当放射医学“遇上”人工智能

作者：马思源 上海复旦大学附属眼耳鼻喉科医院

李瑞辰 上海复旦大学附属眼耳鼻喉科医院 主治医师

审核：王孝深 上海复旦大学附属眼耳鼻喉科医院 主任医师

当今，“人工智能（AI）”这一术语已广为人知。作为“数字时代的最强大脑”，AI正在以前所未有的力量重塑着人类生活。简单来说，AI通过汲取海量样本数据的精华，逐步代替人们在日常生活中那些重复性高且较为烦琐的工作。众所周知，AI在“机器人视觉”领域的成就尤为突出，它在人脸识别技术、辅助驾驶、图像分割等多个领域均展现出较高的应用价值。也正是凭借AI的视觉分析能力，现代医学迈入了智慧医疗新时代，尤其在放射医学领域，AI的应用堪称点睛之笔。

图1 版权图片 不授权转载

医学影像领域的挑战

21世纪，医学影像学已经成为现代医学体系中不可或缺的支柱。它赋予了医生一双“透视之眼”，可以让隐藏于人体深处的奥秘通过不同形式、不同角度在电子屏幕上直观展现出来。随后，需要专业的读片医生对获取的影像画面进行细致入微的解析，精准地识别出每一个潜在的病灶，并将其详尽记录于诊断报告中。其重要性不言而喻，可谓是后续诊疗决策制定的基石。

然而并非所有的病灶都会“大摇大摆”地呈现在影像画面中，某些早期病变可能微小如芝麻粒。当这样一粒芝麻隐匿在身体内的某个角落，找到它的难度之大可想而知，这也势必为读片医生带来不小的挑战。因此，在科技尚不发达的早期年代，影像检查中“漏诊误诊”现象时有发生。

图2 版权图片 不授权转载

AI“邂逅”医学影像学检查

当AI“邂逅”医学影像学检查，会碰撞出什么样的火花呢？随着胸部低剂量螺旋CT技术的普及，肺结节已经成为呼吸科领域较为常见的发现。从细微之处着眼，那些直径不足5毫米的微小结节，如同潜藏在肺叶深处的“谜团”，其性质的不确定性及潜在的恶性转变风险，始终是患者心头挥之不去的阴影。然而，随着AI的崭露头角，AI算法模型不仅能够以超越人类肉眼的敏锐度精准定位肺结节，捕捉其细微的形态特征，还可以进一步为医疗团队提供宝贵的决策性意见。

2022年，欧洲肿瘤内科学会提出，当前AI技术不仅搭载了用于识别肺部微小结节的“临床特征和CT影像特征”的精确诊断模型，还可以联合“生物标志物检测”，构建起一套全面的肺部微小结节良/恶性综合诊断体系。通过这两项技术的“强强联手”，可显著降低89%的不必要手术率和73%的延迟治疗率。中华医学会呼吸病学分会肺癌学组、中国肺癌防治联盟组织专家对AI影像辅助诊断系统评估肺结节的科学评价中已证实AI在辅助识别诊断肺结节方面的重要性[1]。

图3 版权图片 不授权转载

放射肿瘤治疗学的“新时代”

得益于AI在医学影像学中的卓越成绩，放射肿瘤治疗学科也迎来了智慧化转型。当前，放射治疗在肿瘤的综合治疗方案中占据着举足轻重的地位。据统计，人体约60%的肿瘤发展到一定阶段需要放射治疗的干预[2]，有些恶性肿瘤，如鼻咽癌、喉癌、扁桃体癌、宫颈癌等通过根治性放疗可获得痊愈。放射治疗的过程就好比一场精准的“射击打靶”，其核心在于如何精准狙击肿瘤，同时最大限度地减少对周围正常组织的伤害。这将直接关系到患者的生存率及治疗后的生活质量。因此，“勾画靶区”这一环节在整个放疗流程中显得尤为关键。人工勾画靶区（包含肿瘤靶区和危及器官）高度依赖于放射治疗科医生的临床经验，普遍存在着耗时长（3～10小时）、精确度有限（准确率＜90%）及个体间差异显著等问题。由于勾画单一病例的靶区就需要耗费大量时间，因此，患者等待时间延长，患者积压严重，同时也存在漏靶等潜在风险。那么，智慧医疗又如何有效应对这些挑战呢？

首先，医生将业内顶尖专家精心勾画的肿瘤靶区样本作为AI学习的“金标准”，随后AI便能深入学习“输入和输出”之间的微妙关系，从而对新病例进行精准的靶区勾画。通过海量样本的持续优化与迭代，肿瘤靶区智能勾画系统终于“华丽登场”。该系统可囊括多套影像配准模块，支持与CT、MR、PET/CT、PET/MR等多模态影像无缝融合，为精准勾画靶区提供了强大的技术支持。此外，这一勾画系统不仅实现了秒级的勾画速度，还保证了高质量的勾画结果。借助AI自动勾画技术，肿瘤靶区勾画工作时间从平均4小时大幅缩短至几分钟，且勾画质量与专家水平相当[3]。

图4 版权图片 不授权转载

AI的发展从未停下脚步，虽然说目前可能仍处于萌芽期，但它已展现出非凡的潜力。需要强调的是，AI技术与医疗领域的结合是相辅相成的，正如上文所述，其发展离不开专业医生的大量“高质量样本”的注入，绝非“无源之水”。所以，我们并不能就此停下探索医学的脚步。

参考文献：

[1]中华医学会呼吸病学分会, 中国肺癌防治联盟专家组. 肺结节诊治中国专家共识（2024年版）[J]. 中华结核和呼吸杂志, 2024, 47(8): 716-729.

[2]SIEGEL R L, MILLER K D, WAGLE N S, et al. Cancer statistics, 2023[J]. CA Cancer J Clin, 2023, 73(1):17-48.

[3]TANG H, CHEN X, LIU Y,et al. Clinically applicable deep learning framework for organs at risk delineation in CT images[J]. Nature Machine Intelligence, 2019, 1(10): 480-491.