[摘要] 目前，世界總體已進入老齡化社會，患各種疾病的人越來越多，有限的醫(yī)療資源難以滿足當今社會的醫(yī)療需求。人工智能在醫(yī)療領域的應用早期包括信息咨詢、電子病歷等，后期在基于影像、病理等數(shù)據(jù)的基礎上對皮膚病、肺結(jié)節(jié)等方面的智能診斷進展迅速。人工智能在類似這些領域的廣泛應用可以適當?shù)鼐徑忉t(yī)療資源緊張、臨床醫(yī)生負擔重等問題。本述評從人工智能輔助醫(yī)學圖像分割、疾病的智能診斷和智能預后評估三個方面，分析近幾年國內(nèi)外人工智能在醫(yī)學圖像處理中的研究和應用，探討醫(yī)學人工智能的研究進展，并對今后的研究方向進行展望，為未來人工智能輔助醫(yī)學圖像處理提供借鑒，加快醫(yī)療資源數(shù)字化，節(jié)約醫(yī)療成本，提高醫(yī)療效率。

[Abstract] At present, our world has entered an aging society, with more and more people suffering from various diseases, but the limited medical resources are difficult to meet the medical needs of today's society. Artificial intelligence has been used in medical care in the early stage, including medical information consultation and electronic medical records, and in the later stage, it is applied into intelligent diagnosis of skin cancer and pulmonary nodule based on medical imaging and pathological data. Such researches and products concerning artificial intelligence have developed rapidly, and can save medical resources and reduce medical burden. This paper analyzes the research and application of artificial intelligence in medical image processing in recent years, in the aspects of intelligent segmentation, intelligent diagnosis and intelligent prognostic assessment. Moreover, this article discusses the research progress and prospects of medical artificial intelligence, and provides references for future research in order to accelerate the digitization of medical resources, save medical costs, and improve medical efficiency.

[Key words] artificial intelligence    medical image segmentation    intelligent diagnosis    intelligent prognostic assessment    

自倫琴1895年發(fā)現(xiàn)X射線以來，醫(yī)學圖像已經(jīng)成為診斷人體疾病的重要醫(yī)學檢查手段。如今，計算機斷層掃描(CT)、磁共振成像(MRI)和超聲等醫(yī)學圖像都是疾病診斷最直接、最常用的方法。然而，大量的醫(yī)學圖像需要臨床醫(yī)生和影像科醫(yī)生花費很多時間和精力進行閱片分析，并且還可能會因醫(yī)生個人主觀經(jīng)驗或疲勞出現(xiàn)閱片錯誤，導致疾病錯診、漏診和誤診等問題，因此，亟須有數(shù)字化、智能化的軟件和程序來解決這個問題，提高閱片速度和效率，減少醫(yī)生錯診、漏診和誤診的出現(xiàn)概率。

人工智能(artificial intelligence，AI)是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用系統(tǒng)的一門技術科學，通常是指通過計算機程序來呈現(xiàn)人類智能的技術。根據(jù)2017年中華人民共和國國務院印發(fā)的《新一代人工智能發(fā)展規(guī)劃》，人工智能已經(jīng)成為我國科技的重要發(fā)展戰(zhàn)略方向，其在我國各行各業(yè)都有重要體現(xiàn)。近年來，隨著深度學習的發(fā)展，人工智能技術在醫(yī)學領域取得了很多突破性進展，尤其體現(xiàn)在醫(yī)學圖像處理方面[1-2]，前期主要包括CT、MRI和超聲圖像中病灶的智能識別、自動分割、三維重建和三維量化，以及后期的疾病智能診斷和預后評估。本述評將從人工智能輔助醫(yī)學圖像分割和三維重建、疾病的智能診斷和預后評估三個方面探討人工智能在醫(yī)學圖像處理中的研究進展，并對今后的醫(yī)學人工智能的研究方向進行展望。

1 人工智能輔助醫(yī)學圖像分割

從MRI、CT、超聲等多種模態(tài)的醫(yī)學圖像中，我們能夠獲取人體器官和病灶的二維生理學和形態(tài)學圖像信息，但想要更直觀地觀察疾病病灶的三維形態(tài)和空間毗鄰關系，實現(xiàn)對疾病的精準量化，為患者提供更準確的疾病信息、疾病診斷和最優(yōu)治療方案，則需要借助醫(yī)學圖像分割和三維重建技術，獲得病灶及毗鄰結(jié)構(gòu)的三維數(shù)字化模型。傳統(tǒng)醫(yī)學圖像的分割與三維圖像重建主要依靠人工進行，存在耗時、繁瑣、主觀偏差(不同人員對知識的掌握與理解不同，導致分割與重建的誤差)等缺點。

人工智能技術的運用對于醫(yī)學圖像分割具有重大的意義和應用價值，特別是基于深度學習的卷積神經(jīng)網(wǎng)絡算法有助于提高分割效率、縮短分割時間、減少主觀偏差，可以將醫(yī)生的精力從圖像分割中解放出來。近幾年一些研究表明，通過對經(jīng)典卷積神經(jīng)網(wǎng)絡模型的改進可以在醫(yī)學圖像上對一些復雜組織結(jié)構(gòu)達到很好的分割效果。香港中文大學LI等[3]于2018年提出的混合密集連接網(wǎng)絡(H-DenseUNet)在肝臟分割方面取得了非常好的效果，很好地解決了同時分割肝臟和病灶的問題。同年，ZHAO等[4]研究團隊通過將全卷積神經(jīng)網(wǎng)絡(fully convolutional neural networks, FCNN) 和條件隨機場(conditional random fields, CRF)集成到統(tǒng)一框架中，開發(fā)了一種新的腦腫瘤分割方法，獲得了具有外觀和空間一致性的較好的分割結(jié)果。2019年巴西西拉聯(lián)邦大學的ARAúJO等[5]通過細胞分割深度學習技術的細胞學分析計算工具，在沒有預分割的情況下排除包含異常細胞的低概率圖像，從而提升了Pap測試檢驗效率，比現(xiàn)有的方法運行得更快，而且檢測精準度不會受白細胞和其他污染物存在的影響。2020年山東師范大學XUE等[6]在快速采集的梯度回波圖像上開發(fā)出一種基于深度學習的網(wǎng)絡檢測和分割方法，通過Dice測量自動和手動分割結(jié)果之間的重疊，證明該網(wǎng)絡可以自動準確地對腦轉(zhuǎn)移腫瘤病灶進行檢測和分割，敏感性為(0.96±0.03)，特異性為(0.99± 0.000 2)，Dice值為(0.85±0.080)。在分割存在較大難度的肌肉組織方面，加拿大西蒙弗雷澤大學工程科學學院的DABIRI等[7]于2020年利用深度學習算法設計出包含第三腰椎(L3)軸向切片定位網(wǎng)絡和肌肉-脂肪分割網(wǎng)絡，將其運用在腹部CT圖像上，實現(xiàn)了L3切片定位，其平均誤差在(0.87±2.54)，完成了骨骼肌、皮下脂肪組織、內(nèi)臟脂肪組織和肌肉間脂肪組織的自動分割，其平均Jaccard得分為97%、98%、97%、83%，定位和分割網(wǎng)絡性能表明該方法具有高精度的全自動身體成分分析的潛力。2021年中國北京大學第一醫(yī)院神經(jīng)內(nèi)科的YANG等[8]構(gòu)建了卷積神經(jīng)網(wǎng)絡，用于分割MRI圖像下肌肉結(jié)構(gòu)，以獲得肌肉在人體結(jié)構(gòu)中的比值，用于診斷肌營養(yǎng)不良障礙，該深度模型在鑒別肌營養(yǎng)不良癥患者方面表現(xiàn)出良好的準確性和敏感性，并通過與3名放射科醫(yī)生對比，證明了該模型通過MRI圖像診斷肌營養(yǎng)不良癥方面存在潛在應用。

2 人工智能輔助疾病的智能診斷

醫(yī)學疾病的診斷對患者預后評估以及治療方案的選擇至關重要，然而，醫(yī)生對醫(yī)學影像的準確解讀需要較長時間專業(yè)經(jīng)驗的積累，有經(jīng)驗醫(yī)生的培養(yǎng)周期相對較長。因此，人工智能輔助疾病的智能診斷非常重要和關鍵，不僅可以提高對醫(yī)學圖像的檢測效率和檢測精度，減少主觀因素帶來的誤判，提高醫(yī)生診斷速度，幫助年輕醫(yī)生對比學習和快速成長，還能幫助缺少醫(yī)療資源的偏遠地區(qū)、基層醫(yī)院及體檢中心提高篩查診斷的水平。這方面研究主要包括醫(yī)學圖像上疾病病灶的識別與分類，特別是在皮膚癌、肺癌、肝癌等常見疾病的診斷方面有突出進展。

早在2017年斯坦福大學的研究者[9]已經(jīng)成功訓練了一個可以診斷照片或皮膚鏡下皮膚癌的深度學習算法，該算法不僅可以區(qū)分角質(zhì)形成細胞癌和良性脂溢性角化病，還能準確識別出惡性黑色素瘤和普通的痣，該研究設計的深度卷積神經(jīng)網(wǎng)絡在測試時都達到了專家的水平。人工智能的皮膚癌鑒定水平已經(jīng)達到了皮膚科醫(yī)生水平，預計在不久的將來，具有該皮膚癌診斷算法的移動設備可以讓皮膚科醫(yī)生的診斷拓展到診室之外，實現(xiàn)低成本的皮膚病重要診斷。

人工智能輔助肺癌的識別和診斷可顯著減少過度診斷，主要的應用是在醫(yī)學影像的基礎上通過區(qū)分良性和惡性結(jié)節(jié)來改善肺癌的早期檢測，因為早期識別惡性肺結(jié)節(jié)對于肺癌后期的手術、放化療等治療至關重要，同時決定了肺癌的預后。2019年ZHAO等[10]探索了利用最先進的深度卷積神經(jīng)網(wǎng)絡的3種策略包括修改一些最先進的卷積神經(jīng)網(wǎng)路(convolutional neural networks, CNN)架構(gòu)，集成不同的CNN構(gòu)架和采用遷移學習，對CT圖像上的惡性和良性肺結(jié)節(jié)進行分類，最后證明遷移學習的效果最佳。BONAVITA等[11]使用3D卷積神經(jīng)網(wǎng)絡評估肺結(jié)節(jié)惡性程度，并將其集成到自動化的端到端的現(xiàn)有肺癌檢測流程中，提高了肺癌的預測效果。另外，美國德克薩斯大學西南醫(yī)學中心WANG等[12]認為深度學習算法還將會影響肺癌的數(shù)字病理智能檢測的發(fā)展。隨著技術的進步，深度學習包括多任務學習、轉(zhuǎn)移學習和模型解釋等，都會對肺癌的診斷起著積極的影響效果。

隨著越來越多研究的發(fā)表，人工智能技術在肝病診斷和治療方面的應用也越來越多。CHOI等[13]利用來自7461例患者的大量CT圖像數(shù)據(jù)集，開發(fā)了一個用于對肝纖維化進行分期的CNN模型，其性能優(yōu)于放射科醫(yī)生以及氨基轉(zhuǎn)移酶-血小板比指數(shù)和纖維化-4指數(shù)等血液生化學指標，證明人工智能可以實現(xiàn)在CT圖像上準確地診斷肝纖維化并對其進行分期。YASAKA等[14]使用來自460例患者的肝臟CT圖像訓練的CNN模型在肝臟腫塊鑒別診斷中表現(xiàn)出較高的診斷性能。NAYAK等[15]開發(fā)了一種新的基于深度學習的肝臟三維分割和肝細胞癌(hepatocellular carcinoma, HCC)檢測系統(tǒng)，用于對肝硬化和HCC進行診斷分類，效果較好。HAMM等[16]使用434例HCC患者的MRI圖像建立了一個CNN分類器對6個類別的具有典型成像特征的肝臟病變進行診斷分類，測試集性能顯示平均敏感性為90%，特異性為98%，每個病變的計算時間為5.6 ms。這些研究都表明人工智能深度學習可作為放射科醫(yī)生最終決策支持工具的潛力，以及其能以省時的方式整合到臨床工作流程的可行性。肝活檢是目前檢測、風險分級和監(jiān)測非酒精性脂肪肝患者的標準，美國紐約州西奈山的伊坎醫(yī)學院肝病科DINANI等[17]認為人工智能給診斷非酒精性脂肪肝及其表型風險分級帶來希望，利用人工智能可以提高識別有非酒精性脂肪肝和晚期纖維化風險患者的能力，客觀地評估肝臟疾病診斷并改進肝組織的組織學評估不足之處。

此外，人工智能在輔助膀胱癌的診斷上也有一些應用進展。2019年美國加州斯坦福大學醫(yī)學院泌尿外科SHKOLYAR等[18]通過研究發(fā)現(xiàn)將人工智能中的深度學習算法用于增強的膀胱鏡檢查，可以改善腫瘤的定位精準度、腫瘤的識別率、術中導航效果和膀胱癌的手術切除效果。2020年德國美因茨大學醫(yī)學中心病理學研究所WOERL 等[19]嘗試利用人工智能深度學習單獨從傳統(tǒng)的組織形態(tài)學中檢測腫瘤組織外觀，進而診斷侵襲性膀胱癌分子亞型，發(fā)現(xiàn)其診斷效果良好，類似或優(yōu)于病理學專家，表明人工智能用于預測侵襲性膀胱癌的重要分子特征，有可能顯著改善該疾病的診斷和臨床管理。

3 人工智能輔助疾病的預后評估

通過患者信息和圖像分析，提取腫瘤的大小、部位、形態(tài)、邊界、質(zhì)地等特征，預測疾病治療反應，評估疾病的預后，可以幫助醫(yī)生更好地選擇合適的治療方式，這方面的研究在不斷發(fā)展，這也是醫(yī)生和患者都關心的問題。2018年香港中文大學重點腫瘤實驗室CHAN等[20]通過回顧性研究，分析3903例接受手術切除的早期肝細胞癌患者，構(gòu)建了兩個統(tǒng)計模型，用于預測切除后早期HCC的復發(fā)風險，模型經(jīng)過廣泛驗證被證明適用于國際環(huán)境，臨床醫(yī)生使用后能夠估計個別患者復發(fā)的風險，對指導監(jiān)測隨訪和切除后輔助治療試驗的設計很有價值。通過近幾年的發(fā)展，影像組學在腫瘤診斷、分期、預后以及預測治療反應等方面也取得很多進展[21-22]。南京醫(yī)科大學第一附屬醫(yī)院放射科的XU等[23]于2019年回顧性分析了總共495例肝癌手術切除的患者，構(gòu)建的綜合影像組學模型顯示腫瘤大小和瘤內(nèi)不均勻性與腫瘤微血管浸潤相關，表明結(jié)合大規(guī)模的臨床影像和影像組學特征構(gòu)建模型，不僅能夠有效預測HCC微血管侵犯風險，并可對患者術后復發(fā)及生存進行評估。2020年廣州中山大學第一附屬醫(yī)院超聲科LIU等[24]基于2008-2016年共419例患者(包括射頻消融和外科手術切除患者)的肝臟對比增強超聲，建立人工智能影像組學模型，預測射頻消融和手術切除的無進展生存期，結(jié)果顯示基于深度學習的影像組學模型可以實現(xiàn)無進展生存期的術前準確預測，可以促進極早期或早期肝細胞癌患者的最優(yōu)化治療方式選擇。不僅如此，此研究團隊還利用基于人工智能的影像組學方法在超聲造影中準確預測肝細胞癌患者對經(jīng)動脈化療栓塞的反應，并在不同驗證集中表現(xiàn)出高度可重復性[25]。由此可見，結(jié)合深度學習和影像組學的優(yōu)勢，可以更大程度地對疾病進行治療反應預測和預后評估。2021年美國加利福尼亞州斯坦福大學醫(yī)學院放射腫瘤科JIN等[26]通過多任務深度學習方法，充分利用治療的動態(tài)變化信息，成功預測新輔助化療后直腸癌出現(xiàn)病理完全緩解的可能性，在160例和141例患者的多中心驗證中獲得的受試者工作特征曲線下面積(area under curve, AUC)分別達到0.95和0.92，結(jié)合腫瘤血清標記物后，該模型的預測精度進一步得到提高，這項研究可用于改進治療反應的評估和疾病監(jiān)測，并有可能為個性化醫(yī)療提供信息。

4 展望

近年來，隨著社會的數(shù)字化和智能化發(fā)展，雖然由于醫(yī)學的嚴謹性和復雜性，人工智能在醫(yī)學上的產(chǎn)品并不多，但是人工智能已在醫(yī)學的研究上廣泛普及。通過本述評對近幾年國內(nèi)外醫(yī)學人工智能的研究和應用的分析，我們認為，醫(yī)學院校的人工智能輔助醫(yī)學圖像處理方面的研究可主要聚焦于以下幾個方面。

4.1 醫(yī)學影像和病理圖像的智能分割

人體正常結(jié)構(gòu)和病灶詳細信息的精準獲取來源于人體結(jié)構(gòu)的邊界精準分割，而且人體結(jié)構(gòu)三維圖像和三維形態(tài)學參數(shù)的獲取更依賴于二維影像學和病理學圖像的分割，圖像分割是后期疾病診斷、預后評估、治療決策的基礎，但是分割會花費醫(yī)生大量的時間和精力。因此，亟須通過人工智能算法或工具，來解決手工分割耗時長、精度差、精度依賴于醫(yī)生個體經(jīng)驗的問題。

目前，基于人工智能的深度學習算法常用于醫(yī)學影像學圖像如CT、MRI、超聲和病理學圖像的分析。一般在圖像中選擇一些具有一定準確幾何形態(tài)規(guī)律的、相互變異較小的、邊界比較清楚的人體組織結(jié)構(gòu)，來進行深度學習算法或軟件的訓練，比如人體大腦、小腦、肝、肺、腎、脾、乳腺、甲狀腺、骨骼肌等，尤其目前的研究在肝癌、肺癌等常見病、多發(fā)病的體現(xiàn)最多，往后的研究會逐漸向適合深度學習的而又為常見病多發(fā)病的實質(zhì)性臟器疾病發(fā)展，如胰腺癌、食管癌、腮腺腫瘤等。然而，對于一些變異較大的結(jié)構(gòu)如小腸、靜脈，就不大適合使用深度學習算法進行分割，反而閾值法和區(qū)域擴增等傳統(tǒng)算法可能會更加適合，因為目前的深度學習算法大多屬于監(jiān)督學習，需要醫(yī)生的精準標注進行訓練，而標注這些變異較大的結(jié)構(gòu)會大大增加醫(yī)生的工作量。因而，肉眼能識別和分割出來的結(jié)構(gòu)，人工智能分割實施效果會較好，肉眼難以準確識別的結(jié)構(gòu)，人工智能算法效果也會欠佳。因此，目前開展人工智能進行醫(yī)學圖像分割研究需要選擇合適的分割結(jié)構(gòu)和合適的臨床疾病，但隨著人工智能方法的不斷更新，非監(jiān)督學習的發(fā)展，醫(yī)學圖像的分割難題可能會得到解決。

4.2 人工智能輔助疾病診斷

疾病快速精準診斷是精準治療的關鍵，傳統(tǒng)的診斷存在醫(yī)學診斷個體差異、耗時長、優(yōu)勢醫(yī)療資源相對匱乏等問題。人工智能輔助疾病診斷包括疾病病灶檢測和疾病分類分期確診，數(shù)據(jù)源主要來自人體影像學和病理學數(shù)據(jù)。在診斷效率上，人工智能在某些疾病的診斷上水平已經(jīng)超過了醫(yī)生，已經(jīng)在臨床上開始使用，比如肺癌、皮膚癌、乳腺癌等這幾類都是常見的腫瘤，因為其訓練樣本達到了幾千或幾萬病例。其他疾病如膠質(zhì)細胞瘤、宮頸癌、直腸癌的智能診斷還處于發(fā)展階段，主要原因是訓練集樣本量不夠多，非多中心實驗，這一部分研究仍可繼續(xù)挖掘。還有一些如非腫瘤性的內(nèi)科疾病比如感染性疾病、自身免疫性疾病等仍未作為研究的重點，這一部分的研究仍可繼續(xù)開展。

人工智能輔助疾病診斷模型存在構(gòu)建的通用性模型在特定任務中表現(xiàn)不理想的情況，如人體眼底彩色照片的眼底疾病的篩查和診斷中，使用通用性篩查模型往往在具體疾病的識別中表現(xiàn)就不夠理想。同時，模型的構(gòu)建，往往對圖像的源數(shù)據(jù)質(zhì)量要求比較高，如不同醫(yī)院、不同醫(yī)療設備、不同操作技師所獲取的數(shù)據(jù)就不一樣，如果只用來自一家醫(yī)院的數(shù)據(jù)，而不入組其他醫(yī)院的，那么最后構(gòu)建的模型，就不能精準智能診斷其他數(shù)據(jù)源的數(shù)據(jù)。因此，人工智能輔助診斷研究，早期可從單中心數(shù)據(jù)源選擇入手，但在后期，則需要考慮多中心數(shù)據(jù)，這樣，構(gòu)建的智能診斷模型才能夠具有通用性。

人工智能診斷疾病的技術路線要基于影像科或病理科醫(yī)生，把他們的疾病診斷思路弄清楚、弄明白，才能更準確地讓機器學習醫(yī)生的診斷思路，進行智能診斷，從而達到疾病的精準診斷。如病理科醫(yī)生診斷腫瘤，先判斷細胞核的核分裂象和核異質(zhì)性，再考慮細胞質(zhì)的異常變化，另外皮膚科醫(yī)師根據(jù)痣的大小、邊界、顏色、質(zhì)地均勻度、部位進行痣良惡性的判定，讓機器按這樣的思路學習才能事半功倍，實現(xiàn)精準診斷。

4.3 人工智能輔助疾病預后評估

人工智能輔助疾病預后評估，目前為臨床醫(yī)生和患者及家屬最關心的問題。通常采用回顧性的研究分析方法，構(gòu)建疾病智能預后評估模型，進行預后風險性評估研究和手術、放療以及新輔助化療風險性評估。目前，這一部分的研究逐漸成為醫(yī)生和醫(yī)學家關注的重點，比例在增高，甚至部分領域高于目前的人工智能輔助診斷研究。

疾病預后評估智能模型的構(gòu)建及研究，同樣需要結(jié)合臨床醫(yī)生的思維和診斷流程，比如肺癌、肝癌的智能預后評估，危險性主要跟其結(jié)節(jié)大小、部位、邊界、質(zhì)地均一度、供應血管豐富程度、與重要臟器的毗鄰關系、與重要血管的毗鄰關系和病理學結(jié)果，這樣才能讓機器學習到相關性強的深層特征。

總之，醫(yī)學人工智能是數(shù)字醫(yī)學發(fā)展的新方向，為現(xiàn)代醫(yī)學研究的主流熱點，是未來醫(yī)學發(fā)展的必然趨勢。現(xiàn)在醫(yī)學人工智能尚處于弱人工智能時代，不具備溝通的功能和能力，仍然需要人工智能技術的不斷提高和完善，以期早日實現(xiàn)人機智能交流。同時，由于醫(yī)學問題的因果關系鏈復雜、精準度要求高、病人個體差異大，所以對醫(yī)學人工智能產(chǎn)品的要求很高，雖然研究成果多，但產(chǎn)品產(chǎn)出慢，耗時長，耗錢多，我們需要有足夠的耐心等待其發(fā)展。因此，醫(yī)學人工智能的研究往往需要針對某一種疾病，制定一個短期、中期和長期的計劃。短期計劃，即利用較小的訓練集樣本庫，完成人工智能初步模型的構(gòu)建，獲得較好的測試驗證結(jié)果；中期計劃，利用至少幾百例、甚至是多中心的大樣本訓練集，對人工智能模型進行優(yōu)化完善，并在臨床前瞻試驗中得到驗證；長期計劃，在較完善訓練集模型的基礎上，繼續(xù)擴大樣本量至幾千例，提升模型的泛化能力和兼容性，以提高診斷和預后評估的精度準，降低錯診、漏診和誤診的概率，達到產(chǎn)品上市的條件。

醫(yī)學人工智能時代已經(jīng)來臨，我們亟須緊跟數(shù)字醫(yī)學和人工智能時代步伐，激流勇進，為未來醫(yī)學的創(chuàng)新和改革做出貢獻。

參考文獻

WANG G, LI W, ZULUAGA M A, et al. Interactive medical image segmentation using deep learning with image-specific fine tuning[J]. IEEE Trans Med Imaging, 2018, 37(7): 1562-1573.

WANG G, ZULUAGA M A, LI W, et al. DeepIGeoS: A deep interactive geodesic framework for medical image segmentation[J]. IEEE Trans Pattern Anal Mach Intell, 2019, 41(7): 1559-1572.

LI X, CHEN H, QI X, et al. H-DenseUNet: hybrid densely connected UNet for liver and tumor segmentation from CT volumes[J]. IEEE Trans Med Imaging, 2018, 37(12): 2663-2674.

ZHAO X, WU Y, SONG G, et al. A deep learning model integrating FCNNs and CRFs for brain tumor segmentation[J]. Med Image Anal, 2018, 43: 98-111.

ARAúJO F H D, SILVA R R V, USHIZIMA D M, et al. Deep learning for cell image segmentation and ranking[J]. Comput Med Imaging Graph, 2019, 72: 13-21.

XUE J, WANG B, MING Y, et al. Deep learning-based detection and segmentation-assisted management of brain metastases[J]. Neuro-Oncol, 2020, 22(4): 505-514.

DABIRI S, POPURI K, MA C, et al. Deep learning method for localization and segmentation of abdominal CT[J]. Comput Med Imaging Graph, 2020, 85: 101776.

YANG M, ZHENG Y M, XIE Z Y, et al. A deep learning model for diagnosing dystrophinopathies on thigh muscle MRI images[J]. BMC Neurol, 2021, 21(1): 13.

ESTEVA A, KUPREL B, NOVOA R A, et al. Dermatologist-level classification of skin cancer with deep neural networks[J]. Nature, 2017, 542(7639): 115-118.

ZHAO X, QI S, ZHANG B, et al. Deep CNN models for pulmonary nodule classification: Model modification, model integration, and transfer learning[J]. J Xray Sci Technol, 2019, 27(4): 615-629.

BONAVITA I, RAFAEL-PALOU X, CERESA M, et al. Integration of convolutional neural networks for pulmonary nodule malignancy assessment in a lung cancer classification pipeline[J]. Comput Methods Programs Biomed, 2020, 185: 105172.

WANG S D, YANG D M, RONG R C, et al. Artificial intelligence in lung cancer pathology image analysis[J]. Cancers, 2019, 11(11): 1673.

CHOI K J, JANG J K, LEE S S, et al. Development and validation of a deep learning system for staging liver fibrosis by using contrast agent-enhanced CT images in the liver[J]. Radiology, 2018, 289(3): 688-697.

YASAKA K, AKAI H, ABE O, et al. Deep learning with convolutional neural network for differentiation of liver masses at dynamic contrast-enhanced CT: a preliminary study[J]. Radiology, 2018, 286(3): 887-896.

NAYAK A, BAIDYA KAYAL E, ARYA M, et al. Computer-aided diagnosis of cirrhosis and hepatocellular carcinoma using multi-phase abdomen CT[J]. Int J Comput Assist Radiol Surg, 2019, 14(8): 1341-1352.

HAMM C A, WANG C J, SAVIC L J, et al. Deep learning for liver tumor diagnosis part Ⅰ: development of a convolutional neural network classifier for multi-phasic MRI[J]. Eur Radiol, 2019, 29(7): 3338-3347.

DINANI A M, KOWDLEY K V, NOUREDDIN M. Application of artificial intelligence for diagnosis and risk stratification in NAFLD and NASH- the state of the art[J]. Hepatology, 2021, Apr 30.

SHKOLYAR E, JIA X, CHANG T C, et al. Augmented bladder tumor detection using deep learning[J]. Eur Urol, 2019, 76(6): 714-718.

WOERL A C, ECKSTEIN M, GEIGER J, et al. Deep learning predicts molecular subtype of muscle-invasive bladder cancer from conventional histopathological slides[J]. Eur Urol, 2020, 78(2): 256-264.

CHAN A W H, ZHONG J H, BERHANE S, et al. Development of pre and post-operative models to predict early recurrence of hepatocellular carcinoma after surgical resection[J]. J Hepatol, 2018, 69(6): 1284-1293.

LIU Z, MENG X, ZHANG H, et al. Predicting distant metastasis and chemotherapy benefit in locally advanced rectal cancer[J]. Nat Commun, 2020, 11(1): 4308.

ZHANG S, SONG G, ZANG Y, et al. Non-invasive radiomics approach potentially predicts non-functioning pituitary adenomas subtypes before surgery[J]. Eur Radiol, 2018, 28(9): 3692-3701.

XU X, ZHANG H L, LIU Q P, et al. Radiomic analysis of contrast-enhanced CT predicts microvascular invasion and outcome in hepatocellular carcinoma[J]. J Hepatol, 2019, 70(6): 1133-1144.

LIU F, LIU D, WANG K, et al. Deep learning radiomics based on contrast-enhanced ultrasound might optimize curative treatments for very-early or early-stage hepatocellular carcinoma patients[J]. Liver Cancer, 2020, 9(4): 397-413.

LIU D, LIU F, XIE X Y, et al. Accurate prediction of responses to transarterial chemoembolization for patients with hepatocellular carcinoma by using artificial intelligence in contrast-enhanced ultrasound[J]. Eur Radiol, 2020, 30(4): 2365-2376.

JIN C, YU H, KE J, et al. Predicting treatment response from longitudinal images using multi-task deep learning[J]. Nat Commun, 2021, 12(1): 1851.

相關知識

Status quo of medical tourism and its implication in China
Pregnant women: addressing maternal mental health in Africa
Research progress in health management theory and its application in chronic disease management
創(chuàng)傷后應激障礙的網(wǎng)絡化心理干預及起效機制
Progress in Basic Research and Intervention Techniques for Mental Health Problems
Interaction between polysaccharide and intestinal flora and its structure
高速列車軸箱軸承健康監(jiān)測與故障診斷研究綜述
Beginner's Guide to Bodybuilding: Don't Let These 10 Myths Derail Your Progress
RESEARCH PROGRESS IN HIGH
輕斷食對人體健康的影響研究進展

網(wǎng)址: Artificial intelligence in medical image processing: progress and prospect http://www.u1s5d6.cn/newsview681410.html