邢志军 薛丽娜
飞依诺科技苏州有限公司，江苏苏州 215000
摘要：人工智能的飞速发展，助力超声医学不断前行。面对海量的数据，超声医学需要智能化和数字化，本文分析超声医学面临的挑战和机遇，阐述人工智能技术与超声医学结合的进展与现状。人工智能和超声医学结合面临着：政策和法规的缺失、数据标准制定、有效数据收集标注、算法研究和应用场景结合等诸多挑战，随着医院、企业、科研机构的深入合作，让我们对未来充满期待。
关键词：人工智能；超声检查；诊断
人工智能迄今已有60多年的历史，近年来，由于硬件GPU的快速更迭和影像数据的急速增长，深度学习算法成为人工智能（Artificial Intelligence, AI）技术发展的重要一环[1]。2018年，中国医学影像AI产学研用创新联盟成立，并在2019年发布《医学影像AI白皮书》，推动AI和医学影像行业的规范化。目前，伴随着AI技术在计算机视觉领域的蓬勃发展，物体分类、目标检测、图像分割各个方面都有了长足的发展。其中医学影像[2]（包括：计算断层成像（CT）、核磁共振成像（MRI）、X线、超声影像（US）等），作为计算机视觉的重要部分，已经成为新的研究热点。其中超声影像检查，以其高分辨率、实时性、多角度、无创性等，广泛应用于：心脏、甲状腺、乳腺、腹部等器官。超声影像区别于一般CT、MRI等静态图像，超声图像是动态的视频流，存在特殊性。将超声检查与AI技术的结合，实现计算机辅助诊断（Computer-aided Diagnosis, CAD），已经成为业内的共识[3]。本文旨在分析超声医学面临的挑战和机遇；阐述AI技术与超声医学结合的进展与现状。希望在未来，借助AI技术，实现超声医学的进一步发展。
1.超声医学与AI技术结合的挑战
1.1 超声医学的发展现状
我国超声科室，作为独立的科室部门，超声检查时，超声医生需要熟练掌握超声诊断仪功能的使用、进行不同部位的检查时可能还需要切换不同的探头，成像的好坏直接受到超声医师手法的影响，而且超声医师在扫查过程中，需要实时进行诊断，当场给出诊断报告。由此发现，在不借助人工智能技术的场景下，超声行业面临以下的问题：
第一：超声医师的需求。超声科室需要大量经验丰富、资历高的超声医师。由于医学影像数据的增长迅速，专业医生的增长数量远不及需求，而且医师的经验需要较长时间的培训和训练[4]，因此存在大量的人才缺口。
第二：工作量、工作强度和责任风险。超声检查的普遍性，导致超声医师每天都需要面临大量医学数据，进行超负荷的工作，而且人眼进行观察难免产生误差，视力疲劳导致出现的疾病误判和漏判，也让医师承担着一定的责任风险。
第三：诊断的主观性和标准性。超声诊断的主观性强，诊断的结果受到设备的成像效果、医师的操作水平、医师的资历经验等各方面的影响。而且，诊断结果没有统一的标准，不同医院、科研机构的标准来源都有差异。
放眼国家发展现状，中国有超过5万家基层医院，基层医院的超声医师更加良莠不齐，中国的超声医学还面临着以下问题：
第一：基层医院数量多，超声医师分布不均。
第二：基层医院医师水平较低，基本理论知识缺乏，医学知识片面。
第三：基层医院医师的操作手法和学术性术语不规范，对疾病的诊断能力较弱，缺少相应的培训和指导，能力提升慢。
而超声医学需要智能化和数字化，人工智能可以快速处理海量数据，依靠AI辅助诊断系统，连续快速诊断，且标准统一、不受主观性影响，辅助医师进行分析判断，帮助医师快速完成相关报告，确实能够为解决相关问题提供可能。
1.2 AI技术应用于超声医学的挑战
面对超声医学的发展现状，超声医学的医师、机构等都在积极采取行动。报告[5]统计了全国31个地区、两千多家不同级别的医院医师和19个地区、120个医学影像研究团队，总结了现阶段医学影像AI研究的现状。不管是医师还是研究者群体，普遍关注AI技术。同时调研[5]表明，医师和研究者都保持积极地态度，希望有机会展开合作。医师可以提供研究者所需的图像数据，进行规范的数据标注，提出相应的功能需求，并对AI产品进行临床验证和功能反馈；研究者根据所得的图像数据，进行数据清洗，数据去重，对数据质量进行标准制定，跟医师讨论和制定规范的标注规则，模型训练，系统架构搭建。两者在保证数据安全的同时，开展科学研究，共享成果。
多方积极的态度给AI技术应用于超声医学提供契机，但是也面临着诸多挑战。
第一：政策和法规的制定
医疗单位看重数据安全，信息安全的不确定，患者隐私的管理，让多数医疗单位不愿将数据公开。现阶段也缺乏相关的产品准入、技术管理规范、技术审批和监管等方面的制度。同时医师缺乏AI相关知识，研究者缺乏医学相关知识，两者的关注点存在先天的区别。缺少制度的约束、多方关注点的差异，会导致在实际应用中，AI辅助诊断的可信度和医师配合的责任风险无法剖析，两者的责任界定不清晰[6]。
第二：数据标准、收集、标注
超声图像由于其特殊性，超声图像的质量很大程度上来源于操作的医师水平，同时不同厂家不同机器型号的设计差异和成像系统也可能导致图像质量的差异。实际生活中，超声检查也是根据检查部位不同进行区分的。如何给临床医师更加准确和统一的意见，对超声扫查和记录建立统一的标准，按照规范的系统进行分类，同时将不同器官的扫查作为基础，以部位器官、标准切面、检查模式等既定规则，进行自动化的分类，来确保超声检查的连续性和完整性[7]，这些问题也亟需解决。
规范化、大样本、有效的数据乃是AI技术的基础，AI的准确率很大程度上依靠训练数据的准确性。超声图像易受到斑点、噪声、伪影的影响，而且图像形状结构复杂，对高质量和可靠性强的数据进行收集整理归档，根据既定的标准规则进行标注，形成数据中心，以确保AI技术的推广性和可再现性，乃是重中之重。
第三：算法研究和应用场景
超声检查过程中，每秒都会产生几十帧的图像，对如此庞大的数据进行处理，依托于强大的算法，需要对算法架构和诊断实时性进行优化，来保证诊断的准确性和实时性。同时，AI产品的应用场景还非常局限，需要医院、企业、科研机构的合作交流，一起迸发出新的灵感。
2.超声医学与AI技术结合的进展和现状
2.1 现有的辅助诊断系统
该论文[8]，设计实验对比了S-Detect技术和实际医师的诊断水平。针对乳腺超声图像，S-Detect智能辅助诊断技术，根据BI-RADS分类标准给出良恶性病灶的判断，并给出相应的病灶特征描述。实验结果表明，针对静态的乳腺超声图像，S-Detect可以达到4年资历超声医师的诊断水平。但是实际应用中，S-Detect技术只对静态图像进行分析，医师可以对动态的乳腺超声图像进行判断，此时S-Detect的诊断水平还是低于4年资历的超声医师。总体而言，S-Detect技术对乳腺超声图像病灶良恶性的判断具有较高的价值。但是，微钙化的识别是乳腺良恶性病灶鉴别的重要线索，S-Detect技术缺少相应的判断；实际的超声检查中，针对动态图像的判断才能够提供更加可信的依据，对临床治疗更有意义。
李潜[9]等人，使用三星RS80A超声诊断仪，设计实验论证了S-Detect智能辅助诊断技术，在甲状腺可疑结节的良恶性判断方面具有较高的应用价值。但是该实验数据量较少，结果存在一定的偶然性。同时，作者也说明S-Detect技术无法识别微钙化这一特征，弹性成像和超声造影等新技术也无法应用，而且基于静态的超声图像进行分析，会出现同一病灶不同切面的诊断结果不同的情况。
CHANG[10]等人设计完成用于商业化的甲状腺超声诊断系统，该系统需要手动标记甲状腺结节的横纵轴，自动生成结节的边缘轮廓，系统自动生成相应的描述，描述包括：微钙化、低回声病变、不均匀性和边缘模糊。以此来减少细针穿刺细胞学（Fine Needle Aspiration Cytology，FNAC）的使用。
2.2 国内外最新的研究进展
针对甲状腺超声图像：针对甲状腺结节超声图像的分割问题，该论文[11]提出逐层语义分割算法，首先训练一个全卷积语义分割模型，用于分割出超声图像感兴趣区域（Region of Interest，ROI），去除无关干扰信息；然后根据人工标注点，进行图像处理和检测，对可能的结节位置进行识别，去除结节之外的超声干扰区域，得到粗分割图像；最后，对粗定位的结节图像进行精细分割，训练专门用于结节边缘分割的语义模型。该算法可以针对甲状腺超声图像，进行结节分割，避免很多不必要的误判。但是该算法无法识别结节类型、对单幅图像多个结节情况也未涉及、粗定位时依赖人工标记点、存在结节边缘的精细程度问题。针对医学图像数据量小，甲状腺超声图像形状不固定、边缘模糊等问题，该论文[12]提出改进的U-Net分割网络，该网络采用多尺度输入机制，融合注意力机制。同时模型训练时，改进损失函数，提高甲状腺结节的召回率，改善小目标的分割性能。改算法跟已有的分割网络相比，有较好的性能优势，但是缺少标准的数据采集、脱敏、去重、标签设定的流程；模型的分割效果不太好；缺少结节良恶性的判断，依然无法真正应用于临床医学中。
针对肝脏超声图像：该文[13]分析了通过深度学习技术，对肝脏超声病灶图像进行诊断的现状和前景。通过计算机辅助诊断系统，对肝脏超声图像进行诊断，可以对疾病进行早期诊断，减少后续可能的治疗成本，而且具有很大的潜力改变现有的超声影像诊断方式。针对B模式的超声图像，该论文列举了很多的研究，通过机器学习方法，有效的对肝脏局灶性疾病和肝脏弥漫性疾病进行分类、检测和分割。然而，为了更早的将计算机辅助诊断技术应用于临床，还需要建立完整的肝脏疾病数据收集标注体系。该文[14]，选用Faster R-CNN实例分割模型，检测肝脏超声图像中的肝囊肿和肝癌两种疾病，通过迁移学习，训练得到的模型可以较为准确的检出这两种疾病。但是，该研究中病例数量较少，图像经过严格筛选，肝脏超声图像中其他疾病类型没有进行判断，该研究还不具备临床应用价值。论文[15]显示，通过迁移学习，微调参数，小数据量的模型可以得到很高的准确率。而且更大的数据量能够提升深度学习技术在弥漫性疾病中诊断的准确性。
针对乳腺超声图像：该研究[16]完成了从数据收集、数据标注、模型搭建、模型训练、参数调优、模型评价的整个流程，完成了初步的人工智能辅助诊断模型。但是，该研究数据量较小，样本来源单一，并未进行实际的临床验证。
针对超声心动图：金占强[17]总结了已有的AI在超声心动图中的应用，其中包括：自动的心室测量和射血分数计算；心肌运动检测和自动应变率测量；心脏瓣膜的运动检测、瓣膜参数自动测量。然而超声心脏的检查极其复杂，如何将AI融入完整的扫查过程，帮助医师快速进行疾病诊断，仍然有较大难度。
针对盆底超声图像：该论文[18]总结了现有的AI在盆底超声图像的主要应用，包括：对最大Valsalva状态下肛提肌裂孔（Levator Hiatus, LH）的自动分割；肛提肌的自动识别；产程进展角（Angle of Progression, AOP）的自动测量。其中大多数的研究都集中在三维轴平面LH的自动分割，对于三维、四维图像的自动重建和实时追踪，仍然是研究的难点。
3.小结
大数据、AI、超声影像学的不断融合发展，可以提高医疗服务质量，改变传统的医学诊断模式；向基层医院推广，可以提高基层医师的诊断水平；部署在体检中心，可以协助医师完成大规模的体检筛查，减轻医师的压力负担；结合远程医疗也可以为偏远地区的医疗服务体系提供支持帮助。但是，现有的AI技术与超声医学的结合，依然充满着问题和挑战，需要各方从业者深入合作，争取早日实现真正意义上的人工智能。
参考文献：
[1]宋美琪, 徐皓煊, 汝童,等. 人工智能在超声影像中的应用现状[J]. 中国中西医结合影像学杂志 2020年18卷5期, 528-531,535页, ISTIC, 2020.
[2]秦文健. 基于机器学习的医学影像分割关键问题研究及其在肿瘤诊疗中的应用[D]. 中国科学院大学(中国科学院深圳先进技术研究院), 2019.
[3]赵佳琦, 刁宗平, 徐琪,等. 人工智能时代超声医学新发展[J]. 第二军医大学学报, 2019(5):478-482.
[4]金征宇. 前景与挑战:当医学影像遇见人工智能[J]. 协和医学杂志, 2018, 009(001):2-4.
[5]张惠茅,萧毅,洪楠,等. 医学影像人工智能产业现状和发展需求调研报告[J]. 中华放射学杂志, 2019, 053(006):507-511.
[6]王海星、杨志清、郭玲玲、郭燕青、张靓、齐昊. 基于大数据和人工智能的超声医学发展现状及问题研究[J]. 肿瘤影像学, 2020, v.29;No.114(04):74-77.
[7]翟岳,俞成杰. 人工智能时代超声医学的最新发展研究[J]. 影像研究与医学应用, 2019, 003(024):P.1-2.
[8]程慧芳, 王学梅, 李响,等. 常规超声与S-Detect技术在乳腺病灶良恶性鉴别诊断中的效能比较[J]. 中华医学超声杂志（电子版）, 2019, 16(7):542-548.
[9]李潜, 刘春丽, 韦雅楠,等. S-Detect技术在甲状腺可疑结节诊断中的应用价值[J]. 中华超声影像学杂志 2020年29卷11期, 964-968页, ISTIC PKU CSCD, 2020.
[10]Chang, Tien-Chun. The Role of Computer-aided Detection and Diagnosis System in the Differential Diagnosis of Thyroid Lesions in Ultrasonography[J]. Journal of Medical Ultrasound, 2015, 23(4):177-184.
[11]尉智辉. 基于深度学习的甲状腺结节超声图像分割算法研究[D]. 天津大学, 2018.
[12]贾树开. 深度学习在图像分割中的应用[D]. 电子科技大学, 2020.
[13]Naoshi, Nishida, Makoto, et al. Current status and perspectives for computer-aided ultrasonic diagnosis of liver lesions using deep learning technology.[J]. Hepatology International, 2019.
[14]管海涛, 赵金丽等. 基于deep CNN的Faster R-CNN在肝脏肿瘤超声图像中的初步应用[J]. 中国超声医学杂志, 2020, v.36;No.353(03):32-34.
[15]Banzato, T, Bonsembiante, et al. Use of transfer learning to detect diffuse degenerative hepatic diseases from ultrasound images in dogs: A methodological study[J]. The Veterinary Journal, 2018, 233:35-40.
[16]冀鸿涛, 朱强, 甘从贵等. 人工智能辅助诊断模型在乳腺结节超声诊断中的应用价值[J]. 肿瘤研究与临床, 2019, 31(10):649-652.
[17]金占强. 人工智能在心血管超声应用中的现状和前景[J]. 中国医药指南 2020年18卷21期, 36-37页, 2020.
[18]吴双玉, 张新玲. 人工智能在盆底超声中的应用进展[J]. 中华超声影像学杂志, 2020, 29(11):1009-1012.
[基金项目]：国家重点研发计划数字诊疗装备研发重点专项（2016YFC0105000）。