7月9日，在由中國(guó)計(jì)算機(jī)學(xué)會(huì)（CCF）主辦，雷鋒網(wǎng)、香港中文大學(xué)（深圳）聯(lián)合承辦的CCF-GAIR 全球人工智能與機(jī)器人峰會(huì)的第三天，在未來(lái)醫(yī)療專場(chǎng)上，田捷博士做了“基于醫(yī)療大數(shù)據(jù)和人工智能的影像組學(xué)及其應(yīng)用”的主題演講。

田捷博士，是中國(guó)科學(xué)院自動(dòng)化研究所研究員、Fellow of IEEE，SPIE，IAMBE，AIMBE，IAPR。其主要從事醫(yī)學(xué)影像分析與生物特征識(shí)別的研究和應(yīng)用的工作。田捷博士的很多學(xué)術(shù)論文、研究成果，均可見自國(guó)內(nèi)外的各學(xué)術(shù)雜志和學(xué)術(shù)會(huì)議上，學(xué)術(shù)論文達(dá)上百篇。

以下是田捷博士當(dāng)日的演講全文，雷鋒網(wǎng)做了不改變?cè)獾木庉嫞?/em>

田捷：今天我演講的題目是“基于醫(yī)療大數(shù)據(jù)和人工智能的影像組學(xué)及其應(yīng)用”。切合主題，本次演講的重點(diǎn)將圍繞醫(yī)療大數(shù)據(jù)、大數(shù)據(jù)技術(shù)和人工智能、影像組學(xué)來(lái)展開。我們希望將這些技術(shù)應(yīng)用在臨床上，因?yàn)椴皇腔A(chǔ)研究的，而是走向臨床的，所以我舉的都是臨床的例子。

以國(guó)內(nèi)外臨床專家為主開發(fā)，說(shuō)明影像組學(xué)和人工智能以及大數(shù)據(jù)，對(duì)風(fēng)投和產(chǎn)業(yè)界來(lái)說(shuō)都感興趣，這不是看哪個(gè)技術(shù)和算法，關(guān)鍵是看產(chǎn)生什么樣的效果。下面我會(huì)著重從應(yīng)用的角度來(lái)講它的進(jìn)展，技術(shù)和方法和應(yīng)用。

今天我的演講將主要圍繞以下四個(gè)大點(diǎn)來(lái)展開：

·  影像組學(xué)研究背景

·  影像組學(xué)研究進(jìn)展

·  影像組學(xué)關(guān)鍵技術(shù)

·  影像組學(xué)發(fā)展方向

 一、影像組學(xué)研究背景

1、人工智能技術(shù)正突飛猛進(jìn)

人工智能技術(shù)現(xiàn)在通過(guò)圍棋得到非常直觀的普及，但是計(jì)算機(jī)下圍棋并不意味著計(jì)算機(jī)就可以看病，所以醫(yī)療在這一塊仍舊充滿挑戰(zhàn)性問(wèn)題。

2、人工智能技術(shù)在醫(yī)療領(lǐng)域得到應(yīng)用

不過(guò)，計(jì)算機(jī)人工智能技術(shù)在醫(yī)療上也得到一些應(yīng)用，像深度學(xué)習(xí)在疾病的診斷以及愈后等等，都有一些典型的應(yīng)用。如：

·  2015年，北卡羅來(lái)納大學(xué)提出利用深度學(xué)習(xí)分割腦MR圖像的方法；

·  2016年，Google發(fā)布一項(xiàng)學(xué)術(shù)報(bào)告，稱人工智能糖網(wǎng)病診斷精度可用于臨床；

·  2017年，斯坦福大學(xué)在Nature上發(fā)布一項(xiàng)研究報(bào)告，表明人工智能皮膚癌診斷精度已達(dá)專家水平。

除此之外，國(guó)外大公司也紛紛介入AI醫(yī)療。

·  2014年，微軟利用Intelligence Engine剖析健康數(shù)據(jù)，為患者就診和意外急診做準(zhǔn)備。

·  2015年，IBM分析醫(yī)學(xué)文獻(xiàn)和病患診療記錄，為患者提供高質(zhì)量、循證行個(gè)體化的診療方案。

·  2016年，Google下屬DeepMind Health建立健康風(fēng)險(xiǎn)警告系統(tǒng)，借助移動(dòng)終端推送健康風(fēng)險(xiǎn)警告，并及時(shí)通知醫(yī)生。

3、醫(yī)療數(shù)據(jù)正急劇增長(zhǎng)

無(wú)論是微軟、IBM還是谷歌，他們?cè)贏I以及醫(yī)療的深度介入，都為大家打開了另一扇大門——正是因?yàn)檫@些大企業(yè)的介入才使得AI和醫(yī)療在臨床上的應(yīng)用取得突破和規(guī)模化的應(yīng)用。

說(shuō)到醫(yī)療大數(shù)據(jù)，大家最熟悉的可能是影像數(shù)據(jù)，因?yàn)槠涓袷綐?biāo)準(zhǔn)，容易獲取和使用。但是醫(yī)療大數(shù)據(jù)不僅限于影像，還包括病理、臨床治療信息等，只有將這些信息融合在一起，我們才能建模，并解決AI醫(yī)療的真正應(yīng)用問(wèn)題。

4、影像組學(xué)助力智能醫(yī)療

既然題目講影像組學(xué)，我先給大家解釋一下影像組學(xué)的概念。

影像組學(xué)的概念真正提出來(lái)是2012年。當(dāng)時(shí)它剛提出來(lái)時(shí)只是針對(duì)CT數(shù)據(jù)，把它用組學(xué)的方法進(jìn)行分析。后續(xù)則將數(shù)據(jù)從CT擴(kuò)展到磁共振、超聲等，涉及到多影像。

自2012年概念提出以后，影像祖學(xué)的概念到2014年得到進(jìn)一步延伸，走向臨床。影像組學(xué)從研究走向臨床，典型代表就是2014年這篇文章。

從流程看，影像組學(xué)就是從醫(yī)療大數(shù)據(jù)中提取數(shù)據(jù)，利用AI方法挖掘腫瘤信息，實(shí)現(xiàn)臨床輔助決策。這個(gè)流程和日常醫(yī)生讀片的過(guò)程是一致的，醫(yī)生讀片是先有影像數(shù)據(jù)，然后用人眼提取它的形狀特征，這個(gè)過(guò)程我們稱之為診斷意見。

這是一個(gè)典型的模式識(shí)別、圖象處理的機(jī)器讀取的過(guò)程，先由影像數(shù)據(jù)提取特征，分析建模，給出分類決策。所以整個(gè)過(guò)程由計(jì)算機(jī)做影像識(shí)別，人在做診斷相互配合來(lái)完成。如果讓計(jì)算機(jī)讀取高維信息，人讀機(jī)構(gòu)信息，毫無(wú)疑問(wèn)，AI輔助醫(yī)生讀片，就能達(dá)到“1+1＞2”的效果。

總結(jié)而言，大數(shù)據(jù)和AI和影像組學(xué)的結(jié)合，主要有以下三個(gè)方面的應(yīng)用。

·  輔助診斷

·  療效評(píng)估

·  預(yù)后預(yù)測(cè)

目前，到底哪一種方法治療癌癥的效果更好，其實(shí)就可以基于大數(shù)據(jù)和AI給出預(yù)測(cè)評(píng)估。這樣看病就能實(shí)現(xiàn)個(gè)性化、智能化，才能把過(guò)去望、聞、問(wèn)、切，變成現(xiàn)在的智能醫(yī)療。就現(xiàn)階段而言，智能醫(yī)療主要是基于大數(shù)據(jù)、影像組學(xué)和人工智能技術(shù)達(dá)到輔助診斷、療效評(píng)估和預(yù)后預(yù)測(cè)的效果。

5、以腫瘤為例——癌癥診療面臨重大挑戰(zhàn)

今天以腫瘤為例，我將借此來(lái)說(shuō)明AI、大數(shù)據(jù)和影像組學(xué)在腫瘤方面的三個(gè)應(yīng)用。

腫瘤的應(yīng)用挑戰(zhàn)主要看如上這張圖，這是美國(guó)NIH總結(jié)的。1960年-2012年，52年中有200多萬(wàn)的樣本大數(shù)據(jù)。不同顏色的線代表不同的腫瘤，縱坐標(biāo)是5年生成。

52年來(lái)，盡管NIH每年投入的研發(fā)經(jīng)費(fèi)是300億美元，美國(guó)人每年看病要花掉4萬(wàn)億，但腫瘤5年生存率依然時(shí)間是一條直線。什么意思？就是人財(cái)兩空。

作為對(duì)比，這個(gè)NIH數(shù)據(jù)特別有說(shuō)服力。紅色這條線，指的是艾滋病的5年生存率，艾滋原先是號(hào)稱血液中的癌癥，早期死亡率很高，但有了有效措施之后，其有效生存率直線上升。

但是對(duì)腫瘤來(lái)說(shuō)，還缺乏一些新技術(shù)和新方法，這個(gè)技術(shù)是有可能取得突破的。當(dāng)然，目前只是期望值，下面會(huì)舉一些例子。

6、癌癥精準(zhǔn)診療的新機(jī)遇

現(xiàn)在大家都在談AI熱、AlphaGo熱，其實(shí)還是要看AI大數(shù)據(jù)在影像組學(xué)的診療過(guò)程中到底解決了什么問(wèn)題。事實(shí)上，現(xiàn)在的影像技術(shù)看到的都是5mm之上的腫瘤，廠商可能忽悠能看到3mm，但臨床大夫知道只能看到5mm以上。而這些都是腫瘤的中晚期才會(huì)有的癥狀。

這也是為什么NIH花上百億做研發(fā)，美國(guó)人花了4萬(wàn)億，藥廠出了那么多藥，不能說(shuō)無(wú)效但是效果不明顯的原因。所以，現(xiàn)在也有在談精準(zhǔn)醫(yī)學(xué)、基因檢測(cè)等概念。10年前，就有人開始談?wù)摶驒z測(cè)，在其貢獻(xiàn)下，雖然我們不能防止有病，但能保命。可是，從上張圖片來(lái)看，五年生存率依然還很低。

在診療過(guò)程中我們發(fā)現(xiàn)，基因異常未必會(huì)形成腫瘤，這中間有5-20年的潛伏期。如果能在診斷醫(yī)療的過(guò)程中，運(yùn)用到新技術(shù)和新手段，可能會(huì)對(duì)腫瘤診療起到關(guān)鍵作用。

現(xiàn)階段而言，基因異常其實(shí)已經(jīng)有一系列的方法來(lái)檢測(cè)，但不意味著能看病。在這個(gè)空檔期，如果能用AI大數(shù)據(jù)、影像組學(xué)來(lái)研究、描述和量化，就很有可能大大提高五年生存率。

所以這也恰恰是影像組學(xué)的切入點(diǎn)——融合臨床基因影像大數(shù)據(jù)的信息，把影像往前移，基因往后移，這樣就能更準(zhǔn)確的觀察、診斷疾病的發(fā)生和發(fā)展。這不僅是影像組學(xué)的切入點(diǎn)，也是AI在臨床上的切入點(diǎn)。

現(xiàn)在的影像技術(shù)是從宏觀到微觀，先有結(jié)構(gòu)影像再到功能影像、分子影像，它的精標(biāo)準(zhǔn)正好是基因病理。而從基礎(chǔ)研究來(lái)說(shuō)，恰恰是從微端到宏觀，當(dāng)在基因組、蛋白組、代謝組都搞不定的時(shí)候，又回到生物醫(yī)學(xué)，使用解剖結(jié)構(gòu)。所以一個(gè)是從微觀到宏觀，另一個(gè)則是從宏觀到微觀，如果將二者結(jié)合到一起，就有可能進(jìn)行腫瘤的診療。這也是整個(gè)影像組學(xué)的切入點(diǎn)。

下面通過(guò)一些例子說(shuō)明影像組學(xué)、大數(shù)據(jù)和人工智能，在療效評(píng)估、輔助診斷、預(yù)后預(yù)測(cè)方面，國(guó)內(nèi)外的進(jìn)展。在這塊我要很自豪的說(shuō)，國(guó)內(nèi)經(jīng)過(guò)改革開放三十年，大量科研經(jīng)費(fèi)的投入，醫(yī)生的努力，醫(yī)工的結(jié)合，在技術(shù)上、方法上、效果上，跟國(guó)外是同步的，甚至某些方法比國(guó)外略有超前。從這點(diǎn)上說(shuō)，也給VC和企業(yè)家?guī)?lái)機(jī)遇。

二、影像組學(xué)進(jìn)展概述

下面，我將從影像組學(xué)在國(guó)內(nèi)外的具體應(yīng)用案例，來(lái)談?wù)勂湓谳o助診斷、療效評(píng)估和預(yù)后預(yù)測(cè)的效果。

輔助診斷案例

案例一：膠質(zhì)母細(xì)胞瘤亞型診斷

第一個(gè)例子，是膠質(zhì)母細(xì)胞瘤亞型診斷。

一般來(lái)說(shuō)，如果要做靶向治療，醫(yī)生需要通過(guò)穿刺、活檢等過(guò)程來(lái)得到病人的基因類型，但是這一過(guò)程由于涉及腦袋穿刺，風(fēng)險(xiǎn)很大。所以，醫(yī)療界大家就在探討說(shuō)能不能不用穿刺，拍片來(lái)解決?？赡苡腥藭?huì)覺(jué)得天方夜譚，但是斯坦福大學(xué)做到了。

他們根據(jù)AI技術(shù)將其分類為高風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、低風(fēng)險(xiǎn)，并將其和生存期掛鉤，通過(guò)美國(guó)TCCI數(shù)據(jù)庫(kù)做檢索，就能知道基因類型是什么，從而以此為依據(jù)決定用哪種靶向藥。這在臨床上非常有用，因?yàn)檎麄€(gè)過(guò)程無(wú)需穿刺，只是根據(jù)磁共振數(shù)據(jù)推斷基因類型來(lái)確定靶向治療。

案例二：術(shù)前結(jié)直腸癌淋巴結(jié)轉(zhuǎn)移診斷

剛才的案例大家可能會(huì)覺(jué)得太高大上，而國(guó)內(nèi)醫(yī)生能不能做到這些工作呢？

下面我想介紹廣東省人民醫(yī)院劉教授團(tuán)隊(duì)此前在權(quán)威醫(yī)學(xué)雜志《Journal of Clinical Oncology》發(fā)表的文章。暫且不談這篇文章的學(xué)術(shù)成就，我們先來(lái)看它的臨床意義，非常重大。因?yàn)锳I技術(shù)只有跟臨床掛鉤才有價(jià)值，經(jīng)過(guò)企業(yè)家的轉(zhuǎn)化才能變成生產(chǎn)力。

一般來(lái)說(shuō)，醫(yī)生在治療結(jié)直腸癌的時(shí)候，會(huì)對(duì)淋巴進(jìn)行盲目清掃，而清掃的結(jié)果會(huì)使70%的淋巴不會(huì)轉(zhuǎn)移。為什么大夫要清掃呢？因?yàn)槿绻磺鍜?，淋巴轉(zhuǎn)移的會(huì)更快。事實(shí)上，國(guó)內(nèi)外的醫(yī)生都會(huì)采取這種措施。

那么，這個(gè)問(wèn)題該如何解決？

如果看CT片，我們只能看到機(jī)構(gòu)信息，其反映的信息很小，只能得到百分之二三十的概率，切掉以后70%是陰性，被誤切了。如果用人工智能的方法，根據(jù)500余例的臨床病理和影像數(shù)據(jù)，提取特征，建模分析后，前端數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確率可以達(dá)到正的70%。

換句話說(shuō)，醫(yī)生在做手術(shù)之前可以有70%的把握告訴病人要不要選擇做淋巴清掃，可以把過(guò)去的誤清掃從70%降低到30%。所以這也是這篇文章能在頂級(jí)權(quán)威雜志上發(fā)表的原因。

案例三：皮膚癌類別精準(zhǔn)診斷

再來(lái)看一個(gè)大數(shù)據(jù)的典型應(yīng)用。大家應(yīng)該也知道，現(xiàn)在皮膚癌發(fā)病率非常高。那么，怎么利用AI診斷正確的皮膚癌？

在此，該案例使用了13萬(wàn)張皮膚癌的照片來(lái)做建模，其中2000張是有病理且含精標(biāo)準(zhǔn)的。值得注意的是，這個(gè)建模里邊的大數(shù)據(jù)力量。

如上圖所示，該訓(xùn)練模型使用了Google的遷移學(xué)習(xí)技術(shù)，其對(duì)128萬(wàn)張圖像進(jìn)行了訓(xùn)練，加上剛才13萬(wàn)張皮膚癌的照片，以及醫(yī)生的經(jīng)驗(yàn)和其他醫(yī)療信息的量化，可以解決兩個(gè)臨床問(wèn)題：

·  粗分類做腫瘤的良惡性

·  細(xì)分類做黑色素瘤篩查

然而，人腦是不可能記住這么多張病理圖像的，但是計(jì)算機(jī)可以，從而能夠有效的輔助診斷。

療效評(píng)估案例

我們?cè)賮?lái)看療效評(píng)估的案例。美國(guó)每年花4萬(wàn)億美元研究新技術(shù)、新方法，但腫瘤的診斷并沒(méi)有取得很好的效果，所以我們需要對(duì)不同腫瘤的療效進(jìn)行評(píng)估。

案例：直腸癌新輔助放化療效果評(píng)估

這個(gè)案例還是結(jié)直腸癌。其實(shí)包括乳腺癌，很多人會(huì)做新輔助化療。但有的人做得有效，有的人做得無(wú)效。對(duì)醫(yī)院來(lái)說(shuō)，有效無(wú)效都得交錢。但對(duì)病人來(lái)說(shuō)，不光是錢，身體還要受到很大的傷害。所以，業(yè)界也在思考，能不能利用AI大數(shù)據(jù)進(jìn)行分析，在病人做放化療之前就判斷，該治療對(duì)其有沒(méi)有效果。

在這個(gè)案例中，其實(shí)數(shù)據(jù)量并不大，只有48例。在這些直腸癌患者經(jīng)過(guò)新輔助放化療之后，經(jīng)過(guò)多模態(tài)磁共振形成成像數(shù)據(jù)，在其基礎(chǔ)上提取多模態(tài)影像特征，利用人工神經(jīng)網(wǎng)絡(luò)方法建立模型，最后結(jié)果表明，該方法效果很好，實(shí)現(xiàn)了直腸癌新輔助放化療效果的定量化精準(zhǔn)評(píng)估。

預(yù)后預(yù)測(cè)，這個(gè)在國(guó)家越來(lái)越重視。什么每一個(gè)看病的都會(huì)問(wèn)這個(gè)問(wèn)題，醫(yī)生只是憑著經(jīng)驗(yàn)和人腦建模，憑著有限的存儲(chǔ)量給出預(yù)測(cè)。像我們通常說(shuō)回家該吃什么吃什么，大概三個(gè)月或者半年。這個(gè)經(jīng)驗(yàn)肯定是不能夠的?，F(xiàn)在看用人工智能、機(jī)器學(xué)習(xí)能做到大數(shù)據(jù)，這個(gè)數(shù)據(jù)，一千個(gè)病人提取600多個(gè)特征進(jìn)行定量分析。這個(gè)建模的過(guò)程，跟日常圖片和做圖片處理的過(guò)程完成一致。先分割、特征提取，給出預(yù)后預(yù)測(cè)。這個(gè)文章的主要作者就是代表，我們要真正做組學(xué)，包括做企業(yè)轉(zhuǎn)化、投資，還是要以臨床問(wèn)題為主，要看看解決的臨床問(wèn)題是什么。這是一個(gè)典型預(yù)后預(yù)測(cè)的例子。

預(yù)后預(yù)測(cè)案例

現(xiàn)階段，預(yù)后預(yù)測(cè)在國(guó)內(nèi)越來(lái)越受重視。每一個(gè)看病的病人也都會(huì)去問(wèn)醫(yī)生這個(gè)問(wèn)題，然而，醫(yī)生只能憑借他人腦建模的經(jīng)驗(yàn)，在有限的存儲(chǔ)量來(lái)給出預(yù)測(cè)。所以，如果用AI大數(shù)據(jù)、機(jī)器學(xué)習(xí)，能達(dá)到什么樣的預(yù)后預(yù)測(cè)效果？

案例一：肺癌頭頸癌預(yù)后預(yù)測(cè)

該案例中，如圖所示，在1000余例肺癌和頭頸癌患者中，我們提取了病理和影像數(shù)據(jù)，再根據(jù)強(qiáng)度形狀紋理小波等特征建立標(biāo)簽，進(jìn)行了定量分析。應(yīng)用效果表明，影像組學(xué)標(biāo)簽具有顯著的預(yù)后價(jià)值，并與基因顯著相關(guān)。

影像組學(xué)通過(guò)融合影像、基因和病理特征建立影像組學(xué)標(biāo)簽，揭示了影像與患者的預(yù)后聯(lián)系。

案例二：肺癌無(wú)進(jìn)展生存期預(yù)測(cè)

經(jīng)過(guò)臨床經(jīng)驗(yàn)，我們還發(fā)現(xiàn)，傳統(tǒng)臨床方法對(duì)NSCLC患者無(wú)病生存期的預(yù)測(cè)效果非常有限。于是，在此其中，利用AI大數(shù)據(jù)，我們?cè)?82例規(guī)范完整的早期非小細(xì)胞肺癌患者里邊提取了CT數(shù)據(jù)，利用LASSO Cox回歸方法提取關(guān)鍵的影像特征，以此構(gòu)建預(yù)測(cè)模型。

事實(shí)上，在該案例中，運(yùn)用了前文提及的廣東省人民醫(yī)院劉教授與中科院自動(dòng)化合作的研究成果——非小細(xì)胞肺癌生存預(yù)測(cè)。經(jīng)過(guò)應(yīng)用后，我們發(fā)現(xiàn)，影像組學(xué)特征相比傳統(tǒng)方法能夠更好地預(yù)測(cè)無(wú)病生存期。

案例三：晚期鼻咽癌的預(yù)后預(yù)測(cè)

此外，對(duì)病人來(lái)說(shuō)可以給出精準(zhǔn)預(yù)測(cè)的，還有鼻煙癌生存期預(yù)測(cè)。

針對(duì)臨床指標(biāo)對(duì)晚期鼻咽癌的放療后預(yù)測(cè)精度低的現(xiàn)狀，我們對(duì)118例晚期鼻咽癌T1和DCE MR圖像做了超過(guò)3年時(shí)間的隨訪，并結(jié)合970個(gè)影像組學(xué)特征，和臨床病理信息進(jìn)行分析，在此有效預(yù)測(cè)該類患者的預(yù)后，準(zhǔn)確度超臨床指標(biāo)的10%。

三、影像組學(xué)的關(guān)鍵技術(shù)

剛才我講的是臨床效果在輔助診斷、療效評(píng)估和預(yù)后預(yù)測(cè)的案例工作，然而如果要談人工智能和影像組學(xué)就必定離不開技術(shù)。所以我把技術(shù)簡(jiǎn)單梳理一下。

面對(duì)系列臨床問(wèn)題，影像組學(xué)采用深度機(jī)器學(xué)習(xí)等方法進(jìn)行分析研究以實(shí)現(xiàn)臨床輔助決策。而人工智能在醫(yī)療層面的技術(shù)應(yīng)用，主要是圖像分割、腫瘤分割，然后提取特征，特征越多越好，提取特征之后再進(jìn)行篩選。用計(jì)算機(jī)的話說(shuō)就是降維，用影像組學(xué)的話說(shuō)就是選擇關(guān)鍵特征。在此基礎(chǔ)上再選擇影像學(xué)的標(biāo)簽來(lái)達(dá)到效果。比如腫瘤分析或者預(yù)后分析或者輔助診斷。降維、特征提取、分割，都可以用時(shí)髦的人工智能新技術(shù)。但個(gè)人認(rèn)為，在此過(guò)程中不是技術(shù)驅(qū)動(dòng)而是問(wèn)題驅(qū)動(dòng)。

精準(zhǔn)腫瘤分割技術(shù)

分割，一般可能需要醫(yī)生先進(jìn)行勾畫，然后可以用機(jī)器學(xué)習(xí)的方法進(jìn)行半自動(dòng)或者全自動(dòng)的分工，這個(gè)分工效果也可以達(dá)到主治醫(yī)生的水平，一系列方法不展開說(shuō)，其他還包括肺癌等等。

對(duì)計(jì)算機(jī)處理來(lái)說(shuō)，以高位特征為主，很多數(shù)量化的不適合人眼加工，但適合計(jì)算機(jī)加工，計(jì)算機(jī)加工才能產(chǎn)生效果，達(dá)到輔助診斷的效果。

特征降維技術(shù)

對(duì)腫瘤來(lái)說(shuō)，往往體現(xiàn)數(shù)千個(gè)特征，然后再利用機(jī)器對(duì)其進(jìn)行降維。在這其中，共有四類主要特征降維方法：

·  稀疏選擇

·  空間映射

·  神經(jīng)網(wǎng)絡(luò)

·  遞歸排除

模型構(gòu)建技術(shù)

與此同時(shí)，針對(duì)具體臨床問(wèn)題，業(yè)界還采用建立計(jì)算機(jī)定量影像特征與所研究臨床研究問(wèn)題標(biāo)簽之間的分類模型。主要運(yùn)用了兩類模型：

·  SVM模型：從影像大數(shù)據(jù)原始像素出發(fā)，提取高維手工設(shè)計(jì)特征并進(jìn)行特征選擇，構(gòu)建影像特征與臨床問(wèn)題的分類模型。

·  CNN模型：在影像大數(shù)據(jù)的原始像素的基礎(chǔ)上，該模型可自主挖掘與臨床問(wèn)題相關(guān)的影像組學(xué)特征，構(gòu)建影像特征與臨床問(wèn)題的分類模型。

這些模型構(gòu)建的選擇，跟我們的問(wèn)題相關(guān)。如果問(wèn)題提煉到位、具體模型才能起作用。其在包括分類的方法，像良性分類，也能取得好的效果，并且產(chǎn)生有商業(yè)意義的效果。

模型的可視化技術(shù)

此外，還有一個(gè)重要的過(guò)程，也是臨床上的需求需要的，叫模型的可視化。對(duì)醫(yī)生來(lái)說(shuō)，特別是外科大夫和內(nèi)科大夫很忙，影像師可以給他們看片子。不能說(shuō)我們算出來(lái)什么結(jié)果給他舉證或者數(shù)字，要把模型變成可視化統(tǒng)計(jì)分析的直觀圖。這樣對(duì)大夫來(lái)說(shuō)看圖識(shí)字，就知道病人到什么期，該吃什么藥換什么藥，更簡(jiǎn)潔直觀。如圖所示，這四個(gè)步驟是影像學(xué)技術(shù)發(fā)展最主要的環(huán)節(jié)。

四、影像組學(xué)的發(fā)展方向

最后來(lái)看影像組學(xué)關(guān)鍵技術(shù)的發(fā)展趨勢(shì)，資源平臺(tái)、輔助診斷系統(tǒng)、共享平臺(tái)。真正要實(shí)現(xiàn)臨床應(yīng)用，要多病種、多模態(tài)、多中心、多參數(shù)的數(shù)據(jù)融合。這里面有一個(gè)矛盾，數(shù)據(jù)收集和清晰都具有挑戰(zhàn)性。我們對(duì)病理信息、治療信息、預(yù)后信息的收集還是有挑戰(zhàn)性的。在跟醫(yī)院合作過(guò)程中，以及這四五年收集的數(shù)據(jù)，如乳腺癌、肝癌、胃癌、肺癌超過(guò)美國(guó)TCGA數(shù)據(jù)庫(kù)，我們也積累了很多的經(jīng)驗(yàn)。

總的來(lái)說(shuō)，有了數(shù)據(jù)還不行，得有算法平臺(tái)，像剛才講的分割部分，在后面還有介紹算法平臺(tái)和集成平臺(tái)。目前我們正在跟廣東省人民醫(yī)院劉教授建立影像組學(xué)共享平臺(tái)，希望大家把用過(guò)的影像和模型、軟件上傳，建立大家開發(fā)共享的平臺(tái)，可以獲取數(shù)據(jù)、模型，可以使用免費(fèi)的軟件，然后開展這方面的研究。當(dāng)然，只是為研究服務(wù)。我建議公司也可以放上去，先讓他們用起來(lái)。這四個(gè)環(huán)節(jié)融合在一起才有意義，包括數(shù)據(jù)上傳、模型上傳、軟件測(cè)試。

現(xiàn)在我們需要更多人工智能和大數(shù)據(jù)在醫(yī)療問(wèn)題上的典型應(yīng)用，來(lái)拉動(dòng)產(chǎn)業(yè)，拉動(dòng)人工智能進(jìn)一步深度應(yīng)用。這是相輔相成的，空喊方法，不形成規(guī)?；?、典型應(yīng)用，是解決不了問(wèn)題的。只有得到外科、內(nèi)科大夫承認(rèn)的技術(shù)和臨床應(yīng)用，才能更加有意義。

（注：雷鋒網(wǎng)原創(chuàng)）

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。