描。与腹部相比，胸部等身体部位具有更高的对比度和更少的X射线束衰减，因此胸部CT扫描的剂量应低于腹部CT。影像学的临床适应症也决定了CT辐射剂量的大小。高对比度的情况，如肺结节随访和肾结石评估可以在低辐射剂量下进行评估。即使有相同的临床适应症，大体型，或较长的扫描长度可以增加辐射剂量。另一个与临床适应症相关的因素是多个扫描期相成像或需要更好空间分辨率的病变成像，这两种情况都会影响辐射剂量的降低程度。

    除了患者因素外，用户还必须深入了解如何使用扫描仪技术和扫描因子优化辐射剂量。当涉及到CT的方案和辐射剂量优化时，管电流和电压是关键的扫描因素。给患者的辐射剂量与管电流（毫安）和管电流-时间乘积（毫安-秒）成正比，修改管电流-时间乘积仍然是减少剂量的最常用方法。可以自动修改，也可以手动调整或选择固定值。与手动选择固定管电流相比，自动技术使用户能够根据指定的图像质量参数和被成像身体区域中患者的区域衰减来优化辐射剂量。用户必须仔细设置图像质量参数，因为无意或有意使用高图像质量要求会增加辐射剂量，与固定管电流技术相比。

    与管电流相比，管电压对碘造影剂的辐射剂量和CT衰减数（HU）有更深刻的影响。几种扫描仪上提供的自动管电压选择技术可以帮助扫描仪自动选择正确的管电压，同时在低辐射剂量下保持图像质量。随着自动管电压选择技术、强大的X射线管和更好的图像去噪方法的出现，在现代多排探测器CT扫描仪上，越来越多的CT检查是在较低的管电压（<120kV）下进行的。由于碘的K-边界，低千伏时对比度相关的HU和增强比高千伏时更好。这种独特的优势可以用来降低造影剂的剂量，如CTA和灌注检查，同时提高图像质量。然而，在较大的患者中，供应商间的异质性和低剂量CT检查中有限的信噪比有时会导致结构显示不充分。

    其他扫描因素，如机架旋转时间、螺距和探测器配置应根据速度和分辨率要求进行选择，而不是为了降低辐射剂量。对于在图像采集过程中无法保持静止的儿童和患者，更快的扫描有助于减少运动伪影和重复扫描的需要。对于此类患者，更快的机架旋转速度、更高的螺距和/或更宽的光束准直可以加快扫描时间，并有助于获得运动伪影较少的图像。对于大型患者，尤其是那些患有病态肥胖的患者，可能需要延长扫描持续时间，和/或延长机架旋转时间，以提供足够的辐射剂量并获得诊断质量的图像。同样，光束准直和探测器配置的选择取决于扫描模式和层厚的临床要求。在探测器排厚度可变的老式CT扫描仪上，较宽的光束准直可能无法提供薄层切片，这对于某些扫描协议（如CTA、高分辨率胸部CT和颞骨CT）可能是至关重要的。最佳探测器配置的选择也取决于扫描区域和扫描长度。

    自从发现并将CT扫描引入临床实践以来，FBP技术和许多现有扫描仪仍然是图像重建的首选方法。FBP提供足够的图像质量，而不需要对计算能力的实质性需求，这在上个世纪非常重要。然而，对于低辐射剂量CT，FBP图像上的图像噪声和伪影可以显着增加。为了解决低辐射剂量下FBP的这种局限性，2000年代早期计算能力的进步导致将I-RT引入临床实践。自推出以来，I-RT是我们和其他几个站点所有CT协议和检查图像重建的主要支柱。然而，一些医院使用I-RT对图像外观或纹理变化的担忧作为继续使用FBP的原因。为了解决对I-RT改变图像外观的担忧并进一步减少剂量，CT供应商最近推出了基于DL的图像重建技术。本章概述了CT中基于FBP，I-RT和DL的图像重建方法。

    CT图像重建的标准方法是利用多个图像数据在同一角度进行反投影。然而，这种方法导致生成的图像模糊，因此FBP技术被开发出来，在反投影之前使用高通滤波器来改变正弦图数据。通过在图像边缘创建负图像像素，基于FBP的图像重建忽略平坦区域来选择锐利的边缘。它代表了1970年制定的第一种AR技术的显著进步，并在临床成像中得到越来越多的应用。尽管使用了简单的数学，FBP工作不考虑计算数据的锥束几何结构，假设单个探测器单元无限小。即使在今天，由于其速度和可接受的图像质量，FBP仍然是大多数早期单探测器或少探测器排CT扫描仪到更大探测器阵列的图像重建的主导方法。然而，随着能够在更细的基体上生成更薄层厚的扫描仪的出现以及降低相关辐射剂量的紧迫性，基于FBP的图像重建技术由于伴随更高的图像噪声和伪影而变得不再是最理想的方法。

    针对基于FBP的图像重建方法的局限性，提出了基于正弦图和基于图像的迭代重建方法。迭代重建方法需要更高的计算能力，因此，通常在GPU上实现。迭代重建技术可分为混合迭代（HI-RT）和模型迭代（MI-RT）。在HI-RT中，对投影数据和图像数据进行迭代滤波，以减少伪影和图像噪声。第一个HI-RT包括IRIS（Siemens Healthineers）和ASIR（GE Healthcare）于2008年开发，上述方法在原始数据上使用了一个反投影步骤，而不是FBP中的多个步骤来减低噪声。随后，开发的其他HI-RT包括SAFIRE（Siemens Healthineers），ASIR-V（GE，Healthcare），iDose4（Philips Healthcare），KARL 3D（联像，中国上海），ClearView（东软医疗系统，中国沈阳）和AIDR3D（佳能医疗）。

    Veo（GE Healthcare）是第一个在正则化步骤中去除图像噪声的MI-RT，它将获取图像的先验模型与统计噪声和系统几何模型结合使用。MI-RT包含三个步骤：1）原始数据在横截面图像空间中的反向投影，2）图像空间数据的正投影计算人工原始数据，以及3）比较合成原始数据和真实原始数据以更新横截面图像。该过程重复多次，以尽量减少真实数据和合成原始数据之间的差异。其他MI-RT算法包括IMR（Philips Healthcare）和ADMIRE（高级模型迭代重建，Siemens Healthineers）。与HI-RT相比，MI-RT需要更高的计算能力和更多的重建时间。2016年，基于模型的前向投影迭代重建解决方案（FIRST，佳能医疗）开发了一种使用三维（3D）图像重建方法。FIRST在投影数据中使用正向和统计模型来提高空间分辨率和降低图像噪声。FIRST在正弦图和图像空间中联合优化图像质量。FIRST根据器官类型（如肺、心脏、腹部和骨骼）调整图像质量。

    一些单供应商和多供应商的研究报告了迭代重建技术相对于FBP的优势，在降低23-76%的辐射剂量负荷下，图像质量得到改善。相反，一些研究报告说，迭代重建方法生成的CT图像过于平滑（噪声较小），因此，并不优于FBP。

    与HI-RT相比，MI-RT具有更大的降噪和伪影减少潜力，因此，可以使CT扫描相关的辐射剂量得到更大的降低。一些研究报告称，在成人和儿童患者的一些常规和非常规临床指征和身体区域，MI-RT比HI-RT和FBP更能降低辐射剂量，同时保持图像质量。尽管大多数研究发现，与FBP相比，在低辐射剂量下，使用迭代重建技术可以获得更好的图像质量，但一些研究人员描述了低辐射剂量像分辨率和对比度分辨率的损失。由于其较强的去噪能力，与FBP和HI-RT相比，MI-RT还与图像纹理或外观的更大变化相关。

    除了命名和强度设置的不同，所有CT制造商之间在数据处理领域的I-RT方法也有很大的差异。大多数商业I-RT使用I-RT和FBP混合的HI-RT方法，而很少将I-RT应用于原始数据或sinogram域。这些变化导致了图像外观的差异，从客观图像质量的角度对物理学家和放射科医生提出了挑战。用图像噪声评价和估计图像质量的传统方法，与对比度噪声比和信噪比并不能提供一个充分的方法来评估I-RT的图像质量。在一些MI-RT和HI-RT的高强度下，图像噪声实际上可以接近于零，但这类图像通常被认为过于塑料化或像素化，不适合临床使用。

    使用传统的I-RT图像质量评估方法的关注也扩展到基于DL的图像重建技术输出的非线性图像。物理学家必须采用基于客观定量方法的新方法来评估临床相关质量。这可能涉及使用比传统图像质量模型更复杂的模型和度量。

    使用几种迭代重建技术改变的图像纹理和视觉外观已被不同程度地报告为斑点状、人工的、蜡状或塑性外观，其随着迭代重建强度的增加而恶化。减少剂量迭代重建时低对比度分辨率的丧失会影响腹部实体器官病变的评估。随着硬件和软件领域更好的计算能力、训练、验证和测试的数据可用性，基于人工智能的重建技术已成为CT图像重建的可行选择。

    ML系统致力于模式识别，需要在设计系统的第一个组件（称为特征提取器）方面拥有经验和专业知识。利用特征提取器可以将图像像素转换成合适的数据表示或特征向量。在特征提取之后，分类器（另一个关键部件）可以检测和分类输入模式。在机器学习的主流--深度学习（DL）中，深度神经网络使用多层人工神经元，能够对指定任务进行数学计算。不同的数学计算分别应用于定量成像和放射学，以及无监督和有监督的机器学习来添加诊断信息。DL可以处理许多数据，学习和利用人类能力之外的不同模型结构。当存在大量有标记和未标记的数据时，DL可以提取重要的特征，这些特征是特定任务的数据表示和输入。与传统的ML不同，学习数据表示的潜力消除了使用手工构建的DL特性的需要。DL在放射学中用于目标检测、图像分割和分类的应用越来越多。虽然DL的大多数应用都集中在图像分析上，但是DL在CT图像重建中找到了一个新的领域。

    DL算法可以细分为堆叠式自动编码器，深层Boltzmann机器，深层神经网络（DNN），卷积神经网络（CNN）等。预训练的基于DL的算法使用数据表示来生成图像编码以进行分类。基于DL的图像重建技术可以在低噪声水平下产生高质量的图像，甚至在更薄的切片上也可以执行更好的图像重建，这一直是FBP和某些迭代重建技术的固有局限性。

    受基于DL的图像重建算法令人鼓舞的结果的鼓舞，一些人提倡使用它们代替当前的图像重建技术。有多种设计基于DL的图像重建算法的方法的报告，包括使用在低剂量噪声CT图像上训练的CNN来生成具有常规标准剂量采集质量的图像，并使用先前的复杂函数来得出低剂量的图像，从而进行基于图像的重建保持分辨率的噪声图像。

    至少有两种市售产品，并且是美国食品药品监督管理局（FDA）批准的基于DL的图像重建算法-AiCE（佳能医疗系统）和TrueFidelity（GE Healthcare）。AiCE基于深层CNN，该深层CNN在高质量的CT图像上训练，该高质量的CT图像以高辐射剂量采集并用MI-RT技术重建。在使用投影数据进行训练期间，DCNN学习区分信号和噪声的统计方法，然后生成高信号图像作为输出。这些学习到的功能已合并到DCNN中，以备将来在测试数据上使用。对于常规CT，AiCE的平均重建时间为每秒30-40帧，但可以根据所应用的扫描因素（例如切片数量，切片厚度，重建卷积核，螺距和图像噪声）而有所不同。

    另一种基于深度神经网络的商业DL算法（True Fidelity（GE Healthcare））通过其深度神经网络输入高噪声投影数据，并在多个属性（例像噪声，低对比度分辨率、低对比度检测和噪声纹理（使用带有体环的MITA IQ LCD模体（纽约州塞勒姆Phantom Laboratory）进行测量的结果））中将输出图像与其低噪声版本进行比较。噪声纹理和低对比度病变的检测需要通过全面的患者研究来验证。显示了与常规剂量的FBP图像相比，使用基于DL的低剂量胸部和腹部CT重建图像的伪影和噪声降低。（低剂量：CTDIvol 1.1 mGy；正常剂量：9 mGy）和腹部（低剂量：CTDIvol 1.2 mGy；正常剂量：10 mGy）以120 kV，0.9：1的螺距，机架旋转时间0.5s自动进行曝光控制技术。在机构审查委员会批准并签署知情同意书后，两名患者均在正常和低剂量下进行了两次扫描。

    与低剂量FBP（A，E）和低剂量C-IR（商业/临床迭代重建）图像相比，低剂量FBP-DL胸部（C）和腹部（G）CT图像显示更好的去噪和伪影减少（B，F）。胸部（低剂量：CTDIvol 1.1mGy；正常剂量：9mGy）和腹部（低剂量：CTDIvol 1.2mGy；正常剂量：10mGy）以120kV，0.9:1螺距，机架旋转时间0.5s和自动曝光控制技术进行扫描。

    AiCE（轻度，标准和强度）和True Fidelity（低，中，高）技术都提供了三个强度预设，以控制重建图像中的降噪强度。重建时间会根据这些基于DL的算法的选定强度而有所波动。

    Tian等使用PixelShine（AlgoMedica PS），一种基于DL的算法，同时使用了大量的高剂量和低剂量CT，在骨盆对比增强的动脉期CT图像上发现更好的图像质量，高SNR和对比噪声比（CNR）训练数据。与供应商无关的PixelShine使用基于ML的方法来减少FBP图像上的噪声，而不会引起I-RT指出的图像纹理变化。Pan等人报道说，与某些HI-RT相比，在相同的降噪量下，该技术在噪声功率谱中的中心频移较低，或者在相同的中心频移下大部分降低。

    除了商用的基于DL的重建技术外，还有许多其他令人兴奋的CT图像重建方法。一些技术专注于通过欠采样测量提高图像质量。一般而言，DL重建方法可分为三大类：图像到图像、数据到图像和混合方法。对于图像到图像映射网络，训练的神经网络在不访问原始或正弦图数据的情况下将次优图像转换为可接受的图像质量；例如，使用基于图像的卷积神经网络（CNN）、深卷积神经网络（FBPConvNet）、基于小波变换的U-net，残差编码解码器CNN（RED-CNN）和denseNet反褶积网络（DD Net）。然而，这种图像到图像的网络通常用图像的先验信息来预测输出，这可能导致原始测量值与基于网络输出值合成的测量值不一致。

    数据到图像重建方法可以直接将测量数据转换成图像，如AUTOMAP。由于AUTOMAP使用完全连接的层，因此在实际中很难用高维测量来实现这一点。为了将拉冬数据转化为底层图像，提出了CT的iRadonMap方法。然而，这些深部网络容易受到扰动的影响，从而产生不稳定的结果。受压缩传感方法等迭代算法优点的启发，将特定的迭代方案展开到考虑成像几何的网络中是可行的，例如基于学习专家评估的重建网络（learned experts’ assessment-based reconstruction network，LEARN），流形和图形一体化卷积网络（manifold and graph integrative convolutional network），交替方向乘数法（alternating direction method of multipliers，ADMM）框架等。训练后的网络可以迭代使用，如学习的原始-对偶混合梯度（primal-dual hybrid gradient，PDHG）算法，动量网（momentum-Net），深层BCD网（deep BCD-net）。

    图像去噪通常是CT图像处理的第一步，需要在信号畸变很小的情况下进行。几种降噪的DL方法可用于诊断成像。Chen等人已经使用DCNN和虚拟的低剂量常规CT图像描述了用于训练（n = 200）和单独测试（n = 100）数据的高信噪比（SNR）。Du等人报告了一种改进的DCNN能力，使用多个堆叠的竞争块来构建广泛的竞争网络，并使用公开可用的癌症成像档案作为训练数据。Chen等人和Du等人都使用了来自国家癌症影像档案的头颅、胸部和腹部的随机CT图像。虽然这两个研究都使用泊松噪声加入训练原始数据，但最高的信噪比和最低的均方差报告了堆叠竞争网络。Kang等人的另一种方法是利用输入图像的小波变换，通过DCNN在小波域中去除图像噪声，通过小波变换得到图像输出。虽然在保持器官边界的腹部CT中，即使在25%的辐射剂量下，使用这种方法的图像噪声也降低了，但放射科医生报告说，图像纹理去噪后，图像质量退化。Fan等人提出了一种通过用二次神经元改变内部产品中的人工神经元的新方法，取得了较好的效果。说明了基于网络的低剂量CT图像去噪。

    使用滤波反投影（FBP；A）重建的CT腹部的造影后低剂量图像的去噪方法，以基于深度学习的图像重建（DLR；C）产生更好的图像质量。标准辐射剂量（B）的横向CT图像显示可接受的图像质量。在具有100kV和213mA的64层MDCT上获得标准/正常剂量图像，CTDIvol为5.2mGy。低剂量CT图像是从正常剂量CT的图域中的投影噪声获得的，以模拟正常剂量的25%的数据。

    体模研究表明，基于DL的图像重建在低剂量CT上的图像质量和病变检测方面优于其他迭代重建技术，因为低剂量MI-RT图像上不容易看到低对比度病变的可检测性。相反，当CT在高辐射剂量下进行时，高对比度病变在MI-RT图像上的描绘更好，因为与基于DL的图像重建IR生成的图像相比，高剂量下的MI-RT图像显示了高对比度病变的锐利的边界。Racine等人将FBP、I-RT（ASiR-V，GE）和基于DL的重建（DLIR，GE）与一个定制的25 cm直径模型（包含三个10 cm插入物，模拟100-120 kV下的−100至1250 HU）进行了比较。他们估计了噪声功率谱、噪声幅度比、靶向传递函数（对比度相关的空间分辨率）和可检测性指数（以评估噪声和对比度相关空间分辨率的联合作用），以模拟腹部异常，如阑尾炎、憩室炎和钙基肾结石。后者是用前置白化眼睛滤波器（nonprewhitening with eye filter，NPWE）模型观察者方法估计的。在不同剂量水平（CTDIvol 1、3和7 mGy）下，DLIR的模拟临床表现优于ASiR-V。

    Watanabe等人比较了FBP、HI-RT（ASIR，GE）和基于DL的图像降噪技术（iNoir），该技术使用一个儿童身体大小的圆柱形水模型，两个插入物模拟软组织衰减和12mgI/ml增强。他们估计了噪声纹理的变化、基于任务的系统性能函数和峰值频率差，并得出结论，与I-RT相比，iNoir在没有不可接受的噪声纹理变化的情况下具有更好的图像质量。在体模研究中，当比较基于MI-RT、HI-RT和DL的图像重建技术时，发现小结构在高剂量时最容易在MI-RT上看到，而在低剂量时，基于DL的图像重建技术最容易看到。MI-RT和DL重建技术被认为比HI-RT更好。

    在患者研究中，在低剂量CT图像中，基于DL的图像重建始终显示出比HI-RT更低的定性和定量图像噪声，且空间分辨率没有恶化。具体而言，当基于MI-RT进行基于DL的图像重建时，发现腹部MI-RT上的低频噪声被基于DL的图像重建所抑制，这表明它适用于RT和HI-RT在低剂量时难以获得最佳图像质量的身体区域。

    超高分辨率CT图像经MI-RT成像后，由于探测器元件较小，X射线管焦点较细，具有较好的空间分辨率。Oostveen等人发现新型超高分辨率CT的调制传递函数是多排探测器CT的两倍。高分辨率和超高分辨率扫描模式在相同探测能力的情况下，在辐射剂量仅增加23%的情况下，空间分辨率可提高200%。然而，由于超高分辨率CT中的探测器元件较小，撞击这些探测器的光子数减少，这可能导致MI-RT图像噪声增加。低剂量CT中MI-RT的这种限制对于胸部CT来说无关紧要，因为噪声不会影响高对比度肺检查结果的可见性，但值得关注的是腹部CT。与其他重建方法相比，基于DL的图像重建可以避免MI-RT的这一缺点，并为CT腹部生成更高的图像质量。这样，基于DL的图像重建有助于降低超高分辨率CT图像中的图像噪声。尽管这对重建的CT图像产生了有益的影响，但发现MI-RT上的血管显著性更好。造成这种影响的原因是未对血管算法进行优化。尽管具有统计学意义，但基于HI-RT、MI-RT和DL的图像重建技术之间的衰减值（HU）偏移<3%。

    Tatsugami等人的另一项研究使用CNN对30名接受临床显示的冠状动脉CTA的成人患者进行基于DL的图像重建。在本研究中，基于DL的图像重建在降低图像噪声的同时，提高了CNR和图像质量。比较了基于HI-RT和DL的图像重建方法。Singh等人评估了在320层多排螺旋CT扫描仪（Aquilion ONE）上进行胸部（n=22）和腹部CT（n=37）的基于DL的图像重建的效果和比较图像质量和亚mSv辐射剂量水平的临床显著病变的检测。在这项研究中，AIDR3D、FBP、FIRST、FBP和AiCE方法在亚mSv级和AIDR3D标准剂量水平下进行了比较。所有四位放射科医生在标准剂量的AIDR3D和低剂量AiCE图像上都发现了具有临床意义的腹部病变。在低剂量迭代重建和FBP图像上，放射科医生错过了20-80%的胸部和腹部病变。在97%的低剂量腹部CT和95-100%的低剂量CT研究中，低剂量AiCE图像可用于诊断解释。和4说明了不同图像重建技术对胸部和腹部低剂量CT图像质量的比较。相对于和2中呈现的图像，4所示，用HI-RT（AIDR3D）、MI-RT（FIRST）和DL-IR（AiCE）重建的低剂量胸腹部CT图像的HU值没有显著变化（<5 HU差异），HU值没有显著变化（三种技术之间的差异<5 HU）。

    运动伪影会损害图像质量，除了扫描前屏气指令和非屏气扫描等技术外，深度神经网络可以减少4D-CT伪影，并提高隔膜等结构的几何精度。

    72岁女性（BMI=33 kg/m2）和63岁女性（BMI=27 kg/m2）腹部CT腹部（E，J）的SD-AIDR3D图像显示两个（红色箭头）转移性肝脏病变（E）和一个（蓝色箭头）低密度胰腺病变（J）。LD-DLR（CTDIvol=2mGy和3mGy；DLP=49mGy·cm和57mGy·cm）与LD-AIDR3D（C，H）相比，图像（D，I）显示出更好的图像纹理、更低的噪声和可比的病变检测能力。LD-FBP（A，F）和LD-FIRST（B，G）图像被评定为不可接受或次优的诊断解释。

    67岁女性（BMI = 24 kg/m2）的SD-AIDR3D CT图像（I）（CTDIvol = 9 mGy；DLP = 244mGy‧cm）显示右上叶胸膜下4 mm结节（箭头）。LDCT（CTDIvol = 2 mGy，DLP = 40 mGy‧cm）图像在100 kV，40 mAs（A，B，C，D）和120 kV，40 mAs（E，F，G，H）下执行并用LD重建 与LD-AIDR3D（B，F）和LD-FIRST（C，G）图像相比，DLR（D，H）显示出更好的质感和更低的噪声。对于诊断解释，LD-FBP图像被认为是不可接受的（A）和次优的（E）。

    其中一个新兴的方法是稀疏采样CT，它减少了图像投影的数量，而每个投影的辐射剂量很高。利用该技术，提高了信噪比，降低了辐射剂量50%以上。由于投影角度稀疏，这些数据集需要完全迭代重建技术进行图像重建。尽管这一领域的一些研究引用了稀疏采样CT的潜在临床益处，但大规模应用于常规实践取决于硬件的可用性。最近的研究表明，基于DL的图像重建有助于改善稀疏采样CT的图像质量。作者描述了在稀疏数据CT中使用LEARN（基于学习专家评估的重建网络）生成的图像与其他重建方法相比具有更少的伪影、保留的特征和更快的计算速度。通过在学习网络中只使用50层，研究人员能够将计算复杂度降低几倍。

    另一项在放射学和临床实践中得到越来越广泛应用的技术是双能量CT（DECT），在这种技术中，不同材料基于其K-边界值对低千伏和高千伏能量进行不同程度的衰减，从而实现材料区分（关于双能量的实现方法和临床应用参见：双能量CT的实现方法；双能量CT的临床应用概述）。DECT图像可以提供有用的诊断信息，与单能量CT图像相比，具有更好的图像对比度，在某些情况下，伪影更少。最近的研究表明，与单能量CT相比，在儿童和成人中，DECT可以在相同或更低的辐射剂量下进行，同时保持图像质量。大多数DECT应用程序使用迭代重建技术去噪和减少伪影。对于某些病人，特别是那些有着巨大体型和低剂量扫描的病人，迭代重建方法会有很高的噪声和伪影。最近的一项研究报告称，基于CNN的DL可以帮助从DECT扫描重建平扫单能量CT，其保真度比处理后的DECT图像数据集高。在未来，评估基于DL的算法是否可以减少DECT的剂量，并有助于提高接受DECT的大体型患者的DECT成像质量。

    全世界死于肺癌的人数为160万，其中40%发生在发达国家。Kim等人比较了ASiR-V和基于DL的低剂量胸部CT的图像质量和噪声。在保持更好的图像质量的同时，发现基于DL的图像重建图像与使用ASiR-V进行迭代重建相比噪声更小。CT筛查的其他应用包括低剂量冠状动脉CTA，其中Liu等人发现基于DL的算法可以降低图像噪声，从而提高图像质量。这种基于DL的图像重建有助于进一步降低辐射剂量，提高低剂量CT肺癌筛查的图像质量。

    基于DL的图像重建还可以通过将植入物的计算机辅助检测合并到图像重建中来减少金属伪影。这不仅有助于单能量CT，而且也有助于双能量CT扫描，与现有的方法相比，这种方法通过增加keV来减少DECT中的金属伪影，从而降低图像对比度。未来，DECT当前的研究领域可以集成到CT扫描仪中。

    如果不讨论使用光子计数探测器CT（PCD-CT）的最新临床成像技术，光谱CT和剂量减少的主题就不完整了，在这种技术中，单个X射线光子可以以能量区分的方式进行计数，而不会出现电流积分检测器中电噪声的复杂性。PCD具有革命性的潜力，因为它为用X射线收集的数据增加了光谱维度。众所周知，像素/体素的线性衰减系数是X射线能量的函数。用常规CT，可以近似地测量线性衰减与X射线能量曲线下的面积。利用光子计数CT，可以测量曲线本身。PCD可以用X射线数据揭示和量化多个狭窄的能量库中的多种物质。PCD-CT比双能量CT提供更多信息。原始数据中的更多信息意味着更好的降低辐射剂量的机会，PCD-CT在软组织表征、材料鉴别、X射线束硬化还原，甚至功能化纳米颗粒的分子成像方面比DECT更有优势。由于硬件问题和物理限制，每个PCD单元可以计数的光子数通常是有限的，这些光子数将进一步分布到几个能量仓中。这说明合成的投影具有较低的信噪比，如果直接使用传统的重建算法，重建图像的质量和材料分解结果可能会受到影响。PCD测量值与理论值之间的一致性也很难保持。这会导致光谱畸变，包括电荷共享、K逃逸、荧光x射线发射和脉冲堆积等各种效应。它们都会在投影中产生伪影，限制了光谱CT在实际应用中的实用性。

    为了从噪声测量中获得满意的结果，人们提出了许多先进的测量方法和材料分解方法。在MI-IR模型中使用高质量图像是可行的，包括全图像约束扩散张量和光谱先验图像约束压缩传感。然而，在实践中获得这种高质量的先验图像在实践中并不总是可能的。考虑到空间谱域中的稀疏性和低秩特性，使用基于张量的核范数、先验秩、强度和稀疏度模型、核全变差、基于斑块的低秩、结构张量TV和张量字典学习开发了多种专用算法。为了进一步提高重建图像质量，在光谱CT重建中探索了非局部图像相似性，包括非局部低秩稀疏矩阵分解、空间谱非局部均值、非局部光谱相似性、空间谱立方匹配框（SSCMF），基于非局部低秩立方的张量因式分解（NLCTF）等等。所有这些方法都是针对二维情况设计的。然而，由于计算量大，特别是锥束几何，它在实际应用中仍然具有挑战性。这些方法通常涉及几个可调参数，需要根据具体的临床应用进行选择。图像结构和细节往往仍然模糊。到目前为止，由于计算的复杂性以及验证和优化的需要，执行这种高级重建仍然是不成熟的。

    对于材料分解算法，可以分为直接和间接两类。具体地说，直接材料分解方法可以从已知X射线光谱的投影中直接获得材料成分。然而，由于X射线在透射过程中的硬化和散射，在实际应用中很难建立精确的X射线透射光谱模型。考虑了一些正则化先验，直接材料分解结果往往对噪声敏感。间接材料分解方法可进一步分为基于投影的方法和基于图像的方法。对于基于投影的方法，首先将投影分解为基础材料的特征图。然后，采用图像重建算法（例如，FBP和MI-RTs）。

    深层PCD-CT成像的顶层概述。一个DL网络可以通过测量来提取低级特征。对测量数据进行图像重建，然后将其输出用于材料分解/诊断。根据测量或图像重建结果训练材料分解网络，并将其输出用于临床评估。

    通过从原始数据中学习，可以改进基于DL的图像重建和材料分解，以帮助提高成像性能。显示了深部PCD-CT成像的整个过程。首先利用投影数据直接获取PCD数据。在这种情况下，来自投影的特征应该被限制，这样它才能满足低级任务的需求。对于复杂的任务，网络可能非常复杂，网络的任何不稳定性都可能导致预测不准确。众所周知，基于DL的图像重建可用于PCD-CT测量图像的重建。为此，可以通过预处理来校正物理效应，包括X射线散射消除和环形伪影抑制。与传统CT成像不同的是，该网络可以将不同能量仓之间的相关性融合到网络中，提高网络的性能，并且可以更好地学习图像频谱域中的注意力特征。一旦得到图像重建结果，就可以根据不同的任务设计基于DL的方法来满足特定的要求。展示了用于PCD-CT图像去噪的完全卷积神经网络。关于材料分解，有两种基于DL的策略。一种是直接使用基于DL的方法从投影中获得材料分解图。这种方法的优点包括射线驱动的数据消除方法和其它方法的优点。另一种基于DL的材料分解构件方法可以基于图像重建结果，训练以图像重建结果为输入的材料分解网络。

    一个用于PCD-CT成像的完全卷积神经网络的示例，其中输入和输出的滤波器级别设置为4，与能量仓的数量一致。在中间层，过滤器的等级根据经验设置为32，所有过滤器的尺寸为3x3。每个层只包含卷积和ReLU运算符。

    使用两个DL网络进行材料分解。对于图像重建，图像质量可能会受到金属伪影的影响，尤其是在低能数据中。在这种情况下，需要删除这些损坏的图像，以提高材料分解的准确性。

    使用DL网络直接进行材料分解。材料正弦图提取是利用深层网络将原始数据分离成材料正弦图。

    由于基于DL的方法可以有效地推动PCD-CT的应用，因此有两个关键问题需要解决。如何生成具有足够基本真实性（label）的训练数据？在充分考虑关键物理和技术因素的情况下，通过模拟PCD-CT成像可以部分解决这一挑战。第二，如何设计先进的深度学习网络以获得最佳性能？经典的PCD-CT方法可以在这种情况下使用。例如，可以将不同能量仓之间的相关性和图像上下文的空间属性合并到一个网络中。

    其他最新的CT扫描仪发展包括暗视野CT和相位对比CT扫描（参见：下一代CT硬件技术及在心脏成像中的应用）。这些技术利用X射线的电磁波相互作用，通过应用干涉光栅和传感小角度散射和相移。而相位对比CT图像显示了更高的软组织对比度，而暗视野CT显示了更好的纳米尺度特征的形态信息，对于良恶性肿瘤的鉴别至关重要。在这两种技术中，迭代重建技术被发现对诊断图像质量有潜在的帮助。然而，不停旋转的机架的局限性一直是仪器和扫描的实际问题，尽管许多MI-RT仍然可以在良好控制的条件下产生可接受的图像质量。基于DL的图像重建的未来应用可能有助于提高这些扫描仪的图像质量。

    基于DL的图像重建方法有一定的局限性。这种训练数据集必须进行同质化处理，以解释年龄、种族、体重和性别等差异，并得到高质量的诊断图像。尽管这一步骤需要大量修改，但它可以用于根据区域患者群体对基于DL的算法进行特定于人口学的交叉验证。基于DL的应用程序需要大量的患者数据来训练、测试和验证可靠的模型DL应用程序可能是一个昂贵且耗时的过程。Samei等人建议使用虚拟临床试验数据作为成像临床试验的有效替代方案，其中虚拟或数字受试者的虚拟成像能够实现虚拟解释。尽管这种虚拟数据集可以加快和减轻真实患者成像数据的经济负担，但从图像重建的角度来看，此类虚拟数据必须经过可靠的验证，以确保覆盖患者大小、几何结构、中心、定位、生理学（影响对比增强）的多种变化，以及在真实临床数据中发现的病灶和弥漫性异常的大小、形状、衰减、边缘和异质性。

    Antun等人描述了基于DL的图像重建的不稳定性，这种不稳定性可以导致严重的伪影和不可检测的图像扰动，或者忽略来自细微结构变化的损伤图像。另一个限制是由于样本的增加而导致算法性能下降。Weiwan等人描述了一个分析、压缩、迭代深度（ACID）网络，通过结合深度重建、压缩感知、解析映射和迭代细化来解决这些不稳定性。

    DL方法可以减少不完美数据引起的图像伪影，但这受到一定信噪比水平的限制。这意味着为了大幅度降低伪影，基于DL的图像重建的平滑外观对于细微结构的定性评估可能不是最佳的，例如微小的肺结节或小血管。任何培训数据都需要明确定义，以避免数据误报。为了获得最佳的图像质量，训练、验证和测试数据应该分离并有效利用。对于有监督和无监督的学习，应该有足够的训练数据，并且要有很好的注释，以使深度重建算法在测试数据上具有最佳的再现性。当使用基于DL的方法来提高重建质量时，高质量的原始数据降低了重建任务的难度，促进了图像质量的提高。然而，除非直接解决产生伪影的根本原因并利用特定域中的强先验，否则仍然很难消除伪影。

    65岁女性膀胱癌患者。轴位增强CT图像30%ASIR-V显示肝囊肿（左，箭头）。用高强度DLIR重建（右）的囊肿变得模糊，导致高强度DLIR图像上的病灶可信度和显著性的读者评分较低。

    与用FBP和迭代重建技术重建的CT图像相比，一些商业DL方法的主要缺陷是小结构的清晰度略有下降或细节模糊。尽管这并没有影响到迄今为止发表的一些临床研究中的病变检测，但在评估细微的肺和骨骼异常时，它可能会影响视觉效果或读者的信心。基于DL的方法的另一个局限性是，它们目前不能应用于DECT扫描模式。目前，这些方法只能从一些商业CT供应商的高端或最新的CT扫描仪上获得。目前尚不清楚这些方法何时能用于其他扫描仪。与成熟的迭代重建技术相比，基于DL的方法的剂量减少程度、最佳扫描参数、优势和局限性的大规模随机研究是必要的。与迭代重建技术一样，CT供应商可能会创建不同的基于DL的方法，具有不同的图像外观和纹理，这可能会进一步增加CT图像重建的复杂性。随着基于DL的图像重建技术数量的迅速增加，需要加强临床和供应商的合作，以减少变化和标准化术语。这不是不可想象的，可能需要一个单独的AI算法来选择正确的扫描参数和基于DL的重建设置！

    与其他图像重建技术相比，深度学习的优点包括更好的图像去噪、图像纹理改进和伪影减少。用户在将深度学习方法应用于临床实践时，必须记住这些方法的局限性。下一代CT硬件的改进，如光子计数探测器CT，借助深度学习方法的潜力是令人兴奋的，但还需要进一步的审查。当我们庆祝125年来X射线在医学成像领域的应用（更多内容参见：那束光，照亮未来丨纪念伦琴发现X射线125周年），人工智能和深入学习在图像重建和其他领域的应用预示着放射学同样有趣和令人兴奋的未来，这必将比在医学领域的125年前沿医学发展还要持久。

    编译整理自：Singh R, Wu W, Wang G, Kalra MK. Artificial intelligence in image reconstruction: The change is here. Phys Med. 2020 Nov 24;

    4. 如何做漂亮的肾结石Rho/Z Map

    肾结石后处理，除了使用肾结石的成分分析之外，还可以使用Rho/Z Map分析，获得原子序数和电子密度图。

    将需要处理的肾结石双能量数据用Rho/Z map打开。

    在像格右下角的工具中，可以看到CT颜色查找表和覆盖颜色查找表，一般情况下，CT颜色查找表对应的是融合图像左侧的数据，一般是虚拟平扫，覆盖颜色查找表对应的是融合特性右侧的数据，一般是碘图。

    这里我们融合的两组图像分别为电子密度图和原子序数图。

    这个方法同样适用于其他显示图像的设置，比如肝脏虚拟平扫，肺分析等等。

    在肾结石的分析中，可以使用鼠标中间件对窗宽窗位进行调整，在像格的左侧调整的是电子密度图的窗值，右侧为原子序数的窗值。

    可以使用像格正下方的滑块调整两组数据的混合比例。

    使用Rho/Z map，选择合适的伪彩和窗值可以将结石的成分显示更清楚。

    双能量痛风分析精确性很高，2016年中国痛风诊疗指南，推荐：对血尿酸正常的痛风疑似患者，在医院有相关设备和条件的情况下，可考虑使用双源CT进行辅助诊断。

    2016年中国痛风诊疗指南 节选。由于诊断的准确性高，因此可以作为痛风的疗效评估方法。在局部痛风疗效评估时，可能需要评价痛风结晶体积的变化，两个痛风结晶体积精确测量的方法。

    使用syngo.via双能量分析处理完痛风的数据之后，系统会自动计算出痛风结晶的总体积。

    使用剪辑工具在需要计算体积的痛风结晶部分周围画圈，完成勾画后双击。

    在像格正上方可以显示当前痛风结晶的体积。病例中，体积为201ml。

    第二个方法是使用MM阅片，将双能量分析获得的Gout序列导入。

    在像格左上方菜单中选择区域增长，选择手画MPR，在需要测量的痛风结晶体积上下方层面绘制至少两个轮廓，选择插入轮廓，选择添加区域。

    在阈值里，设置最大值，更改为-1.。痛风结晶cVRT重建。

    痛风结晶的体积精确测量可以帮助更精确的评估疗效，下次如果有合适的数据，可以试试看哦。

    人工智能的炒作之外丨算法背后与可实现的目标

    人工智能（Artificial Intelligence）领域目前正经历着一个在各个领域广泛发展的时期，医学也不例外。人工智能的基础是数学和计算机科学。在当今的数字时代，存储能力和数据采集系统的不断提高，导致大量的数据涌入人工智能算法中。数据的大小和质量是影响人工智能应用性能的两个主要因素。它高度依赖于任务类型和执行此任务所选择的算法。人工智能可能通过预先读取异常检测的读数、精确的量化自动完成放射学中的一些繁琐任务。虽然基于人工智能的应用程序为改进放射工作流程提供了巨大的机会，但是需要从图像标准化、复杂算法开发和大规模评估开始解决一些挑战。将人工智能集成到临床工作流程中还需要解决与患者敏感数据和责任的安全和保护相关的法律障碍，然后人工智能才能发挥其全部潜力。

    根据《大英百科全书》的定义，人工智能是计算机控制的智能体（如软件、机器人）执行认知任务的能力，广泛涵盖4种核心行为：学习、推理、感知和行动。

    人工智能时代最初开始于20世纪50年代，数学家艾伦·图灵（Alan Turin）提出了一个简单的问题：“机器能思考吗？（Can a machine think?）”对人工智能的这种定义引起了许多争论，甚至在80年后，对人工智能领域的任何单一定义都不被普遍接受。虽然人工智能的核心是计算机科学的一个分支，但它正变得越来越跨学科，包括从材料科学到航空、电路设计到温室技术、精确健康到汽车技术等领域。

    AI之父-数学家艾伦·图灵（1912-1954）

    1954年，人工智能最初是从复杂的数学问题解决、逻辑定理的证明和编码信息的解密开始的，并在IBM实验中演示了机器翻译，在国防相关应用中，人工智能在相当长的一段时间内保持在狭窄的可用范围内。从1973年开始，人工智能经历了几年的“人工智能冬天（AI-winter）”，这是由英国科学研究委员会的数学家詹姆斯·莱特希尔教授（Professor Sir James Lighthill）撰写的报告“人工智能：一项总体调查（Artificial Intelligence: A General Survey）”引发的，他对人工智能表示了极大的失望，他说现有的人工智能技术只在一项研究中有效但在现实环境中是不够的。

    1973年6月，在BBC“争议”系列节目中，James Lighthill与布里斯托大学神经心理学教授Richard Gregory、达特茅斯会议的发起人John McCarthy、爱丁堡大学机器人实验室主任 Donald Michie 进行了题为“通用机器人是海市蜃楼”的著名辩论。

    此后，媒体的悲观情绪，导致资金严重削减，导致人工智能研究终止。

    是什么让人工智能在90年代再次流行起来？

    90年代，人工智能被引入大型工业专家系统，并取得了巨大的商业成功，特别是在机器翻译、数据挖掘、搜索引擎和机器人技术方面。

    虽然人工智能在商业上取得了成功，但它是从大型工业自动化开始的，在目前，人工智能已经通过一些成功的产品和应用开始了我们的日常生活，这些产品和应用来自Siri（Apple, Cupertino, CA）和Alexa（Amazon, Seattle, WA）等虚拟数字助理，帮助我们查找信息和安排约会，自动驾驶汽车（Tesla, Palo Alto, CA;Uber, San Francisco, CA;Waymo [Google spin-off], Mountain View, CA）。亚马逊的交易性人工智能购物引擎是另一个成功案例，它已经存在了相当长的一段时间，并导致了生产力的天文数字增长。

    人工智能还是处在比较脆弱的阶段，你可以试试问问你的智能手机，“附近有没有不是东北菜的餐馆？”看看你的智能手机能不能找出你想要的的结果。人工智能的基础是数学和计算机科学，但目前人工智能在工业和研究领域的名气建立在以下三个支柱上：

    （1）大数据：数据集正在迅速增长，因为它们现在被廉价且众多的信息传感设备（如移动设备、航空相机、麦克风、无线电频率读取器和无线传感器网络）收集。每个人大约每秒贡献2 MB的数据，这些数据可能用于训练人工智能算法。采用深度学习技术对复杂任务进行充分的人工智能建模需要大量的异构训练数据集，才能充分利用模型中大量的可自由训练参数，这些参数可以运行数百万次。经验法则是，人工智能模型需要10倍的数据量来训练与参数数量有关的数据。人工智能和大数据现在似乎密不可分。

    （2）高性能计算（HPC）基础设施：计算资源和内存有限的本地计算基础设施无法处理如此大的数据集。人工智能算法需要跨越计算机、网络和存储的强大处理能力，当计算资源最接近数据来源时，其收益最高。这是早期人工智能应用的一个限制因素，当时人工智能只被少数足智多谋的人捕获。随着各大公司纷纷推出HPC云计算，用超大数据集训练人工智能算法已经成为来自家庭环境的广大用户可以实现的目标。事实证明，HPC是人工智能适应和科学发现领域的游戏变革者。

    （3）算法：真正的人工智能的能力来自机器学习（ML）算法，它可以大致分为有监督和无监督学习算法。监督学习是指从训练数据集中学习关联的过程，其中算法学习映射函数（y＝f（x）），该映射函数将输入变量（x）映射到输出变量（y）。支持向量机（SVM）和逻辑回归等模型属于有监督学习的范畴。在无监督学习中，只要给定输入变量（x），算法就可以探索数据的内部结构。当模型学习数据空间的结构而不学习与目标结果的关联时，K近邻和K均值可以被归类为无监督学习算法。随着近年来大数据和高性能计算的发展，ML算法变得越来越复杂，有数百万个密集连接的处理节点（神经元），它们试图通过多层处理来复制人脑被归类为“深度学习”的功能。深度学习（Deep learning，DL）算法基本上是一类ML算法，具有更强的处理能力，能够感知数据中的非线性结构。

    在数字时代，任何标准医疗中心每天的放射成像检查量都在大幅增长，而接受过培训的阅片者数量保持不变。这在临床实践中造成了一个巨大的瓶颈，极大地增加了放射科医生的工作量。在放射科医生中出现人工智能的主要目的一直是希望通过创建一个自动代理来帮助放射科医生处理日益增加的工作量，该代理可以完成繁琐的任务（例如，体积分析，轮廓、测量、报告）并帮助进行初始图像交互预处理，从而减少工作量。

    当前的人工智能应用程序的设计方式是将它们集成到当前的放射工作流程中，其主要目标是通过提高效率、减少错误以及通过由受过培训的放射医生提供的最少的手动输入来帮助放射医生完成日常任务。为推动医学影像人工智能技术的进步，政府也在作出重大努力和政策。人工智能算法最常用的用途之一是用于放射图像分类任务，其中算法以图像（或体积）为输入，并为每个数据集指定一个预定类别（即，鉴别诊断、临床风险）。分类模型（算法）可大致分为以下几类：

    （1）线性分类和带核分类（classifier with kernel）-不带kernel的线性分类基于图像特征（即图像特征强度、形状、纹理）线性组合的值计算分类决策。Logistic回归、支持向量机（Support Vector Machine，SVMs）和感知器（Perceptron）都属于这一类。当特征和目标结果之间的关系可以用线性函数描述时，线性分类是有用的。作为回报，它提供了很好的概率解释，并且可以正则化以避免过度拟合（overfitting），因此可以使用有限的数据进行训练。然而，这些类型的算法并不能捕捉自然复杂的关系（nonlinear decision boundaries，非线性决策边界），这在医学图像分类任务中经常遇到。为了建立这种复杂关系的模型，支持向量机可以使用一种称为“Kernel”的技巧，将特征投影到多维空间中，在多维空间中特征是线性可分的。支持向量机在医学图像分析领域（磁共振、CT、钼靶等）一直是一个非常流行的解决方案，直到最近的深度学习取得成功。

    （2）基于树的方法和提升方法（boosting）-这些方法背后的核心思想是基于一组分裂规则将数据空间分层或分段，这些规则可以表示为一棵树，例如决策树方法。基于树的算法的输出很容易解释，因为它是由规则明确的；一棵树通常无法识别区域之间的复杂边界。提升方法（XGBoost）和装袋算法（RandomForest）构建了多棵树，然后将它们组合起来产生单一的一致性预测。这些方法已经成功地应用于一些具有挑战性的任务，例如，阿尔茨海默病的磁共振容积分类、肺结节分类、精神分裂症分类。

    （3）深度神经网络（DNN）-支持向量机、随机森林和XGBoost分类通常不读取完整图像（或体积）作为输入；相反，它们使用通过应用几种图像特征提取算法（如纹理-Gabor、Riesz）获得的手动设计特征（hand-crafted features）。图像特征工程需要人类的严格监督，通常需要在精确性和计算效率之间找到正确的平衡点的极端专业知识。对于DNNs，特征是从原始图像中自动学习的，并在多个层次上分层表示；然而，这伴随着需要大量数据和计算能力的成本。

    随着开源标记X射线图像档案（如NIH ChestX-ray14, Open-i）可用性的增加，已经开发了几种高性能DNN分类算法，用于检测常见的胸部疾病。Yao等人提出了两种深度学习结构的组合：卷积神经网络（CNN）和递归神经网络（recurrent neural network），以利用胸部数据集中的标签依赖性。Rajpurkar等人提出了使用DenseNet-121进行精细调谐的转移学习，这使得胸部X光片上的曲线下区域更大，用于多标签分类。

    卷积神经网络（CNN）的兴起使得计算机视觉领域取得巨大成功。典型 CNN 包含数百万参数。尽管这一方法能够生成非常准确的模型，但其可解释性大大下降。用这种方式评估模型只能使我们了解到模型在特定测试集上的性能，而该测试集通常不包含以错误方式控制模型的样本，也不包括用来欺骗模型的样本。这对于不太可能存在攻击的应用是合适的，比如老人跌倒检测，但对安防系统来说，这带来了现实问题。安防系统中人物检测模型如果比较脆弱，则可能会被用于躲避监控摄像头，破坏安保。比利时鲁文大学 (KU Leuven) 研究人员研究发现，借助一张简单打印出来的图案（对抗性补丁”(adversarial patch)），就可以完美避开 AI 视频监控系统。研究人员设计的图像可以将整个人隐藏起来，不会让计算机视觉系统发现。这项研究在YOLO (v2) 的开源对象识别系统上进行了演示（据说这个工具是目前最好的AI图像识别软件）。

    图像分割是根据一定的图像特征（如像素值、空间邻域关系等），在二维或三维图像中检测目标物体（如肿瘤、解剖）边界的过程。分割可以通过单独的计算机视觉技术来完成，而无需任何学习。例如，区域生长、分水岭和水平集算法已成功地应用于医学图像分割，但它们的可推广性有限，而且极易产生噪声。

    分割也可以被视为监督分类的特殊情况，其中目标是为每个像素分配一个分类标签。CNN-一种深度学习方法被成功地转化为一个完全卷积的网络，该网络通过上采样产生像素级分类图作为输出，解决图像分割问题。然而，在医学图像处理中，稍微修改的全卷积网络UNet（多个上采样层）是最流行的解决方案，因为它使用较少的训练图像并产生更精确的分割。UNet已被应用于各种超声、MR和CT图像的分割。

    在医学影像应用中，阴性数据集和阳性数据集之间的不平衡以及阳性数据集中疾病程度的可能变化给学习算法带来困难，因为结果将偏向于最大的组。对于异常检测任务，训练算法将数据样本显示为异常或非典型。异常检测也可以看作是只有一个输出类的分类的一种特殊情况，使用异常检测算法仅通过对异常的训练来解决数据集不平衡的问题。与需要为每个特定输出标签提供大量训练数据的分类任务不同，异常检测算法可以在相对较小的数据集上进行训练。

    然而，这些算法仅能识别数据集是否属于此标签，而无需进一步说明。在MURA数据库中，Wei等人的这项研究给出了异常检测的一个例子，其中包含40561张肌肉骨骼射线照片的图像，其中每项研究都手动标记为正常或异常。

    去噪算法是用来创建一个干净的数据样本，给定一个损坏的数据样本作为输入。在训练阶段，干净的样本作为期望的输出，而噪声版本作为输入。去噪算法可以在优化低图像质量设置下拍摄的图像质量以减少辐射剂量方面发挥作用。在医学成像中，CNNs被用于低剂量CT扫描中的噪声抑制，提高了图像质量，使其与标准剂量CT相当。通过使用低剂量CT作为输入，CNNs的使用可以创建与标准剂量输出CT图像相等的CT图像。

    用不同方法处理的图像比较。(a) NDCT, (b) LDCT, (c) TV-POCS, (d) K-SVD, (e) BM3D, (f) KAIST-Net, (g) SSCN, (h) SCN.

    （a）20%剂量FBP重建ILD和（b）相应的动脉钙化（CAC）评分蒙片，（c）20%剂量发生器G3重建G3（ILD）和（d）相应的CAC评分蒙片，（e）20%剂量发生器红外重建IRD和（f）相应的CAC评分蒙片，以及（g）常规剂量FBP重建IRD和（h）相应的CAC评分蒙片。所有图像的窗口级别/宽度为90/750 HU。CAC评分模板显示所有大于130HU的体素为黑色，通过CAC评分选择的体素为红色。

    除了实际的算法，用于训练和验证算法的数据是另一个重要因素。当今医学中出现的一个主要问题是为每个病人生成和数字存储的大量数据。这种数据的积累是由于电子医疗记录的使用增加和存储能力的提高，使得能够收集以前没有记录或保存的各种数据。目前的系统允许收集和存储数据，如成像数据、介入报告、实验室值和病理报告。随着可用数据的增加，人工智能是在评估所有这些数据中发挥重要作用的主要候选者，并提供了增强相关数据用于患者护理并以可消化格式呈现的能力的可能性。人工智能的优势在于能够审查大量的数据，以便能够熟练地将它们用于各种各样的目的。

    训练算法所依据的数据的质量和数量是决定算法性能和可推广性的两个重要因素。尤其是用于成像相关任务的主要人工智能算法之一CNNs，本质上需要大量的数据才能达到最佳性能。然而，根据地理位置、图像系统制造商和个人喜好，目前正在使用各种各样的协议。再加上各大洲、国家甚至医院之间的人口差异，这种差异导致ML算法充分性能所需的数据集数量急剧增加。由于当前的隐私法和存储/共享能力，缺乏足够大的数据集来训练和验证人工智能算法以最佳地执行其任务。为了填补人工智能工作流程中的这一空白，一些倡议正在启动，它们将来自世界各地多个机构的数据库进行合并和创建。第二，数据集相关，限制因素是数据的质量。在医学成像领域，许多分析都是在视觉评估的基础上进行的，导致了较高的等级间变异性，从而导致了对ML算法的参考标准的偏差。

    胸部成像是人工智能应用的主要领域之一，因为医疗中心有大量的检查和可用的图像。胸部放射照相术（CXR）是最常执行的检查之一，占所有机构放射工作的很大比例。在CXR图像上应用人工智能的主要焦点之一是结核病的自动检测。结核病是世界范围内死亡率的一个重要因素，特别是在放射医生短缺的欠发达地区。在这种情况下，自动化的人工智能应用程序可以提供很大的帮助。除了肺结核检测外，气胸和肺气肿检测也是人工智能应用的其他例子。进行的大量CXR检查导致出现了几个公开的大型胸片标注数据库。例如，来自美国国立卫生研究院的胸片数据库由14种不同的标签对应的图像组成，包括肺不张、实变、滤过、气胸、水肿、肺气肿、胸胀、积液、肺炎、胸膜增厚、心包肿大和结节。CXR也是一个异常检测特别有用的领域，区分正常和异常CXR有助于优化临床工作流程，并有助于减少放射科医生的阅读时间。

    Hammack D. Forecasting lung cancer diagnoses with deep learning. arXiv. 2017:1-6.。除了胸部成像外，心脏成像也越来越受到人们的关注。心血管疾病（CVDs）是全球死亡率的一个重要因素。每年共有1790万人死于心血管疾病，占全球死亡人数的31%。由于成像系统本身等硬件系统的技术发展，如成像分析方法的发展，心脏成像领域一直在进行快速创新，允许更复杂的评估形式。随着无创心脏评估在心脏病患者或疑似心脏病患者的临床研究中的作用越来越大，心脏成像领域的检查数量和复杂性也越来越大。

    例如，非创伤性冠状动脉钙化（CAC）评分计算以确定动脉粥样硬化性CVD的存在和程度，因为它已被证明是未来心血管事件的准确危险因素。获得CAC评分的数量正在迅速增加。CAC评分是一项相当简单但耗时的工作，但需要对整个冠状动脉树的钙化斑块进行手工分割和分类。CAC评分是人工智能算法首先要解决的问题之一。研究表明，人工智能不仅可以在专用的CAC采集上进行CAC评分，还可以在用于肺癌筛查的胸部CT上进行CAC评分。图像质量和计算能力的最新进展还允许使用计算流体动力学计算分数流量对CCTA图像上的狭窄进行功能分析储备（FFR）。然而，这种方法需要大量的计算能力和时间密集型。为了能够对CT衍生的FFR进行实时的现场评估，成功地使用了ML。

    临床心脏放射学中AI任务的四大类（以实例应用为例）。CAC，冠状动脉钙化；CAD，冠状动脉疾病；CCTA，冠状动脉CT血管造影；EAT，心外膜脂肪组织；FFR-CT，CT血流储备分数；PVAT，血管周围脂肪组织。

    随着CAC评分和CT-FFR等新参数的出现，显示了影像生物标记物在CVD诊断和治疗中的价值，需要开发新的风险分层和预后模型，包括这些影像标记物。由于人工智能算法能够分析大量的特征和数据，能够检测出复杂的关系，因此是建立这些预测模型的理想方法。一些对相对较大数据集的早期研究表明，将临床危险因素和成像参数结合起来，使用ML算法有望达到这一目的。

    除了心胸X线和CT，AI在MRI中的应用主要集中在分割任务上，特别是心脏结构分割用于心功能评估。在成功使用DNNs之前，多图谱配准和变形形状模型是最常用的分割技术；然而，目前大多数方法都是基于CNNs。

    未来，人工智能软件包将面世，为单一采集的肺部、心脏和骨骼分析提供全面的分析方法。给出了其中一个由供应商创建的软件包的示例，该软件包组合了多个人工智能应用程序。

    全自动化的人工智能软件程序（AI-Rad Companion Chest CT, Siemens Healthineers）的示例，该程序允许从胸部CT图像进行预先的肺、心脏和骨骼评估。（A）肺结节检测，（B，C）肺气肿量化，（D）冠状动脉钙化和斑块分析，（E）主动脉测量，和（F）骨密度测量。

    除了上面讨论的许多与图像相关的应用之外，还有一组人工智能应用有可能帮助医学成像领域。通过使用自然语言处理算法，可以开发用于自动化和结构化报告的应用程序。人工智能算法可用于为放射科医生排定读取列表的优先级并优化工作流程。所有这些应用程序的主要目的都是减少时间和提高效率。

    近年来，ML/DL算法在众多的医疗保健应用中显示出了优异的性能，这不仅反映在科学出版物中，也反映在临床实践中。尽管关于道德和监管限制的争论不绝于耳，但大量以医疗保健为重点的新软件工具还是获得了FDA的批准。

    有趣的是，大多数工具都是为医学图像分析而设计的，其适用范围从分析CT图像进行中风检测（Viz.ai’s Contact, Viz.ai, San Francisco, CA）到从视网膜摄像机图像（IDx-DR, IDx, Coralville, IA）自主检测糖尿病视网膜病变。这些人工智能系统目前在美国各地的许多临床设施（Iowa Health Care, IA, Johns Hopkins, Baltimore, MA, Erlanger Health System, Chattanooga, TN）中使用。IDx-DR溶液目前甚至被用于零售商店（Albertsons grocery），为糖尿病视网膜病变的初步诊断提供了方便。这一广泛的人工智能系统的采用清楚地表明，在医疗保健行业，人工智能是作为一种智能自动化手段引入的，它可以减轻负担，方便地使用诊断工具。

    Viz.ai’s Contact, Viz.ai, San Francisco, CA。然而，心脏成像中的人工智能算法，正努力使其应用于临床。有几个因素导致了人工智能在这一领域没有充分发挥其潜力。如前所述，主要问题之一是缺少大型的、注释良好的、公开可用的数据库。

    另一个问题是临床医生对人工智能应用的信任以及保护医生和病人的法律制度阻碍了临床医生的适应。人工智能在临床上的应用实践中，技术方面（算法构建）和临床方面（数据注释和临床上下文）需要完全协调。双方之间的理解和合作是必不可少的，特别是因为医疗系统是基于医生作出明智决定的能力，即使他们主要是基于计算机科学家经常构建的人工智能算法。提供对临床环境中使用的算法的功能性理解并使人工智能过程尽可能透明仍然是极其重要的，需要临床医生和计算机科学家保持开放和清晰的交流。工作流集成在人工智能算法的临床成功实现中起着基础性的作用。为了在日常实践中得到实现，在繁忙的放射工作流程中，需要无缝和轻松实现。

    许多AI技术（尤其是深度学习）都存在“黑匣子”问题。当提供者无法确定AI算法如何高度自信地做出错误决定时，就会出现这种情况。

    训练数据集在一家医院成功检测肺炎或乳腺癌并不意味着人工智能模型在另一家医院也会有同样的表现。放射科医生和管理者必须明白，一项宣称99%准确性的人工智能模型，并不意味着会在其他地方以同样的99%的准确性工作。

    类似安保系统的人工智能应用，医学影像的人工智能也有可能发生对抗性攻击，黑客可以渗透一个PACS并在图像中注入噪声，从而导致人工智能模型做出错误的诊断。放射科医生也可能被人工智能创建的假图像所欺骗。这些问题可能在未来给医疗系统带来重大的网络安全问题。

    与许多新的创新一样，监管体系正努力跟上创新的步伐。目前，只有很少的监管工作被确定，以帮助处理在临床实践中使用ML算法。直到现在，医生和其他成像专业人员仍然对他们所做的决定负全部责任，即使他们是基于一种ML算法，在这种算法中他们几乎没有洞察力。由于这些决定带来了严重的后果，不能指望相关的成像专业人员愿意冒任何风险。由于法规试图就如何处理这一责任达成共识，医生仍将对其决策负责；提高对这些算法的理解并降低出错风险仍然很重要。

    精心定义、注释的数据库的创建以及特征和人工智能预测的临床解释高度依赖于专业临床医生的努力。

    在放射学中，可以区分两种类型的人工智能应用程序，支持应用程序和临床解释应用程序。支持人工智能的应用，如冠状动脉钙的定量，目前由美国食品和药物管理局（FDA）负责，只需要510（k）的批准。以图像临床解释为主要目标开发的人工智能应用需要FDA的上市前批准（PMA），需要临床试验的结果。

    这意味着，对于支持性人工智能应用，制造商只需证明其实质上等同于类似的合法销售应用，而不需要进行人体试验来证明其有效性和安全性。2005至2009年间，共召回了113台PMA设备，其中70%通过了510（k）流程。与所有使用患者相关信息的医疗应用程序一样，患者隐私是一个重要问题。人工智能应用的发展涉及从电子健康记录、医学图像和实验室结果中提取的大量患者数据。

    随着医生对人工智能应用预测的信任度的提高，这些算法的安全性和可靠性变得越来越重要。随着人工智能应用的增加，过去几年来，针对ML模型的对抗性攻击引起了人们的极大兴趣。Thys等人在文章中描述了一个例子，表明小的对抗性补丁会影响使用神经网络进行目标检测的准确性。还有其他错误解释人工智能结果的例子，Cabiza等人清楚地讨论过。

    心胸成像领域正面临着新的机遇和挑战，如由于癌症筛查项目的增加和心脏检查次数的增加，采集量的增加，这在最近的指南中得到了强烈的推荐。

    基于人工智能的应用有望在短期内改善放射学工作流程，提供异常检测的预读数，精确的定量，例如肿瘤体积损伤跟踪和心脏体积和图像优化。人工智能要真正帮助心胸影像学界，有几个问题需要解决。集成到放射工作流程中，患者敏感数据的安全和保护，特别是对于使用云计算（网络安全）的应用程序，以及责任是需要解决的问题。

    从长远来看，人工智能提供了改善病人护理的可能性，提供了视觉上无法从医学图像中提取的信息。计算机和人工智能算法都能够检测到微小的变化、细微的偏差和复杂的关系，而这些都是人类视觉无法检测到的。这已经通过使用纹理分析和放射技术，使用大量与视觉可检测差异直接相关的成像特征得到了证明。与人工智能将使放射科医生的角色过时的信念相反，人工智能能够通过使放射科医生成为病人、数据、算法、计算机科学家和所有其他专家之间的连接因素来加强放射科医生的地位。人工智能为医学成像器械领域提供了一个独特的机会，通过在临床工作中采用技术，使其再次站在医学成像器械领域的前沿，不仅减轻了工作量，提高了效率，而且改善患者护理和患者健康，这是每一位医生的最终目标。

    • 主要参考文献原文：van Assen M, Banerjee I, De Cecco CN. Beyond the Artificial Intelligence
    • Hype: What Lies Behind the Algorithms and What We Can Achieve. J Thorac Imaging. 2020 Feb 18.
    • doi: 10.1097/RTI.0000000000000485.

    5. 影像诊断中的AI：现状、挑战与机遇

    在过去的十年中，对放射科医生解释轴位图像的工作量需求显著增加，一项研究表明，在8小时的工作日中，放射科医生平均每3到4秒解释一幅图像。与此同时，医学影像技术的不断创新，不仅在数量和大小上，而且在其丰富的信息内容和复杂性上，将创造更多的数据，表征人体的解剖、形态、功能和潜在的疾病过程。

    为了有效地处理数据流，人工智能（AI）技术有望在影像诊断的价值链中发挥越来越大的作用，与放射科医生、技术专家和医院管理人员一起工作。在过去的几年里，基于深度学习的技术已经彻底改变了计算机和机器视觉领域，并迅速进入医学成像领域。除了理论上的进步，其他一些因素的融合也促成了这一成功。这些因素包括大量精确数据的可用性，以及用于训练和测试机器学习算法的高性能计算基础设施的进步。这些因素在医学影像领域的不断出现，可以加速人工智能技术在更大范围内的发展和应用，开创放射医学的新纪元。

    为了更全面地了解人工智能技术在诊断成像领域的当前和未来影响，必须考虑生成和处理诊断成像数据的各个层面，以应对特定的临床和/或操作挑战。

    在这个模型中，有4个层次的复杂性在增加。

    第一层次：检查级，图像采集阶段和数据生成源，即扫描仪。人工智能算法已经解决了一些机遇和挑战，并将越来越多地在这一层面上解决，主要是为了扫描工作流程的自动化和效率。这不仅可以缩短采集时间，减少人为错误，还将导致更标准化的检查、协议和序列，可为特定患者和医院的特定要求量身定制，减少操作员依赖性和不一致性，并提供更好的成像结果。

    第二层次：阅读和报告的任务。这是过去几年中大多数医学成像人工智能研究的中心，并产生了许多有趣的应用，主要目的是自动检测和表征异常，自动执行测量。

    第三层次：以患者为中心。这一级别的人工智能算法的任务是预测和/或规定，而不仅仅是检测、测量和描述图像中的特定模式。基于人工智能的预测可以在疾病进展、风险分类或特定治疗结果的背景下进行。人工智能在这一层面上的一个新兴应用是digital twin，它使用器官功能的计算和生理模型，通过对基础生理进行建模，不仅在统计意义上而且在机械意义上来整合多维度数据。下一节将进一步阐述digital twin模型在治疗计划和预测中的一些应用。

    第四层次，人工智能在人口或队列层面整合的数据上的应用。随着卫生系统整合的持续趋势，此类数据和相关结果将越来越容易获得，特别是在大型机构中。这将推动对人工智能算法的需求，不仅解决临床决策领域的挑战，而且还可以获得对操作决策的洞察力，从而实现效率、对指南、协议和质量指标的遵守。

    在这个层次结构框架中，一个关键的方面是认识到，当一个人向上遍历这些级别时，总体数据复杂性会增加。再加上跨部门（有时是机构）边界组织、管理和访问大型集成数据库的实际挑战，最终将推动人工智能算法在日常临床工作中的开发和采用。

    在下一节中，将讨论人工智能算法在所有4个层次上的一些具体应用。

    尽管人工智能的发展主要集中在诊断图像的解释上，但是越来越多的工作证明了人工智能在优化图像采集流程和提高扫描质量方面的应用。

    CT的一个挑战是正确的病人定位，特别是病人正确的等中心位置。当应用自动解剖剂量调制时，错误的定位可能导致患者剂量不足或过量，这是当今所有CT扫描的标准。最近有报道称，基于人工智能的CT病人自动定位算法取得了令人满意的结果显示，与放射技师的手动定位相比，胸部和腹部CT检查的病人等中心定位有了显著改善。这是通过一种基于人工智能的算法实现的，该算法从位于患者上方的三维深度相机的数据中自动分析患者形状，创建患者专用的三维化身（体表和轮廓），并识别用于患者姿势、体表区域和等心检测的关键解剖标志。由于患者可能被毯子覆盖，或躺在垫子上等，使用3D摄像机数据而不使用人工智能驱动的虚拟人物模型进行等中心定位缺乏稳健性。这样的人工智能系统不仅有可能减少由于操作员依赖造成的错误，以患者特定的方式标准化采集，同时，由于自动确定检查床高度和扫描范围，缩短了时间，也有助于减少辐射剂量。

    在常规CT图像采集中，检查的具体临床原因和患者的个体特征被用作操作者选择扫描和重建参数的基础。最常见的患者特征包括体重、身高、屏气能力或心脏CT中患者的心率和心律变异性。然而，随着成像系统技术的巨大进步，人机交互变得越来越复杂和耗时。根据患者特征手动调整扫描和重建参数需要技术知识，而且容易出错。这可能导致选择不适当的扫描和重建参数，例如，心脏CT扫描方案不适当地适应患者的心率和变异性。患者特定扫描和重建协议的适应性最好是自动的。这种自动化解决方案消除了技术复杂性和运营商的错误风险，可以包括站点特定和区域偏好，并可能导致更标准化的图像质量。

    另一个增长的领域是基于人工智能的诊断图像分析，在采集后立即在扫描仪上为放射科医生提供优化的图像表示。人工智能算法通常被用于自动创建标准化视图和可视化效果，如曲面重组（CPR），并发送到图片存档和通信系统（PACS）以帮助阅读。相关应用是自动生成主要冠状动脉的CPR，包括在心脏的CT血管造影（CTA）检查中标记，或在头颈部CTA中自动生成颈动脉的心CPR。另一个应用是骨骼结构的优化可视化。在最近的一项研究中，作者报告了基于自动机器学习算法生成的肋骨展开视图的肋骨骨折检测和创伤CT读取时间缩短及更高灵敏度。自动图像分析和病例准备在扫描仪上的应用正在进一步发展成为一套新的计算机辅助检测工具，用于自动检测特殊的急性情况，如非创伤性头部CT中有出血，胸部CT中有主动脉夹层，或肺动脉栓塞的CT肺动脉造影研究。这些应用程序的第一代只专注于分诊，因此它们要么在人工智能算法检测到急性疾病存在时通知临床医生，要么在放射学阅读列表中优先/突出显示病例。

    由自动机器学习算法生成的肋骨展开视图（资料由奥地利维也纳医科大学提供）。

    在过去十年中，用于模式识别的AI方法的飞速发展导致围绕增强和/或协助放射线医生阅读和报告工作流的主要目标构建了一些概念，应用程序和产品，主要集中于自动检测和表征图像中的功能和自动测量。

    大多数第一代计算机辅助检测/诊断（CADe / CADx）算法用于肺结节检测，乳房X线照相术中的乳腺病变检测，肺栓塞检测和结肠息肉检测，都已报告了性能的提高，并引入了更多现代AI方法，例如作为基于深度学习的检测和分类。一些研究人员还报告了在其他几个领域中的有希望的结果，例如胸部X射线图像中的异常检测，心脏CT中的钙评分等。

    根据美国心脏协会（AHA）指南，在预先指定的位置自动测量胸部CT中的主动脉直径。

    最近，提出了一套用于胸部CT成像的综合AI系统，其中包括许多子系统，包括肺结节检测，肺叶分割和低衰减实质的表征，分割和胸主动脉最大直径的测量，定量冠状动脉中的总钙量以及检测美国心脏协会（AHA）指南在未经增强的和非ECG门控的胸部CT检查中确定的9个解剖标志（www.acrdsi.org/DSI-Services/FDA-Cleared-AI-Algorithms）。基于使用具有长期短期记忆的递归神经网络的深度学习，在冠状动脉CT血管造影术中自动检测狭窄和斑块并进行分类的研究正在进行中。

    从冠状动脉CTA扫描中自动检测冠状动脉，显示严重狭窄（！

    基于AI的算法将发挥越来越大作用的另一个领域是协助放射科医生进行微创治疗的术前计划。由于任务的性质-即提供遵循特定预定协议的精确测量，因此AI算法非常适合于自动执行此步骤。在放射治疗计划的器官风险检测和轮廓绘制，电生理程序的术前计划，经导管的主动脉瓣置换的瓣膜计划，用于血管内动脉瘤修复的移植物计划以及规划慢性总闭塞干预措施。

    从CT扫描中自动分割有风险的器官，用于放射治疗计划。

    研究和临床环境中健康信息的快速数字化有助于加速实现以患者为中心的决策数据集成。应用人工智能研究的一个日益增长的领域是开发用于风险预测和分层的人工智能算法，而不是仅仅检测、测量和量化图像和相关数据中的特定模式。

    在诊断放射学中，放射医学领域依靠从图像中大规模、全面地提取定量特征来量化肿瘤表型或其他结构的分类，随着基于人工智能方法的应用而发生了变化。

    最近，一项研究展示了一种基于人工智能的方法，命名为Deep-profiler，用于肺立体定向体部放疗患者的个体化放疗剂量。作者描述了一种基于人工智能的CT图像分析，以创建新的放射影像学特征，用于预测放疗患者失败的风险。他们的方法依赖于基于编码器-解码器的深层神经网络来提取潜在特征，以及用于治疗结果预测的特定任务网络。基于人工智能的方法预测治疗失败的速度比传统的放射学或临床变量单独预测要好得多。

    他们表明，基于人工智能的放射治疗方法在预测病变生长和患者生存率方面明显优于RECIST直径和经典放射治疗方法。

    基于集成数据的人体生理学计算建模的人工智能驱动应用，被称为digital twin，正日益在临床研究中得到证明。在心血管成像的一个应用中，作者报道了一种基于机器学习的CTA图像分数流量储备计算算法（CT-FFR）。他们在一个综合生成的冠状动脉解剖和相应血流的大型数据库上训练人工智能算法，并证明人工智能算法可以学习血流动力学，而不需要昂贵和耗时的计算流体动力学模拟。在一项多中心研究中，对351名患者的方法进行了临床评估，作者报告，以侵入性FFR作为金标准，通过添加基于机器学习的CT-FFR，每名患者检测血液动力学相关冠状动脉狭窄的诊断准确率从单用CTA的71%提高到85%。在随后的一项研究中，作者分析了基于机器学习的CT-FFR在急性冠脉综合征和多支血管疾病患者中的预后价值，并报告了CT-FFR相对于Framingham风险评分在随访期间预测主要心脏不良事件（MACE）的递增判别能力。

    digital twin技术的另一个有趣的应用已经被报道，作者使用机器学习技术来根据诊断图像和心电图估计患者特定的心脏电生理模型。这样的模型不仅可以用于治疗计划，例如在心脏再同步治疗中虚拟测试起搏协议，而且可以在过程内评估期间进行更新以合并在过程中获取的实时数据。

    A、基于人工智能的FFR与基于计算流体动力学的FFR在2例患者中的比较。上排：在CT血管造影（A）、基于机器学习的CT-FFR（B）和基于计算流体力学的CT-FFR（C）中出现中度狭窄（白色箭头）的患者。侵入性血管造影和相应的侵入性FFR如（D）所示。下排：患有中度狭窄的患者，以及如上所述的相应图像（E-H）。B、无创计算心脏电生理活动覆盖在左心室和右心室的三维网格上。

    在以价值为基础的医疗时代，对效率和结果的关注推动了医疗服务提供者的大规模整合。随着这一趋势的持续，集成数据的数量不仅会增加，而且会增加复杂性。

    在诊断影像学领域，目前大多数关于效率和结果的研究都是基于大型流行病学研究的数据。最近的方法，如英国生物银行（UK Biobank）研究的成像子研究，目前正在进行扫描10万（总计50万）参与者，将可能为人工智能调查提供丰富的大规模成像数据来源。

    为了能够从这些人口级别的数据库（包含来自电子病历、医学成像、实验室诊断、保险账单、全基因组测序、可穿戴设备等的信息）中提取关键见解，预计基于人工智能的技术将致力于解决几个不同的问题，包括人口健康管理，告知卫生保健政策，分析工作效率，告知指南和适当的使用标准，以及基准质量指标。

    随着放射科医生工作量的增加，将越来越需要能够在日常工作中以及某些情况下帮助他们完成高级任务的技术。并且，扫描仪技术的新进展，例如光子计数CT，将提供丰富的形态学，光谱和功能信息，将需要对图像进行更详细的分析以做出针对特定患者的决策。由于这些因素的影响，人工智能技术在诊断成像的价值链中扮演越来越重要的角色似乎是不可避免的。

    尽管已经有许多临床研究和一些早期的现实世界的证据表明人工智能在放射学中的前景，但可以认为，大规模的临床应用将需要行业和医疗机构解决一些关键问题。成功采用的主要要求是在放射工作流程中实现无缝集成。工作流集成的范围不仅限于大型医疗机构和小型医疗机构复杂、异构的信息技术环境中的信息技术集成，还包括人机交互。后者将需要超越第一代CADe/CADx解决方案中当前实践方法的新概念。

    在放射学中成功的人工智能常规集成还需要强大的临床性能。这将推动对进一步标准化图像采集和处理的需求，这可能是跨不同地点和不同成像设备的挑战，但也对基于人工智能的方法具有内在的抗扫描和成像参数变化的能力。

    放射学阅读的一个特点是在不确定的情况下进行决策的必要性。为了让人工智能算法在这样的环境中成功运行，它需要与放射科医生合作，做出真实可信的预测。

    最近，人们提出了一种胸片异常检测的人工智能框架，它不仅学习了异常存在的概率估计，而且还学习了一种明确的不确定性度量，表征了人工智能算法在其产生的输出中的可信度。

    基于人工智能的应用的一个主要机会在于其内在的能力，即在临床常规中不断从现实世界的案例中学习。然而，根据现行法规，此类基于软件的医疗设备可能需要美国食品和药物管理局（FDA）对这些性能变化进行上市前审查。这与延长时间和在最初的市场授权后改进人工智能应用程序有关。最近，FDA发布了一份白皮书，其中讨论了考虑新监管框架的步骤，以便通过对已部署医疗设备的实际学习，开发正在进行修改的安全有效的人工智能算法。这可能会释放人工智能的全部学习潜力，使其适合日常使用。

    与医学领域的每一项新技术一样，报销问题也将在决定大规模采用方面发挥重要作用。随着报销环境和相关业务模式的发展，在基于价值的报销时代，人工智能最大的短期经济效益在于提高运营效率。进一步的人工智能成功案例将不断挑战各种利益相关者，如付款人、提供者、监管者、立法者和患者，以适应并最终推动人工智能在诊断成像中的广泛应用。

    （关于人工智能的更多内容，可以参见：人工智能的炒作之外丨算法背后与可实现的目标）。

    6. 肿瘤成像AI：临床应用与挑战

    作为医学的核心原则之一，判断（Judgement）依赖于多层数据与微妙决策的整合。癌症为医疗决策提供了独特的背景（context），不仅要考虑疾病演变的多样化形式，还需要考虑患者的个体状况，接受治疗的能力以及对治疗的反应。尽管技术有所改进，但癌症的准确检测，表征和监测仍面临挑战。疾病的影像学评估通常依赖于视觉评估，其解释可以通过高级计算分析来增强。人工智能（AI）有望在临床医生对癌症成像的定性解释方面取得重大进展，包括随时间推移肿瘤的体积描绘，从其影像学表型推断肿瘤基因型和生物学过程，预测临床结果，并评估疾病和治疗对邻近器官的影响。AI可以将图像的初始解释过程自动化，并将影像学检查的临床工作流程，是否进行干预的管理决策以及随后的观察转变为尚未设想的典范。来自哈佛医学院的学者回顾了AI应用于肿瘤成像的现状，并描述了4种肿瘤类型（肺癌，中枢神经系统肿瘤，乳腺癌和前列腺癌）的进展，以说明如何解决常见的临床问题。尽管迄今为止评估AI在肿瘤学中的应用的大多数研究尚未得到有力的可重复性和普遍性验证，但结果确实突出了推动AI技术临床应用和影响癌症治疗未来方向的日益协同的努力。今天我们一块学习一下本章刊登在神刊CA（IF：224）的文章。

    癌症作为一种自我维持和适应性过程，与其微环境动态相互作用，尽管在理解其生物学基础方面取得了重大进展，但仍继续阻碍着患者，研究人员和临床医生。鉴于这种复杂性，在癌症治疗的每个阶段都会出现困境，包括可靠的早期发现；肿瘤前和肿瘤病变的准确区分；手术治疗期间浸润性肿瘤边缘的确定；跟踪肿瘤的演变以及随着时间的推移对治疗的潜在获得性耐药性；医学成像和微创生物标志物的技术进步有望解决癌症检测，治疗和监测领域的这些挑战。然而，对这些技术进步产生的大量数据的解释提出了新的潜在挑战。

    随着对疾病本身的了解越来越多，我们正在更多地了解我们已经可用工具的功能，这些工具可以以前所未有的方式使用。当最初检测到肿瘤病变时，需要将其与非肿瘤的相似病变区分开来，并根据其预测的临床过程和生物侵袭性进行分类，以优化治疗的类型和强度。CT和MRI的广泛应用促进了对体内病变的偶然检测，其临床意义尚不清楚，然后启动了一系列观察，进一步测试或经验干预。通过包括通过手术进行细胞减灭，通过放疗引发肿瘤损伤的直接和间接机制以及药物疗法在内的治疗，癌症可以适应施加，发展和复发的压力。随着治疗后体积增大的病变的影像学外观，必须区分肿瘤或组织对损伤的反应。复发时，已显示肿瘤性病变具有不同于原发性肿瘤的新分子畸变，这可能赋予对医学或放射疗法的抵抗。初始诊断时肿瘤固有的肿瘤内异质性使其更加复杂，研究越来越多地证明了这一点，但在常规临床病理学取样和分析中很难捕获。作为追踪治疗反应和提示肿瘤本身的关键信息的最常用方法，无创成像的需求从未如此之大。

    传统的肿瘤影像学评估主要依赖于定性特征，例如肿瘤密度，增强模式，肿瘤内细胞和无细胞成分（包括血液，坏死和矿化的存在），肿瘤边缘的规律性，与周围组织的解剖关系，以及对这些结构产生的影响。可以在1,2,3维分析中量化基于尺寸和基于形状的肿瘤测量。这些定性的表型描述统称为“语义（semantic）”特征。相比之下，一个称为放射组学（radiomics）的快速发展的领域正在使影像学图像数字解码成定量特征，包括形状，大小，人工智能（AI）方法学的最新进展在自动量化医学成像数据中的影像特征方面取得了重大进展。深度学习是AI的一个子集，是一种特别有前途的方法，可以自动从样本图像中学习特征表示，并且已被证明在任务特定的应用程序中匹配甚至超越人类的表现。尽管需要大量数据集进行训练，但深度学习已经证明了对准确分类（ground truth）标签中具有相对较强的抗噪声能力。AI的自动化功能提供了增强临床医生定性专业知识的潜力，包括随时间推移精确的肿瘤大小体积描绘，多个病变的平行跟踪，肿瘤内表型细微差别转化为基因型含义，通过将个体肿瘤交叉引用到潜在无限可比病例的数据库中进行结果预测。深度学习方法有望在疾病和成像模式之间实现更大的普遍性，对噪声的鲁棒性以及减少错误，最终导致早期干预并显著改善诊断和临床护理。尽管这些研究仍主要处于临床前研究领域，但这种自动影像学“放射组学（radiomic）”生物标志物的持续发展可能会突出显示肿瘤在临床可操作性变化，并随着时间的推移推动肿瘤鉴别的范式转变。

    在这一激动人心的技术转型开始时，我们回顾了应用于4种常见癌症类型（肺癌，脑癌，乳腺癌和前列腺癌）的医学成像的AI方法的当前证据和未来方向。

    提高临床护理疗效和效率的愿望继续推动包括AI在内的多项创新。随着对医疗保健服务需求的不断增加以及并行数据流每天生成的大量数据，临床工作流程的优化和简化变得越来越重要。AI擅长识别图像中的复杂图案，因此提供了将图像解释从纯粹的定性和主观任务转换为可量化且毫不费力地重现的任务的机会。AI可以量化来自人类无法检测到的图像的信息，从而补充临床决策。AI还可以将多个数据流聚合到强大的集成诊断系统中，涵盖医学影像，基因组学，病理学，电子健康记录和社交网络。

    在肿瘤成像中，AI在执行3项主要临床任务方面具有很大的实用性：肿瘤的检测，表征和监测。检测是指在医学影像图像中感兴趣的对象的定位，统称为计算机辅助检测（CADe）。基于AI的检测工具可用于减少观测疏忽，并作为初始评估时防止遗漏错误的工具。在模式识别环境中制定公式，突出显示具有可疑成像特征的区域并将其呈现给读者。CADe已被用作辅助助手，用于在低剂量CT筛查中识别遗漏的肿瘤，检测MRI中的脑转移瘤以改善影像学解释时间，同时保持高检测灵敏度，在筛查乳腺X线照相术中定位微钙化簇作为早期乳腺癌的指标，并且更普遍地已经改善放射科医师检测异常的敏感性。

    人工智能在医学成像中的应用。AI工具可以概念化应用于肿瘤学中3大类基于图像的临床任务：1）异常检测；2）通过定义可疑病变的形状或体积、组织病理学诊断、疾病阶段或分子特征来描述病变特征；3）确定预后或对疾病的反应监测期间随时间变化的治疗。

    特征描述广泛地反映了肿瘤的分割、诊断和分期。它还可以扩展到包括基于特定疾病的预测以及基于特定治疗模式的结果预测。分割定义了异常的程度。这可以从平面内肿瘤最大直径的基本二维测量，到更复杂的体积分割，其中评估整个肿瘤和可能的周围组织。这些信息可用于随后的诊断任务以及辐射规划期间的剂量管理计算。在目前的临床实践中，肿瘤通常是手工定义的，与之相关的局限性包括研究者之间的偏差，甚至专家之间也有不一致的再现性，以及时间成本和劳动的消耗。虽然手动跟踪分割经常被用作判断自动分割算法准确性的基础，但它有可能忽略亚临床疾病，并将分析区域限制为人类偏见。人工智能有可能通过自动分割显著提高肿瘤测量的效率、重复性和质量。随着计算速度的快速扩展和人工智能算法效率的提高，未来的肿瘤病灶分析可能不需要单独的分割步骤，全身成像数据可以直接由人工智能算法进行评估。全身法还可以分析可能是病理性但对人类视觉不明显的器官结构。

    根据影像学数据，随后诊断为良性或恶性可疑病变最终导致放射科医生的视觉解释。临床上，人类的经验和专业知识是用来解决这类问题的主观，定性特征。相比之下，计算机辅助诊断（CADx）系统使用定量肿瘤特征的系统化处理，允许更多可重复的描述。CADx系统已被用于在薄层CT中诊断肺结节以及在多参数MRI中诊断前列腺病变，其中在人类读者之间观察到解释上的不一致。特征还包括分期，根据肿瘤外观和扩散的差异，将肿瘤分为预先确定的组，这对预期的临床进程和治疗策略是有用的。最广泛使用的癌症分期系统是TNM分类，其他方案适用于特定器官，如中枢神经系统（CNS）。

    另一个层次的特征是询问肿瘤的生物学特征。“影像基因组学（imaging genomics）”的新兴领域将放射成像特征与生物数据相关联，包括体细胞突变、基因表达、染色体拷贝数或其他分子特征。从数据的角度来看，基因组学分析的成熟为基于人工智能的影像工作提供了协同的机会。

    在自然病程或对治疗的反应中，AI在监测肿瘤随时间的变化中起着越来越重要的作用。传统的肿瘤时间监测通常局限于预定义的指标，包括通过实体瘤疗效评估标准（RECIST）和世界卫生组织（WHO）的肿瘤负荷评估和治疗疗效评估标准测量的肿瘤最长直径。除了被批评为过于简化通过复杂的成像仪器捕获的复杂肿瘤的几何形状外，还对此类标准的普遍性和有效性提出了质疑，例如在骨性病变的情况下，并未导致化疗（已证明可改善生存率）由RECIST测量的影像学反应。然而，基于人工智能的监控能够在一段时间内捕捉到大量不同于人类读者测量的图像特征。尽管计算机辅助监测的看似不同的组成部分是研究的活跃领域（计算机辅助时间图像的配准、分割和诊断），但该领域仍处于起步阶段，应用尚未浮出水面。

    除了成像，其他微创生物标志物也正在开发用于肿瘤诊断和疾病的纵向追踪。最值得注意的是，液体活检或对肿瘤细胞释放的循环肿瘤DNA（ctDNA）的分析，提供了一个了解肿瘤当前和动态状态的窗口，并允许跟踪疾病进展或消退，以及近实时监测靶向或耐药相关癌症突变的出现。液体活检与放射组学分析相结合，可以通过对肿瘤生物学的无创性描述来显著改善肿瘤治疗，从而更准确地评估预后和实时疾病监测，从而达到精确医学的目的。

    在医疗机构内，上述人工智能干预措施预计将增强其各自当前的标准护理对应措施。除了为临床医生提供辅助信息外，多项工作还证明了人工智能在工作流程的临床决策阶段的实用性。通过基于人工智能的综合诊断，将分子和病理信息与基于图像的发现相结合，将为发现增加丰富的智能层次，最终导致更明智的决策。

    AI干预可能增强临床工作流程。肿瘤患者的传统模式需要对肿块病变进行初步影像学诊断，根据临床因素和患者偏好决定治疗或观察，只有在获得组织后才进行明确的组织病理学诊断，在有此类资源的中心进行分子分型，并仅确定临床结果且在一段时间之后。相反，基于人工智能的干预提供了在肿瘤治疗的不同阶段增强临床工作流程和决策的可能性。测量结果的持续反馈和优化可以进一步改善人工智能系统。

    肺癌是全球癌症相关死亡的主要原因。尽管在过去的几十年中，大多数癌症类型的生存率都有所提高，但肺癌仍落后，这主要是因为肺癌往往进展得很快，到被发现时，治疗选择有限。研究发现，大多数被诊断为肺癌的患者会由于诊断不及时而死亡。医学影像学和人工智能有望在提高肺癌良恶性结节的早期诊断和定性方面发挥重要作用。因为早期阶段通常是可以治愈的，这可以极大地改善患者的预后，减少过度治疗，甚至挽救生命。AI还可以提高肺癌的分期和治疗选择的特征，以及监测治疗反应（表11）。

    直到最近，即使在高危人群中，检测早期肺癌的方法也难以找到。NLST表明，低剂量CT（LDCT）筛查可将目前和以前吸烟的高危人群的总体死亡率显着降低20％。早期发现的肺癌，无论是通过LDCT筛查还是偶然发现，与出现临床症状时检测到的肺癌相比，更适合手术治愈和改善生存结果。尽管免疫检查点抑制剂和靶向治疗的出现已经证明在亚组患者中持久的长期存活，但并非所有患者都受益于这种治疗方式；早期发现具有改善患者存活的益处并且可能限制对广泛治疗的需要。根据这些NSLT研究结果，现在建议对高危人群进行年度LDCT，并且仅次于一级预防（戒烟）以减轻肺癌死亡率，特别是对于戒烟但仍处于危险中的人群。尽管NLST显示出降低全因死亡率的明显益处，但许多限制与肺癌的早期发现相关，这可以通过先进的计算分析来增强。在下面的章节中，将描述肺癌筛查中的当前问题和局限性，常规方法如何试图克服这些局限性，以及AI如何改善这些领域。

    肺癌筛查经常发现大量不确定的肺结节，其中只有一小部分被诊断为癌症。在NLST中，LDCT筛查中发现的96.4%的肺结节未发生癌变。目前，还没有确定的方法来分类这些结节是恶性还是良性。肺癌筛查的另一个潜在危害是对缓慢生长的惰性癌症的过度诊断，这些结节即使不及时治疗可能也不会构成威胁。必须认识到，识别和显著减少过度诊断。如果检测到结节，临床指南提供结节的评估和随访，但不提鉴别供诊断的决策工具，并预测风险和未来癌症发展的可能性。虽然传统的生物统计学和机器学习方法已被用于解决肺癌筛查中的许多局限性，但AI有可能取代这些方法来识别减少成像假阳性结果并更准确地区分良性和恶性结节。这可以导致对肺癌风险和发病率的更定量预测，从而产生稳健，更好定义的临床决策指南。

    人工智能在肺癌筛查中的临床应用。影像学分析显示，在最初发现偶发性肺结节和鉴别惰性和侵袭性肺肿瘤时，有希望预测肺癌的发生风险。

    大多数不确定的肺结节是偶然发现的，这给患者及其提供者带来了困境。每年，超过150万美国人被诊断为偶然发现的结节；而这些结节大多是良性肉芽肿，约12%可能是恶性的。Fleischner协会和美国放射学会肺CT筛查报告和数据系统（Lung-RADS）为这些偶然发现的结节的随访和管理提供了建议，通常需要在3到13个月之间进行随访成像，以确认生长情况，然后再进行更具侵入性的诊断（如活检）。这些系统是“语义（semantic）”的，因为它们描述了影像学词典中常用的特征，用于描述人类专家感兴趣的区域。在最近的一项研究中，一个包含4个定量评分的语义特征（短轴直径、轮廓、凹陷和纹理）的模型在肺癌筛查中用于区分良恶性结节的准确率为74.3%。另一项研究是为了识别小肺结节（小于6mm）的语义特征，以预测肺癌筛查环境中的肺癌发病率，根据肺气肿总分、血管附着、结节位置、边界定义和凹陷，最终模型显示的受试者操作特征曲线下面积为0.930。尽管在上述分析中恶性结节和良性结节之间存在不平衡，但这些研究为语义特征在肺癌筛查中的应用提供了有力的证据。与肺癌筛查中发现的结节一样，偶发性肺结节的护理标准缺乏准确的决策工具来预测恶性与良性疾病以及惰性与侵袭性行为。对偶发性肺结节的适当处理取决于癌症的可能性及其行为的潜在侵袭性。对结节性质的预测可以证明截然相反的策略，例如活检和观察。错误的预测会带来严重的后果，一方面是延迟干预导致过早死亡的风险，另一方面是侵入性检测导致的发病率和死亡率。肺癌筛查也能检测出表现出广泛行为的肿瘤：有些在临床上是惰性的，有些则具有攻击性，需要及时治疗。一项研究估计，超过18%的肺癌在NLST的LDCT检测似乎是惰性的。

    2017年，Arnold基金会为自动肺癌检测和诊断挑战赛提供了100万美元的资助。在这项挑战中，国家癌症研究所（NCI）癌症影像档案馆的数千张带注释的CT图像被提供给社区，以训练和验证他们的模型。所有顶尖团队都使用卷积神经网络（CNNs）来自动检测和诊断病变，获奖者必须公开他们的网络模型。获胜的团队报告了一个很高的性能（log loss=0.399；其中一个完美的模型的log loss为0）。尽管这是令人鼓舞的，但值得注意的是，获胜的网络需要对其在临床环境中的表现进行更详细的评估。有一个显著的偏倚，在这个挑战中50%的癌症患病率，这显著高于筛查人群与不确定结节患者中4%的患病率。尽管这一挑战确定了有前途的方法，但在它们能够用于临床之前，很可能需要进行重大的调整。

    尽管在美国和大多数西方国家，肺癌的发病率正在下降，但肺癌在未来几十年仍将是一个主要的公共卫生负担。即使戒烟后，既往吸烟者患肺癌的风险仍然增加，特别是与终生不吸烟者相比。肺癌筛查的改进对于改善患者的预后仍具有重要意义。随着肺癌影像学研究从传统的生物统计学，到机器学习，再到深度学习，可以认为人工智能可能成为下一个发展临床上可采用的方法，精确识别风险，提高对未来癌症发病率的风险预测，区分恶性和非恶性结节，区分惰性肿瘤和侵袭性肿瘤。

    肺癌表现出广泛的行为，有些是临床惰性的，有些是侵袭性的，需要及时治疗。尽管有预后因素与较好的生存率相关（如女性、表皮生长因子受体[EGFR]突变的肿瘤、早期疾病、无区域淋巴结受累和良好的表现状态），也有与较差的生存率相关的因素（如肺功能差，心血管疾病、男性、当前吸烟状况、高龄和晚期肿瘤）的存在，这些因素限制了将癌症作为“移动目标（moving target）”的异质性、动态性加以解决的临床实用性。具体而言，肿瘤病变是不断演变和多样化的，改变其表型和基因组组成，通过转移扩散，甚至改变其位置。当受到治疗干预的选择压力时，这一点更为真实，在治疗干预中，癌症进化迅速探索和利用耐药机制，甚至有可能借助全身细胞毒性化疗的诱变性质，使治疗肿瘤的医生追逐一种不断变化的疾病。

    相反，基于图像的生物标志物可以无创性和纵向地捕捉影像学表型，并描述肿瘤的潜在病理生理学特征。由于易于临床实施，基于大小的测量方法，如肿瘤的最长直径（如RECIST和WHO）被广泛用于分期和疗效评估。然而，基于大小的特征和疾病阶段具有局限性，因为这些指标与结果和反应的显著可变性相关。识别语义特征和自动放射特征预测肺癌患者预后的研究工作已经取得了成功。例如，CANARY工具（计算机辅助结节评估和风险收益率）提供了基于语义的风险分层，以确定肺腺癌中一个潜在的易受攻击的亚组，该亚组的病程更为严重。初步研究表明，AI可以自动量化肿瘤表型的影像学特征，并且该信息对包括肺癌在内的多种癌症类型具有显著的预后（P<3.53×10−6）；AI还与肺腺癌（P=1.79×10−17）的远处转移相关组织学亚型（P=2.3×10-7），以及潜在的生物学模式（包括体细胞突变和基因表达谱）有关。

    医学影像学在量化肺癌的瘤内特征方面也能发挥重要作用。对来自同一肿瘤的多个独立样本的测序研究表明，肿瘤内异质性（ITH）是实体肿瘤的一个共同特征。肿瘤由数十亿个独立的癌细胞组成。低水平的DNA损伤或表观遗传调控的改变在每一个细胞分裂中被引入，引起癌细胞基因组的轻微变化，并随着时间的推移而增加。当一个变化在特定的微环境中诱导了一种选择性优势时，克隆扩增可以产生一个癌亚克隆，所有癌细胞共享一个单一的、最近的、共同的祖先。非小细胞肺癌（NSCLC）和透明细胞肾癌的预后不良与基因组ITH有关，ITH是指同一肿瘤内独立的癌细胞亚克隆共存。然而，肿瘤亚克隆可能在空间上是分离的，并且可以携带显著不同的突变负荷，范围从高度同质到超过8000个异质突变，在同一肿瘤的不同区域之间存在差异。

    ITH分析表明，尽管在单个肿瘤活检中靶向性体细胞改变可能是克隆性的，但在同一肿瘤不同部位的其他活检中可能完全没有。肿瘤内存在表型多样化的证据对基于单区域活检组织分子特征的精确医学技术的应用产生了影响。因为在单个肿瘤活检中确定的靶点可能是亚克隆的，针对它们的治疗只能对一部分癌细胞有效，没有靶点的癌亚克隆不受损害。在临床上，人们提出了不同的策略来量化ITH，包括原发性肿瘤的多区域测序、循环肿瘤DNA分析和医学成像数据的使用。不幸的是，尽管与单样本分析相比，多区域测序提供了改进的ITH范围测量方法，但它需要足够大的高质量肿瘤样本，并且仍然存在潜在的取样偏差，由于肿瘤的整体取样不完整，有可能错过重要的肿瘤亚克隆。

    无创监测在肿瘤演变过程中的应用。癌症有一个共同的主题，即在自然病史中发展肿瘤内异质性。亚克隆的存在（以不同的颜色表示）对治疗的反应具有重要意义，可能很难通过标准活检获得。疾病监测期间的成像和血液生物标记物为检测肿瘤内异质性的存在提供了一种潜在的技术解决方案，从而可能直接改变治疗策略。

    医学影像学在定量研究肺癌的瘤内特征、提高肿瘤的捕获和定量诊断能力方面发挥着重要作用。由于进化适应度是上下文关系，并且取决于特定的微环境，因此这些环境很可能可以通过成像来识别。与大多数基于肿瘤的生物标记物类似，存在许多局限性，因为肿瘤的异质性和肿瘤标本对生物标志物检测的要求，它们可能会受到取样偏差的主观影响，并且分析通常可能是及时的、昂贵的，并且需要大量的组织或组织分析物。相比之下，基于图像的特征在人工智能的指导下，可从标准护理图像中实时获得，不需要及时（且通常昂贵）的实验室分析测试，不受采样偏差和伪影的影响，并且是非侵入性的。基于图像的特征代表了整个肿瘤的三维表型，而不仅仅是接受生物标记物检测的部分（即活检）。

    AI用于评估靶向治疗和免疫治疗的反应。基于RECIST标准的定量成像终点的成功为肿瘤学人工智能的发展铺平了道路，因为在临床试验中广泛采用这些终点作为早期生存指标，产生了大量具有临床元数据的CT图像数据集。对这些临床试验数据集的回顾性分析在满足人工智能对大数据的需求方面是非常宝贵的，以支持人工智能算法的培训和验证，否则可能会被从头开始生成这些数据集所需的费用和努力所禁止。部分原因是RECIST的成功，定量CT分析现在是当代肿瘤学的主力，为人工智能预测模型创造了即时的转化潜力。

    人工智能的优势非常适合于克服当前一代靶向和免疫疗法带来的挑战，这些疗法可以产生明显的临床益处，而基于RECIST的终点很难捕捉到这些益处。这些终点依赖于这样的假设，即治疗的成功反应将通过肿瘤缩小来反映，特别是基于肿瘤直径的反应测量假设肿瘤是球形的，并且在治疗后经历均匀的空间变化。靶向治疗和免疫治疗导致了新的反应模式，这些新的反应模式混淆了当前基于RECIST的终点，并可能导致临床试验的高失败率和药物开发的成本。AI量化与反应相关的生物学过程而不是大小的能力满足了该领域的迫切需求。

    目前，靶向治疗和免疫治疗的反应预测是基于免疫原性肿瘤微环境（例如，程序性细胞死亡配体1[PD-L1]表达）和突变状态（例如，EGFR）的生物标记物。这些都是通过活检获得的，这是侵入性的，难以纵向执行，并局限于一个单一的肿瘤区域。PD-L1表达的预测价值也可能有限。例如，在KEYNOTE‐189临床试验中，无论PD‐L1表达如何，pembrolizumab联合标准化疗的免疫治疗对所有患者都产生了生存益处，即使在PD‐L1肿瘤比例得分低于1%（应表明获益的可能性很小）的患者中。

    越来越多的证据表明，人工智能可以通过识别与免疫反应相关的影像生物标志物来评估免疫治疗的反应。影像学表型与抗PD1二线治疗后NSCLC患者的总生存率（OS）相关。在这项研究中，通过两个放射组学特征（区域差异性（危险比[HR]，0.11；95%置信区间[95%CI]，0.03-0.46[P=.002]）和熵（HR，0.20；95%CI，0.06-0.67[P=.009]）对OS进行了显著预测（P=.005），这表明原发性肺肿瘤在增强CT上具有不规则的强度模式。另一项肺癌研究表明，通过向临床模型中添加基因组学和放射组学信息，OS的预后得到改善，导致95%CI从0.65（Noether P=0.001）增加到0.73（P=2×10−9），这些发现表明，放射组学和基因组学生物标记物是互补的，为人工智能阐明其组合数据之间的预测关联创造了潜在的作用。尽管机器学习已被用于基于微阵列基因表达模式的识别对肺癌进行基因分类，但其用于检测预测预后的放射组学-基因组学相关性的方法仍有待研究。

    定量成像数据的人工智能分析也可能改善对靶向治疗反应的评估。使用抗血管内皮生长因子（VEGF）单克隆抗体贝伐单抗治疗的NSCLC肿瘤对氟脱氧葡萄糖的摄取减少，比常规CT标准确定更多的患者对治疗有反应（73%对18%）；在该研究中，正电子发射断层扫描（PET）和CT均与OS无关（PET, P = .833;CT, P = .557）。目前，预测靶向治疗的反应主要是通过活检来分析靶向突变的状态。人工智能预测模型可以通过识别与突变状态相关的成像表型来补充这一点。这种方法的优点是能够反复无创地描述所有肿瘤的突变状态，而不仅仅是在活检部位，这可以避免缺乏与肿瘤内异质性相关的预测能力，以及在、肿瘤内不同的转移中出现不同的获得性耐药机制。支持这一方法的是对接受吉非替尼治疗的非小细胞肺癌患者的定量影像学研究。这些结果表明，EGFR突变状态可以通过放射特征定律-能量（曲线下面积[AUC]=0.67；P=.03）显著预测。

    生物标志物必须是客观的和可重复测量的，以作为反应评估的标准。人工智能通过其在肿瘤图像中描述复杂模式的能力提供了高度的客观性，而没有与人类专家视觉评估相关的观察者间的可变性。了解放射组学特征的测量误差对于建立基于这些特征的人工智能预测模型的可再现性具有重要意义。不同的肿瘤分割算法引入了已知会影响放射组学特征计算的方差，因此可能会影响AI技术的性能。成像设置，包括CT扫描仪、切片厚度和卷积核，也会影响放射组学特征的计算。这些设置的变化存在于临床实践和临床试验中，并可能影响AI开发的生物标记物的能力和再现性。CNNs的训练和验证可以通过选择可再现的预测特征并丢弃那些在不同图像集之间变化的特征来减少这种影响，但是这需要被证明。人工智能领域的快速发展与临床试验终点的需求之间也存在紧张关系，临床试验终点需要在标准更新之前（例如，从RECIST 1.0到1.1）保持历史一致性并在大型数据库中实现验证。在公共领域癌症数据集的规模和适当性方面继续取得进展是满足后一种要求的必要条件。

    中枢神经系统肿瘤的病理学范围很广，可能比身体其他器官系统的肿瘤更为多样。与大脑相邻的非神经组织引起的多种肿瘤是常见的，必须考虑在中枢神经系统肿瘤中，包括脑膜瘤、垂体瘤、神经鞘瘤和颅骨病变。这种多样化的诊断方法对临床医生提出了独特的要求，要求他们对影像进行准确评估。

    目前在评价中枢神经系统肿瘤的放射学研究过程中存在三个主要挑战：1）准确诊断疾病的类型和程度等同于临床决策；2）随着时间的推移，肿瘤疾病的可靠跟踪，特别是在治疗后对周围神经组织的相关影响，随着分子分类学在影响肿瘤行为和临床结果方面的作用越来越受到重视，它可能获得难以与肿瘤区分的信号特征；以及3）从肿瘤的表型表现中提取基因型特征的能力。

    肿瘤患者的传统模式需要对肿块病变进行最初的影像学诊断，根据临床因素和外科医生或患者的偏好决定治疗或观察，只有在获得组织后才进行最终的组织病理学诊断，在有这些资源的中心进行分子基因分型，以及只有经过一段时间才能确定临床结果。影像基因组学还可以阐明在人群中以及在不同人群之间进行的多机构临床试验中治疗成功和失败的原因。在全球范围内，缺乏神经放射科医生，很少接触到罕见的中枢神经系统肿瘤，或者缺乏分子图谱的地方，通过共享网络算法对成像进行计算分析为改善所有脑瘤患者的护理提供了潜在的宝贵资源。

    影像学在脑肿瘤的早期诊断中起着重要的作用，是早期和后续评估的常规部分。脑肿瘤复杂的影像学特征，以及肿瘤类型中频繁的遗传异质性和获得组织诊断所需的程序的侵袭性，导致了该领域的诊断难题（表2）。

    胶质瘤是成人最常见的恶性原发性脑肿瘤，CT和MRI等横断面成像技术可提供高分辨率的空间信息和组织对比度，使放射科医生能够描述不同的胶质瘤亚型和级别。人工智能可以提高目前标准诊断成像技术的实用性，它可以使神经胶质瘤的术前分类更加精确，超出人类专家所能提供的范围。例如，人工智能已应用于术前磁共振成像的研究中，以通过使用从空间共配准，多模式MRI获得的图像纹理特征训练机器学习分类器来区分低度和高度肿瘤以及各个WHO等级（表2）。神经胶质瘤的临床相关分子亚型，如异柠檬酸脱氢酶（IDH）突变的存在，可以通过机器学习方法识别，包括在常规MR图像上训练的深层CNN。

    然而，亚型分类问题并不是成人胶质瘤独有的。概念上类似的工作也在其他脑肿瘤上进行，其中已经证明，根据从常规MRI中提取的放射组学特征训练的分类算法可以生成垂体腺瘤亚型和儿童脑肿瘤的预测模型（表2）。

    在区分不同的肿瘤类型时，也会出现诊断上的模糊性。一个关键的临床难题是如何区分原发性中枢神经系统淋巴瘤和胶质母细胞瘤，两者可能具有相似的影像学表型。放射组学模型，使用基于图像的纹理特征，已经被证明可以增强胶质母细胞瘤和原发性中枢神经系统淋巴瘤之间的差异。有趣的是，在评估这两种疾病过程的组织病理学切片时，常常会出现类似的诊断难题；随着CNN在全球研究中越来越多地应用于组织病理学图像分类，我们预计也会出现解决这一问题的稳健预测模型。

    迄今为止，人工智能在脑肿瘤研究中的应用主要集中在区分脑肿瘤的组织病理学和分子亚型方面。为了实现这一点，人工智能算法使用预先选择的具有特定肿瘤亚型的患者群体进行训练。这种方法使得将诊断模型集成到临床工作流程中具有挑战性，因为只有当测试群体与训练数据相似时，模型的诊断精度才能保持一致。有了基于更一般患者群体的足够训练数据，AI的诊断能力很可能会扩展到包括多种肿瘤类型以及非肿瘤良性病变之间的准确鉴别。

    与肿瘤亚型之间准确诊断鉴别的协同作用是计算算法自动检测肿瘤本身的存在和程度的能力。MRI是描述中枢神经系统肿瘤最常见的方式，在MRI上，肿瘤可能表现为不同程度的对比增强或完全无对比增强；可能与瘤周水肿或出血有关；并可能因邻近的骨骼，血管，脂肪或外科材料而使边缘模糊。神经系统对治疗的反应，也被称为假进展，在区分肿瘤和非肿瘤方面增加了一层复杂性，如下所述。尽管这些特征对CNS肿瘤的自动检测提出了挑战，但仍然需要开发强大的体积算法来分析肿瘤及其邻近的微环境。

    近年来，关于CNS肿瘤的半自动和自动检测的研究和方法层出不穷，主要应用于常规MR成像，也应用于PET和超声成像。尽管半自动算法在探索和研究中使用最为频繁，但其已被应用于立体定向放射外科的治疗计划、术后残余肿瘤体积的定量以及肿瘤生长的跟踪。强大，自动的肿瘤检测算法在评估具有众多颅内病变的患者（例如在CNS转移范围内及其生长速率差异或对治疗的反应）方面的优势。同样，在颅底病变中，其形状通常是不规则的，并跨越颅内和颅外隔室，自动容积重建可能会发现偶然的观察者忽略的敏感的生长变化。

    一些研究人员几乎可以普遍使用用于图像分析的计算工具以及共享开源代码，这有望加快该领域的发展速度。公开可用的成像数据库为假设检验和验证提供了强大的资源，包括来自医学图像计算和计算机辅助干预（MICCAI）组的多模式脑肿瘤图像分割挑战（BRaTS）数据，癌症成像档案和常春藤胶质母细胞瘤地图集项目。最终，这些努力的成果有望开发出工具，最大限度地减少观察者间随时间和治疗追踪肿瘤的变异性，并从CNS肿瘤的常规成像中提取超出放射照相表型的更深层数据。

    在20%到30%的胶质母细胞瘤患者中，接受标准的、预先放射治疗并辅以替莫唑胺，观察到造影剂增强病变的扩大，这些病变在不改变治疗方案的治疗过程中稳定或消失，称为假性进展。类似地，大约25%的中枢神经系统转移瘤在照射野内发生坏死，表现为扩大强化，类似于脑转移瘤立体定向放射外科术后复发的肿瘤。尽管许多传统或先进的成像技术已经被研究来区分真实的肿瘤和治疗相关的改变，但是在空间上描述异质性组织仍然是一个挑战，这些异质性组织通常同时包含有存活的肿瘤和治疗相关的改变。使用机器学习方法组合多个成像特征可以提高构建准确组织分类器的能力，从而解释治疗肿瘤的异质性。从常规MRI中提取的纹理特征已被用来区分放射性坏死和复发性脑肿瘤。灌注加权和磁敏感加权MRI序列也可以结合起来区分高级别胶质瘤患者的复发和放射性坏死。纹理分析也已应用于氨基酸PET成像以诊断假性进展。为了提供肿瘤和坏死组织更直接的历史相关性，与立体定向活检部位共同配准的基于体素的MRI评估已经产生了与活检标本的细胞计数相关的参数模型。总体而言，这项研究大部分正处于临床试验中从试验数据转向验证的阶段。只有在更严格地证明此类技术的临床实用性后，才能实现监管批准和商业化，然后传播到广泛的临床应用中。

    中枢神经系统肿瘤的生物学特征：前景和前景。对于最常见的中枢神经系统肿瘤，已经定义了一种分子分类法，具有广泛的应用范围，并降低了下一代测序的成本。已经观察到分子特征赋予超出标准组织病理学分类的预后意义，包括成人和儿童神经胶质瘤，脑膜瘤，垂体瘤，颅咽管瘤，成神经管细胞瘤和室管膜瘤。这些分子印记越来越多地指导肿瘤监测成像的频率，临床结果和复发风险的患者咨询，以及决定治疗类型（例如放疗或观察）。然而，这些信息很大程度上仅取决于干预后肿瘤的组织取样。与全身性癌症一样，脑肿瘤在个体肿瘤内以及使用多焦点取样和单细胞测序策略复发时具有令人难以置信的分子异质性。这种异质性可能会导致目前的药物治疗剂对脑肿瘤的有效性有限，以及经过一段时间明显的疾病控制后所感知到的获得性耐药。随着时间的推移跟踪肿瘤基因型的非侵入性方法可以捕获肿瘤异质性的整个格局，因此具有吸引力。

    CNS肿瘤成像的放射组学分析有可能表征整个肿瘤的表型，而不是肿瘤的核心，如经常采样用于分子分析，并提供进入肿瘤内部生长模式的非侵入性窗口。以前的研究报道了脑肿瘤的影像学特征，分子途径和临床结果之间的重要联系。胶质瘤的行为与其分子改变显著相关，特别是IDH1/IDH2，EGFR，O6-甲基鸟嘌呤-DNA甲基转移酶（MGMT）以及染色体1p和19q的改变。世卫组织在其2016年关于神经胶质瘤分类的更新中认识到了脑胶质瘤分子分层的重要性。在术前MR图像上训练的机器学习算法已经能够以80%至95%的灵敏度和特异性区分这些特征，包括胶质母细胞瘤亚型和存活率的预测，高级别和低级别胶质瘤中的IDH突变状态，低级别神经胶质瘤中染色体1p和19q缺失的存在，MGMT甲基化状态，EGFR扩增状态以及EGFR受体变体III以及EGFR细胞外结构域突变的存在。无监督深度学习方法在鉴别具有不同预后的胶质母细胞瘤中的分子亚群方面显示出前景。

    用于卷积神经网络（Chang等2018）的Grad-CAM可视化（Selvaraju等2017）应用于2个异柠檬酸脱氢酶1（IDH1）/IDH2野生型胶质母细胞瘤的实例和2个IDH1突变型胶质母细胞瘤的实例。彩色图覆盖在原始钆增强的T1加权磁共振图像上，红色加权到IDH状态分类的区分区域。

    在脑膜瘤中，良性变异（I级）最常在几种假定的致癌因素中的一种中携带突变，而高级别变异（II-III级肿瘤）则具有可变数量的染色体改变。脑膜瘤患者术前MRI的放射组学分析显示，计算机提取的成像特征能够与脑膜瘤等级以及某些基因组特征密切相关（W.L.B.和H.J.W.L.A.等人，未发表的数据）。定量放射学特征可以辨别微妙之处，例如与I级脑膜瘤相关的非典型特征的数量，超出定性放射科医师评定的成像特征的能力。

    垂体瘤，颅咽管瘤，脊索瘤和其他中枢神经系统肿瘤正在进行类似的放射组学分析。除了单肿瘤亚型分析之外，未来的工作还需要提高准确性和灵敏度，以便这些方法可以放心地应用于临床环境，获得比单一或双重标记更细微的分子标记，并容纳与复发和治疗后疾病状态相关的伪影，以允许在患有CNS肿瘤的患者的整个过程中真正纵向应用放射组学。

    预测性生物标志物可以在临床试验中发挥重要作用，因为它们能够选择更可能对治疗有反应的患者，从而提高检测临床益处的机会并降低无效治疗引起的药物毒性风险。用于治疗胶质母细胞瘤的最著名的预测生物标志物是MGMT启动子状态，其中甲基化肿瘤亚型对烷化剂显示出更大的反应。最近，在2个3期临床试验中评估了新诊断的胶质母细胞瘤的抗血管生成治疗，其中靶向VEGF的抗体贝伐单抗在加入标准治疗时没有导致OS改善。目前，没有临床上有用的分子标志物预测抗血管生成治疗的治疗反应。已经使用常规和先进的方式研究了基于成像的生物标志物对新诊断的复发性胶质母细胞瘤的治疗反应预测。基于常规成像特征的放射成像预测因子已经使用接受贝伐单抗治疗的复发性胶质母细胞瘤患者的回顾性单中心数据集进行了鉴定。在对单机构和多机构，单臂数据集的回顾性评估中，使用常规和，弥散MRI特征构建了放射学模型，以区分长期幸存者和短期幸存者。首先从胶质母细胞瘤患者的2个数据集中独立提取基于术前灌注MRI的非参数参数的无监督的放射学特征簇，随后将特征簇组合并评估其与患者存活结果的关联。与生存率低（HR，>3.0）相关的放射特征簇与血管生成和缺氧途径的突变相关。这些初步调查是基于接受治疗但没有对照治疗组的患者，因此仅建立这些成像标志物的预后价值。

    使用回顾性和前瞻性临床试验数据筛选和验证放射性生物标志物有几个优点。由于这些患者人群相对均匀（包括治疗方案类型，剂量和持续时间以及治疗前和治疗期间的影像学评估时间和频率），因此患者预后的预测准确性可能会提高。在这种情况下构建的预测模型可以更容易地应用于使用类似方案的未来前瞻性试验。

    乳腺癌是美国女性中最常被诊断出的癌症，也是癌症死亡的第二大常见原因。自20世纪80年代以来，乳腺癌的5年生存率有了巨大改善，这可能是因为乳腺X线筛查的显著采用以及乳腺癌治疗的改善。乳腺癌是一种异质性疾病，肿瘤在病因，预后和对治疗的反应方面有所不同。雌激素受体（ER）的存在对于对特定治疗（例如，ER阳性疾病患者的他莫昔芬）和预后（ER阴性疾病患者的预后较差）的反应很重要，并且可以定义病因亚型。三阴性乳腺癌为ER阴性，孕激素受体（PR）阴性和人表皮生长因子受体2（HER2）阴性。它们在标准乳腺X线照相术中没有表现出典型的恶性肿瘤迹象，更可能被检测为间隔性和高度恶性肿瘤，并且5年生存率较差。

    成像和计算机技术的进步协同作用导致人工智能在乳腺成像的各种任务中的潜在应用迅速增加，如风险评估、检测、诊断、预后和对治疗的反应（表3）

    尽管CADe继续被开发用于筛查乳腺摄影术，研究人员也试图通过结合预定义的算法和新的深度学习方法，在3D超声、乳腺MRI和乳腺断层合成图像上自动检测乳腺病变。计算机检测三维乳腺图像的动机是随着三维超声和磁共振成像的到来而产生的，用于筛查乳腺组织致密的妇女。

    自20世纪90年代初以来，CNN已被用于医学图像分析，用于检测数字化乳腺X光片中的微钙化，以及区分活检证实的肿块和乳腺X光片上的正常组织。

    已经开发了计算机视觉技术来提取乳腺图像上实质组织模式的密度和特征，以产生定量的生物标志物，以用于乳腺癌风险预测以及最终用于个性化筛查方案。

    基于区域和基于体积的密度评估都用于估计乳腺钼靶密度，因为密度增加既是乳腺癌的危险因素，也是掩盖病变的掩蔽效应。乳房密度是指乳房中纤维腺组织的数量相对于脂肪组织的数量。因为FFDM是乳房的2D投影，所以3D百分比密度值是估计出来的。

    除乳腺密度外，还有证据表明，实质形态的变异性（例如，描述致密组织的空间分布特征）也与乳腺癌风险有关。通过使用纹理分析，当在乳房X射线照片的分析中采用偏斜度测量来描述密度变化时，研究人员已经表征了FFDM区域内灰度级的空间分布。其他人利用纹理分析和深度学习来区分BRCA1/BRCA2基因突变携带者（或对侧乳腺癌妇女）和乳腺癌低风险的女性，并利用近500个病例发现，乳腺癌高风险妇女的乳腺密度高，实质形态粗糙，对比度较低（AUC，约为0.82）。进一步的研究将纹理分析应用于乳腺断层合成图像，以描述实质模式，最终用于乳腺癌风险评估，初步结果表明，纹理特征与乳腺断层合成（回归分析中P=0.003）上的乳腺密度的相关性好于数字乳腺X光片。

    在动态对比增强（DCE）MRI上，乳腺实质模式的特征也被扩展到乳腺实质增强（BPE）。在50名BRCA1/BRCA2携带者的有限数据集中，BPE的定量测量与乳腺癌的存在相关，BPE百分比的相对变化可预测降低风险的输卵管卵巢切除术后乳腺癌的发展（P<0.05）。深度学习方法越来越多地被评估用于评估乳腺密度和实质特征，其中的一个例子包括根据其BRCA1/BRCA2状况评估转移学习对处于正常乳腺癌风险和高风险女性之间的区分的绩效评估。

    自20世纪80年代以来，各种研究人员一直在开发CADx的机器学习技术，以区分乳腺良恶性病变。CADx的这些人工智能方法涉及肿瘤的自动表征，最初由放射科医生或计算机指示。计算机描述可疑区域或病变的特征和/或估计其发病概率，将患者管理交给医生。

    将人工智能方法应用于乳腺图像数据，可以定量地获得肿瘤的大小、形状、形态、纹理和动力学特征。例如，在乳腺MRI上使用对比剂摄取的动态评估可以让研究者根据异质性来量化癌症，产生空间特征和动态特征的表型。例如，熵是一种随机性的数学描述，它提供了肿瘤内模式异质性的信息，从而描述了对比增强乳腺MRI成像的肿瘤内血管系统摄取（即对比度摄取）的异质性模式。这种分析可能反映血管生成和治疗敏感性的异质性，如NCI的癌症基因组图谱（TCGA）乳腺癌表型组所示。

    使用CADx，对预定义算法和深度学习算法进行了评估。研究人员已经表明，在区分良恶性病变的任务中，使用人类工程或深度学习特征在乳腺病变分类中表现良好，并且这两种方法的“融合”可以在统计学上显著改善乳腺癌的诊断性能。在所有3种乳腺成像模式（690例DCE-MRI病例、245例FFDM病例和1125例超声病例）中，“融合”分类器表现最佳，表明在乳腺癌诊断检查中，工程和深度学习肿瘤特征的互补使用潜力（DCE-MRI:AUC=0.89[标准差=0.01]；FFDM:AUC=0.86[标准差=0.01]；超声：AUC=0.90[标准差=0.01]）。其他研究者使用转移学习，在2282个数字化屏幕胶片和FFDM上预训练CNN，用于描述324个乳腺断层合成体积上的肿瘤，它证明了在成像模式之间传递成像模式知识的能力。

    除了CADe和CADx之外，还有2种人工智能在乳腺成像中的应用，包括通过产生精确医学中基于图像的乳腺癌预测表型来评估分子亚型、预后和治疗反应。乳腺癌研究的一个主要兴趣领域是试图了解肿瘤的宏观外观与其周围环境之间的关系。这些关系可以从临床乳腺图像和风险、预后或治疗反应的生物学指标中提取。这种生物标记物的有效开发得益于多种患者检查信息的整合（即临床、分子、成像和基因组数据；即通常在诊断检查和随后的活检中获得的其他“组学”）。

    在NCI的TCGA乳腺表型组的一项合作努力中，多学科研究人员对84个实体乳腺肿瘤进行了表型特征分析，以获得有关潜在分子特征和基因表达谱的基于图像的信息。即使在控制肿瘤大小后，增强纹理（熵）与分子亚型（正常样、管腔A、管腔B、HER2富集型、基底样）之间也存在显著的统计学相关性（病变≤2cm时P=0.04；病变从2到≤5cm时P=0.02）。磁共振成像与基因组的关联也被揭示出来，进一步加深了对调节肿瘤表型发展的遗传机制的理解。

    磁共振成像显示乳腺癌基因组特征与放射组学表型的显著相关性。基因集富集分析（GSEA）和线性回归分析相结合，将基因组特征（包括microRNA（miRNA）表达、蛋白质表达和基因体细胞突变等）与6类放射组学表型相关联。在这个图中，每个节点代表一个基因组特征或一个放射组学表型。每一行都是一个确定的具有统计意义的关联，而没有描述非显著关联。节点大小与其相对于类别中其他节点的连接性成比例。

    例如，关于预测患者对特定治疗的反应，在美国医学院接受新辅助治疗的患者中，从乳腺MRI（141名女性：40名有复发，101名无复发）半手工描绘功能性肿瘤体积被确定为无复发生存率的预测指标放射成像网络（ACRIN）研究6657，显示了自动化的潜力。

    前列腺癌是美国男性中诊断率最高的非皮肤性恶性肿瘤，也是导致癌症相关死亡率的第二大原因。前列腺癌的发生率、发病率和死亡率的统计数据可以用多种不同的方法进行检验。它是一种非常常见的癌症，因为它是一种“衰老的肿瘤”，但它的疾病特异性死亡率非常低，所有这些都加强了它作为一个影响大量人口的复杂公共卫生问题的特征。虽然前列腺癌是一种严重的疾病，但大多数被诊断为前列腺癌的男性并不会因此而死亡。前列腺癌患者的5年生存率从转移性疾病患者的30%到局限性疾病患者的100%不等。目前前列腺癌诊断的主要临床问题包括：1）过度诊断和过度治疗，主要是由于无法预测特定癌症的侵袭性和风险；2）靶向活检取样不足，导致误诊和低风险前列腺癌患者的疾病进展。在荟萃分析中，报告的非临床意义前列腺癌的过度诊断率高达67%，导致不必要的治疗和相关的发病率。由于这种临床行为的范围，有必要将具有临床意义的肿瘤（活检Gleason评分为7分和/或病理体积为0.5ml的患者）作为治疗候选者与具有临床意义的肿瘤并且可以安全地接受主动监测的患者区分开。人们注意到，早期前列腺癌积极治疗的潜在生存益处受到惰性疾病不必要治疗的损害。

    前列腺癌的生物学异质性导致了不同的临床结果，从惰性到高侵袭性肿瘤的高发病率和死亡率，以及治疗计划、治疗反应和患者预后的差异。这反映在国家综合癌症网络指南（National Comprehensive Cancer Network guidelines）中纳入了基因组图谱，包括Decipher（GenomeDx Biosciences，加利福尼亚）、Oncotype DX Prostate（genomic Health Inc，加利福尼亚州）、Prolaris（Myriad Genetics Inc，犹他州）等。在进行分子表征的同时，人工智能也有可能使临床医生在前列腺癌的检测、定位、特征、分期和监测方面发挥作用。目前还没有广泛的多中心试验，因此许多初始工作仅限于单中心、单算法分析和小数据集。然而，一些组织，如美国国家卫生研究院和MICCAI，正在开发基础设施，以允许更大的、注释良好的数据集可用于人工智能开发。

    主要基于有监督机器学习的计算方法已经成功地应用于磁共振成像和超声成像，以检测可疑病变，并将临床意义重大的癌症与其他癌症区分开来。近年来，深度学习在前列腺癌筛查和侵袭性癌症诊断中的应用取得了令人满意的结果。

    多参数磁共振成像（mpMRI）为检测和定位可疑的具有临床意义的前列腺病变提供所需的软组织对比度，并提供有关组织解剖、功能和特征的信息。重要的是，它具有检测所谓的“临床意义”疾病的优越能力，即Gleason模式为4或更高（Gleason评分≥7）和/或肿瘤体积>0.5 cm3。近年来，前列腺癌的mpMRI检查量不断增加，因为mpMRI能够检测这些病变并允许有针对性的活检取样。来自英国的一项大规模人群研究表明，在初次活检前使用mpMRI作为分诊依据可以减少四分之一不必要的活检，并可以减少临床上不重要疾病的过度诊断。在对500名患者进行的多国精确研究中，在活检前随机接受mpMRI检查的男性，其对具有临床意义的疾病的检出率明显高于目前采用10核到12核经直肠超声引导活检的标准（38%比26%）。

    mpMRI的增长趋势引起了对经验丰富的放射科医生的需求，以解读爆炸性增长的肿瘤学前列腺MRI报告。阅读具有挑战性的病例并减少高的观察者间意见分歧是前列腺MRI仍然面临的挑战。2015年，欧洲泌尿生殖放射学会、美国放射学院和AdmeTech基金会发布了前列腺成像报告和数据系统（PI-RADS）的第二版。这为放射科医师阅读和解释前列腺mpMRI提供了指导，目的是提高mpMRI结果解释和交流的一致性。在过去的10年里，人工智能模型已经发展成CADe和CADx系统，用于检测、定位和描述前列腺肿瘤。结合PI-RADS，精确的CAD系统可以增加相互间的可靠性，并提高mpMRI读取和解释的诊断准确性。初步分析表明，增加CADx系统可以提高放射科医师对前列腺癌的诊断能力。

    mpMRI-CADx系统的前期工作主要集中在经典的、有监督的机器学习方法上，包括特征抽取器和浅层分类器的组合。在这类人工智能系统中，特征工程对CAD系统的整体性能起着核心作用。CADe和CADx系统的组合使用了强度（intensity）、解剖学、药代动力学（药代动力学模型）、纹理（texture）和块性（blobness）特征。药代动力学是一种详细的指标，可以从通过给定体积组织的静脉造影剂的时间-信号分析中提取。它们包括wash-in和wash-out等参数。纹理特征也是基于信号的，在很大程度上依赖于成像技术。其他人使用mpMRI序列计算的强度特征，包括T2加权MRI、表观扩散系数、高b值、扩散加权MRI和质子密度图T2估计，或者他们只使用从药代动力学分析和扩散张量成像参数图中提取的特征。类似的基于图像的特征也包含在CAD系统中，其中许多系统使用支持向量机进行分类。

    在过去的几年里，深度学习网络，特别是CNNs，已经彻底改变了前列腺癌检测和诊断的研究。这些方法使用不同的模态类型、CNN结构和学习程序来训练前列腺癌分类的深层网络，并取得了最先进的性能。一些研究者使用CNN对MRI发现进行分类，并使用自动窗口机制来克服MR图像的高动态范围和归一化，而另一些研究者使用mpMRI图像的不同组合，将每个模态叠加为RGB图像的2D通道，并将其用作训练示例。可以设计3D CNN，使用基于MRI的特定参数，如表观扩散系数、高b值和容积转移常数（Ktrans）模式。

    深度学习系统已被应用于同时对前列腺病变进行定位和分类。无论是从头训练还是预训练模型的迁移学习，都能成功地训练CNNs用于前列腺癌MRI诊断。在CNNs的最后一层中明确增加了具有解剖学意义的特征，这已经成功地提高了CNNs的性能。除了磁共振成像，人工智能技术通过结合超声数据，特别是射频数据，对前列腺癌进行分类，已经取得了有希望的结果。在这里，经典的机器学习方法和深度学习都被用来训练分类器，以便在时域超声数据中对前列腺癌进行分级。

    人工智能用于前列腺癌的检测和定性的研究结果是有希望的，并显示出持续的改善。与肺癌和乳腺癌不同，前列腺癌的临床常规尚未采用规范的CAD系统。然而，最近在中型数据集上的深度学习技术取得的成果，如PROSTATEx基准测试，是有希望的。很明显，全世界前列腺MR检查量增长迅速，对准确解释的需求也在增加。准确的CAD系统将提高前列腺MR的诊断准确性，从而更好地照顾个别患者，因为良性和惰性肿瘤（假阳性）的患者较少需要接受侵入性活检和/或根治性前列腺切除术。相反，早期发现前列腺癌可以改善临床上有意义的前列腺癌患者的预后（Gleason模式4）。前列腺癌的计算机辅助检测和诊断系统有助于临床医生通过潜在的减少漏诊或过度诊断可疑靶点的可能性，尽管这需要在常规临床纳入之前进行更多的试验验证。

    尽管有报道称人工智能在肿瘤成像中取得了成功，但在广泛应用于临床之前，必须克服一些限制和障碍。随着对CT和MR成像需求的不断增长，医疗服务提供者不断产生大量的数据。包括图像存档和通信系统（PACS）和医学数字成像和通信（DICOM）在内的标准确保了这些数据的组织便于存取和检索。然而，这些数据很少在标签、注释、分段、质量控制或适用于当前问题的方面进行整理。医疗数据的管理是开发自动化临床解决方案的一个主要障碍，由于其需要训练有素的专业人员，使得这个过程在时间和成本上都很昂贵。数据密集型方法（包括深层神经网络）加剧了这些问题。无监督和自我监督的方法不需要明确的标记，因此有望缓解其中一些问题，而合成数据有可能实现更快的治疗途径，解决不可避免的类别不平衡，并减轻患者隐私问题。标准化基准测试在医学领域尤其重要，特别是考虑到众多的成像方式和解剖部位以及采集标准和硬件。尽管可以公开获得的医疗数据量是一个令人鼓舞的进步，但研究界尚未就可用于在性能，通用性和可再现性方面进行比较和对比工作的特定数据集达成共识。应改进对现有数据集的获取，以促进知识协作。应鼓励机构、专业人士和政府团体共享经验证的数据，以支持人工智能算法的开发，这需要克服某些基本的技术、法律和道德问题。例如，美国国家卫生研究院最近共享了胸部X线和CT数据存储库，以帮助人工智能科学家。这种努力使疾病状态的受众范围扩大了。

    另一个限制包括AI的可解释性以及由于特定结果背后的原因而询问此类方法的能力，以及对失败的预期。尽管目前的研究状况将性能提升放在了可解释性和透明度之上，但人工智能的可解释性是一个活跃的研究领域。在人工智能系统中，信任和透明的好处会因其性能的不同而不同，允许在人工智能是非人类的情况下识别失败，从而将超人类人工智能转化为学习资源。从法律角度来看，政策制定者已经注意到：关于通过解释改进人工智能问责制的讨论最近在《欧盟一般数据保护条例》中进行了辩论，并继续出现在法律目前要求解释的敏感应用中，或预计在不久的将来需要。

    从伦理的角度看，存在一个问题：临床部署的人工智能系统的希波克拉底誓言是什么，如何执行？尽管数据整理和建模实践在本质上是有偏见的，因为它们考虑到了特定的患者群体，但必须有意识地努力确切地了解谁将是此类技术的最终受益者和利益相关者。算法在设计上可能是不道德的，并且可能会加剧已经存在的在提供治疗护理和转化利润之间的紧张关系。必须采取一种防止“习得性无助（learned helplessness）”的措施，以遏制对自动化的高度依赖和对常识的最终放弃。自动化系统还可能挑战医患关系中的责任动力（dynamics of responsibility），以及对保密性的期望。

    在监管方面，自20世纪90年代以来，美国食品和药品管理局（FDA）一直在对自动化临床决策系统进行监管。随着新预测技术（包括深度学习）的出现，寻求批准的预测模型必须根据训练中使用的标记数据进行进一步审查预期的用例，它们的通用性和针对边缘用例的鲁棒性，以及它们的终身学习方面，因为它们会随着学习和数据的不断更新而不断更新。人工智能应用软件很可能需要经过严格的测试，新提交的软件必须经过严格的测试才能获得监管部门的批准，包括质量控制和风险评估。由于云计算和虚拟化越来越多地被用来处理医疗数据，医疗信息技术正逐渐成为“大数据”革命的一部分。这为整合通常是分散的最先进的人工智能系统提供了一个良好的环境。然而，它引起了数据安全和隐私问题，因为保持医疗保险的可移植性和责任法案的合规性至关重要。当前的网络安全研究开始提供解决方案，包括加密网，其中同态加密允许神经网络对加密数据进行训练和推理。

    然而，这种单一疾病过程检测的重点可能会遗漏个体作为一个整体的并发状况。成像方法，从简单的X射线到先进的断层成像方法，如MRI或CT，为评估肿瘤周围器官系统提供了机会。

    随着人工智能的集成，生物网络的复杂评估可能会对反应和预后的评估以及治疗计划产生深远的影响。除了发现肿瘤外，影像学还可以发现肿瘤以外邻近或远处器官的变化，从而改变患者对最终导致死亡的系统性疾病的易感性。这可能是疾病发展本身的副产品，也可能是治疗（如放疗或化疗）的副产品。例如，在接受胸腺癌或乳腺癌治疗的患者中，化疗可能会导致心肌损伤，而放射治疗则会促进晚期冠状动脉粥样硬化；癌症存活的患者也会经历高比率的心血管事件。总的来说，这些心脏毒性可能会在癌症监测过程中的常规成像上产生信号，并在疾病发展的早期阶段通过捕捉疾病过程全景综合分析系统进行检测。将人工智能应用于这一临床场景的最初概念源于这样一个发现：胸部肿瘤和心血管病理学彼此相邻，且可以同时检测到（即胸部CT上的冠状动脉钙化或心包脂肪）。基于人工智能的自动检测和定量算法的发展将使心脏代谢标志物的评估无需额外成像。通过同时评估来自同一数据源的额外风险将人工智能的作用扩展到筛查。由于医疗保健的最终目的是预防疾病，因此，建立准确的风险模型对于指导可行的风险调整策略至关重要。

    虽然人工智能可以检测到可能对临床有益的偶然发现，但这些发现也可能在临床上是不相关的，如果不在正确的临床背景下仔细分析，可能会增加患者的压力、医疗费用和治疗的不良副作用。很可能在人工智能的早期阶段，当人类专家将继续在把关人工智能输出方面发挥关键作用时，人工智能检测到的大多数偶然发现仍将由人类进行评估，以辨别它们是否具有临床意义，方式与人类检测到偶然发现时相同。

    影像学并不是衡量疾病的一个孤立指标。越来越多的人认识到，肿瘤的分子特征，包括肿瘤的非侵入性血液生物标志物、社会经济地位，甚至社会网络，对肿瘤患者的预后有影响。数据来源也在迅速扩展，不仅仅是直接的医疗检查，还包括可穿戴设备、手机、社交媒体、非结构化电子健康记录以及数字时代的其他组成部分。人工智能非常适合于随着时间的推移整合平行的生物、人口和社会信息流，以改进患者预后的预测模型。

    随着人工智能的力量和潜力越来越被证明，人工智能向常规临床实践的过渡还有多个方向。对于影像学分析，如果要准备取代临床医生的工作流程，则与对照研究中的人类专家相比，人工智能方法的准确性和预测能力需要进行显著改善，并需要具有可比的或更好的疗效证明。这显示了在几种疾病条件下的初步前景，但需要在前瞻性试验和医生、技术人员和物理学家的教育中提供更多的临床实用性证据，以便广泛应用。尽管人类专家在查看人工智能生成的结果时可能总是会有一个“黑匣子”，但数据可视化工具越来越可用，可以在一定程度上直观地理解算法是如何做出决策的。

    整合疾病相关和无关因素的综合数据集和结果的整理也将有助于训练和扩展人工智能系统，以考虑肿瘤本身以外的风险。在全球范围内，与专家临床医生接触的机会有限或接触不常见的病理学，人工智能可以提供一系列“专家”经验来解释疾病。相反地，没有人类专家提供的基本事实而预测结果的策略可能会破坏今天临床医生和患者熟悉的传统工作流程。将人工智能更多地纳入卫生资源和结果的监测可能会提高效率并降低成本。与任何新的创新技术一样，发展的可能性超出了当前的想象。

    编译自：Bi WL, Hosny A, Schabath MB, Giger ML, Birkbak NJ, Mehrtash A, Allison T, Arnaout O, Abbosh C, Dunn IF, Mak RH, Tamimi RM, Tempany CM, Swanton C, Hoffmann U, Schwartz LH, Gillies RJ, Huang RY, Aerts HJWL. Artificial intelligence in cancer imaging: Clinical challenges and applications. CA Cancer J Clin. 2019 Mar;

    肿瘤成像与临床验证

    铁过载是一组导致身体储存过量铁的疾病，包括遗传性血色素沉着症（一种人体从食物和饮料中吸收过多铁的遗传病）。

    身体不能排出多余的铁，所以把铁储存在某些器官中，特别是肝脏、心脏和胰腺，导致器官损伤。胰腺损伤可引起糖尿病。过量的铁可以在没有治疗的情况下使皮肤变成青铜色。

    经过治疗，通常预后良好。治疗方法可能包括抽血来降低体内的铁含量，改变饮食来减少铁的摄入。

    在健康的身体中，当铁的储存充足时，肠道会减少食物和饮料中铁矿物质的吸收，以防止其含量上升得太高。

    患有铁过载的人比正常人从食物或补品中吸收更多的铁。身体不能足够快地排出额外的铁，导致铁继续积聚。人体将其储存在器官组织中，主要存在于肝脏以及心脏和胰腺中。

    铁过载有几种类型，遗传性血色素沉着病是具有遗传成分的主要疾病。继发性血色素沉着症是由其他疾病或病症发展而来。

    遗传性血色素沉着症，也可以称之为原发性或经典血色素沉着病症，是美国最常见的遗传病之一。某些患有这种疾病的人可能不会出现症状。

    根据2018年一项可靠的研究，在美国和澳大利亚，大约每200个白种人中就有1个患有遗传性血色素沉着症，这些人群中患病率有10-14%。

    遗传性血色素沉着症是由于HFE基因突变引起。HFE基因的两个可能突变是C282Y和H63D。

    在美国，大多数遗传性血色素沉着症的可靠来源的人都继承了C282Y的两个拷贝，一个来自母亲，另一个来自父亲。只遗传了一个缺陷基因的人并不一定会患上铁过载综合症，但他们将是携带者，而且他们可能会比正常人吸收更多的铁。

    如果父母双方都是携带者，那么他们的孩子将有两个有缺陷的基因。然而，一些有两个C282Y突变拷贝的人从未出现过症状。

    有些人遗传一个C282Y突变和一个H63D突变。遗传H63D的两个拷贝非常罕见，研究尚未证实这是否会增加血色素沉着症的风险。

    欧洲研究区域内加权C282Y等位基因频率（%）从西北向东南逐渐减少。

    根据国家心脏、肺和血液研究所（NHLBI）的可靠来源，继发性血色素沉着症可由某些贫血引起，如地中海贫血，或慢性肝病，如慢性丙型肝炎感染或酒精相关肝病。

    输血、口服铁片、注射铁剂或长期肾透析也会导致继发性血色素沉着症。

    青少年血色素沉着症是一种遗传性疾病，由HJV基因缺陷引起。铁在生命中积累得更早，症状出现在15岁到30岁之间。

    症状包括糖尿病和性发育问题。如果不治疗，可能致命。

    患有血色素沉着症的新生儿，铁会在肝脏中迅速积聚，导致婴儿要么死产，要么在出生后不能存活很长时间。研究表明原因并非遗传。可能是因为母亲的免疫系统产生抗体，损害胎儿肝脏。下列危险因素可能增加患血色素沉着症的可能性：

    遗传因素：有两个有缺陷的HFE基因拷贝是遗传性血色素沉着症的主要危险因素。H表示高，FE表示铁。

    家族史：有血色素沉着症的父母、孩子、兄弟姐妹的人更容易患上血色素沉着症。

    种族：根据NHLBI的研究，北欧血统的白种人有更高的发生HFE基因突变和发展为血色素沉着症的风险。这种情况在非裔美国人、西班牙裔、亚裔和美洲印第安人后裔中不常见。

    性别：铁过载对男性和女性都有影响，但对女性的影响不太明显。原因是大多数女性在月经期间经常失血，失血会降低铁含量。男性可能在40-60岁左右出现症状，女性可能在绝经后出现症状。

    近日，来自意大利的学者报道了20名焊工肝铁过载的单中心报告，作者在排除其他已知的铁过载原因后，对20名焊工的工作史、肝脏、代谢和铁过载状况进行全面评估。19例患者行MRI铁质检查，12例患者行肝活检。用包括40名HFE-HH患者和24名健康对照者进行比较。研究发现，75%的患者表现为肺HRCT改变，90%的患者s-FERR>1000ng/mL，60%的患者TSAT>45%。肝铁过载轻度8例，中重度12例。铁中位数为7.8g，焊工TSAT明显低于HFE-HH患者，SIS和SIS/TIS比值明显高于HFE-HH患者。电焊工血清hepcidin明显高于HFE-HH患者和健康对照组。肝活检显示50%肝纤维化，轻度4例，中重度2例。肝脏分期与肝脏铁过载相关。肝脏铁沉积的机制与HFE-HH大不相同，提示网状内皮细胞可能是铁沉积的起始部位。建议对焊工的血清铁指数进行常规测量，以提供充分的诊断和治疗，并将长期接触焊接烟尘列入高铁蛋白血症和铁过载的后天原因清单。

    正常肝脏与肝脏铁过载（图片源自网络）。铁过载的症状和体征通常轻微，2019年的资料显示，在4例病例中，有3例铁过载患者没有症状。

    症状通常直到中年或女性绝经后才出现。如今，血色素沉着症患者不太可能出现症状，因为诊断往往比过去更早。随着时间的推移，可能会出现以下情况：

    血色素沉着症患者与正常人的手部颜色比较（图片源自网络）。血色素沉着症很难从症状中诊断，因为这些症状可能与其他疾病的症状重叠。医生可以决定将病人转诊给肝脏专家或心脏专家。

    一些检查可以帮助医生诊断血色病。这些检查包括血液检查、肝脏检查、磁共振扫描和基因检测。

    两种不同类型的血液测试可以检测铁过载，甚至在症状出现之前。

    血清转铁蛋白饱和度测试测量与转铁蛋白结合的铁的量-转铁蛋白是血液中携带铁的蛋白质。饱和度值超过45%太高。

    血清铁蛋白测试测量身体储存的铁含量。了解这些水平有助于医生诊断，并在治疗期间监测患者。

    医生需要进行这两种血液测试，他们可能需要重复这些测试以提高准确性，因为其他条件也可以提高铁蛋白水平。

    这些不是血常规检查，医生通常只在有血色素沉着症的父母、孩子或兄弟姐妹的情况下进行。如果有以下任何迹象、症状和情况，也可以进行这些测试：

    对于饮酒过量、多次输血或丙型肝炎的人，这些血液检测结果可能表明铁过载。这些附加检查有助于确认遗传性血色病的诊断：

    肝脏活检可以确定肝脏中的铁含量，并显示任何肝硬化或其他损害，但这种检查现在不太常见。双能量CT铁定量是近年来新兴的诊断工具，有助于诊断铁过载。

    54岁女性骨髓增生异常综合征的CT和MR测量。将最大可能的手画ROI放置在肝右叶V段和VI段，测量肝脏的平均衰减。80kV、140kV和VIC图像CT测量值分别为117.8、65.3和54.1HU。

    左，常规多回波序列第二次回波出现快速信号衰减。中，信号衰减减缓后，一个特殊的系列单回波序列被使用。右，通过绘制圆形ROI测量肝脏R2*，肝R2*为1503.1 Hz。

    左，肝脏R2图显示排除了大血管结构和其他图像伪影，用于分析MR测量的LIC R2图。R2分布图显示平均R2为283.2hHz± 46.3. 右，直方图显示LIC为每克干组织41.8mg铁（正常范围，每克干组织0.17-1.8mg铁）或每公斤干组织749mmol铁（正常范围，每公斤3-33mmol铁）。

    上海瑞金医院严福华教授团队在Radiology发表的关于双能量CT铁定量分析的研究发现，双能CT肝脏基于铁特异性的虚拟铁含量（VIC）成像与肝脏R2* MR成像测量的肝脏铁含量（LIC）呈强线性相关（r分别为0.885和0.871；P<0.0001）。如果LIC的临界值设定在每克干组织含铁量3.2毫克以上（这是铁螯合治疗的临床阈值），则VIC对LIC的潜在分级能力与R2*相似（受试者操作特征曲线下面积，0.964 vs 0.993；P=0.299）。

    通过将来自中体模的校准数据应用于80/Sn140 kV（a）和100/Sn140 kV（b）的小（蓝色）和大（红色）体模来模拟铁定量结果。虚线代表真正的IC。

    对于定量诊断的下限值，来自美国的学者使用模体对于定量的下限（LLOQ）进行了研究。作者使用3种尺寸的模型和8瓶硝酸铁溶液，浓度为0～10mg/ml。在80/Sn140kV和100/Sn140kV下进行DECT扫描，并使用5种不同水平的CT剂量指数（CTDI）。采用图像域三物质分解算法计算VIC。根据重复测量的变异系数确定LLOQ。结果显示，在中小型模型中，测量的IC与真实IC呈强相关，在大型模型中，测量的IC与真实IC呈中度相关。LLOQ随着CTDI的增加而改善。在30 mGy时，小、中、大模型的LLOQ分别为0.50/1.73/6.25 mg/ml。80/Sn140kV所有模型尺寸的LLOQ均优于100/Sn140kV，这主要是由于它们的铁增强率不同（分别为1.94和1.55）。迭代重建可以进一步提高LLOQ（约11%），而卷积核平滑度的影响可以忽略不计。铁的LLOQ明显高于碘，因为它缺乏有用的k边界和较低的增强率。宽光谱分离和精确校准是这项技术成功的关键。

    铁过载可能影响的器官（图片源自网络）。如果接受早期诊断和治疗，他们通常具有正常的预期寿命。患者应该定期进行血液检查，并且治疗通常会持续一生。

    静脉切开术或穿刺术是一种常规治疗方法，可以去除体内富含铁的血液。

    通常，这需要每周进行一次，直到水平恢复正常。当铁水平再次升高时，该人将需要重复治疗。

    在治疗的早期阶段，医生可以每周一次或两次去除1品脱（约500ml）的血液。此后，他们可能每2-4个月抽血一次。

    静脉切开术不能逆转肝硬化，但它可以改善症状，如恶心，腹痛和疲劳。它还可以改善心脏功能和关节疼痛。

    铁螯合疗法包括口服或注射药物以去除体内多余的铁。药物可以在身体排泄之前结合过量铁。

    虽然医生不倾向于将其作为血色素沉着症的一线治疗方法，但它可能适合某些人患者。

    改变饮食（Dietary changes）。限制铁摄入量的饮食改变有助于减轻症状。

    避免含有维生素C的补充剂，因为这种维生素增加铁的吸收。铁过载的药物治疗（图片源自网络） 如果不进行治疗，铁的积累会导致健康并发症，例如：

    与肝硬化或血色素沉着症有关的肝癌的机会较高。充血性心力衰竭（如果心脏中积聚过多的铁并且身体无法循环足够的血液）。内分泌问题，如甲状腺功能减退或性腺功能减退。青铜色或灰色皮肤（由于皮肤细胞中有铁沉积）。其他并发症可能包括抑郁症，胆囊疾病和一些癌症。

    根据铁紊乱研究所的数据，尸检显示，患有神经退行性疾病的人-如阿尔茨海默病，多发性硬化症和癫痫-大脑中铁水平存在问题。

    正常肝脏与铁过载的肝脏（图片源自网络）。铁过载疾病，例如原发性血色素沉着症，涉及体内过量的铁积聚。如果不治疗，病情会导致严重的并发症，并可能危及生命。

    2007年，加拿大研究人员得出结论，血色素沉着症是一种“常见且相对简单的遗传病”。通过治疗，人们可以拥有正常的预期寿命，特别是在早期诊断和有效管理的情况下。

    — 感谢阅读 —
    # 医学影像技术

    一起交流

    分享你的思考，让讨论更进一步。