8月8日，在磁共振（MRI）影像顶会国际医学磁共振年会（ISMRM），斯坦福大学的Greg Zaharchuk教授在一场演讲中表示，人工智能（AI）在MRI的广泛应用中显示出潜在的重大临床影响，但医学影像解读可能并非最快落地的应用方向。

Greg Zaharchuk教授

与之相对，基于AI技术的图像加速重建和后期增强处理很可能会率先走向应用。

他说："这些AI应用是否会成为'杀手级'应用，将取决医疗机构是否真的想提高效率。随着时间推移，由于美国医疗保健法规的要求以对于报销规定的变化，这一点可能会迎来重大变化。"

Greg教授说，图像解释（图像分析）可能是AI与MRI结合的最迟发展的一类应用，反而其他协助放射科医生的工具可能会有更多潜力。"其他新应用，例如使用AI来实现更低剂量甚至零剂量的钆造影等，也正在出现，虽然暂时看起来是比较狂野的想法，但可能最终会对我们的成像方式有革命性的改变"。

"杀手级"应用

要成为放射学的"杀手级"应用，AI必须满足重要的临床需求，Greg教授说。此外，目前使用的解决方案必须是次优的，不能最好地解决现有问题。而这新的方法则要易于实现且具有鲁棒性。另一方面，新的技术还需要获得商业角度的支持（commercial support）才能真正被投入使用。

在AI应用中，有一些不太理想的应用，包括侧重于罕见疾病或放射科医生已经很容易完成的任务的应用。它们可能不会影响患者治疗与护理，或对数据的类型（例如扫描仪或populations适用人群）非常敏感，或在用于训练算法的数据中可能缺少金标准。

Greg教授表示，使用AI来做COVID-19的CT诊断的一个难点就是如何真正得到金标准以及如何通过检测结果对病人的诊断和治疗产生正面的价值。

他说："（即使使用AI）我们医生仍然需要对患者图像进行检查。我们知道COVID-19的患者可以是无症状的，也可能会有看起来比较正常的CT成像结果。"

一个好的AI应用是什么样的？

Greg教授说，一个好的AI应用程序应该解决常见但繁琐的临床任务。此外，人类医生应该几乎总是会认同算法的预期结果。"相关应用还需要不断地在效率或造影剂剂量上进行改进，对次要缺陷具有鲁棒性，并易于放射科医生来决判是否需要推翻其结论。"

良好的AI应用程序的一个例子是，发现和分割脑转移瘤-这是神经放射科医生的一项重要任务。

他说："这些病灶中的每一个都可以分别进行立体定向放射外科手术的靶向治疗，有时可以有一个病灶，有时最多可以有数十甚至近百个病灶。这非常耗时，但难度并不高。"

成像自动化

例如，AI可以启用用于执行心脏MRI扫描的自动化系统。

再比如，AI软件开发商HeartVista开发了基于AI的软件，该软件基本上可以运行扫描仪，查看图像，然后调整采集平面planes，以便始终获得标准化检查。

他说："我认为，当我们考虑所有漂亮的算法时，非常重要的一点是，算法可能非常依赖以特定的方式（甚至可能是在不同的医疗部门以适当的方式）获取的（图像）。成像自动化"这绝对是要考虑的问题，并且是将来将重点放在AI上的一个非常令人兴奋的领域。"

影像重建

人工智能可以通过使MRI快速运行来真正提供新的价值。在将MRI扫描降低到10分钟的目标上已经取得了进展，但更快速的扫描目前的障碍仍然存在。

例如，节省时间的序列sequences可能仅在最新的扫描仪上可用，或者可能需要供应商的商务升级。

Greg教授表示："我发现的一件经常令研究人员感到惊讶的事是，临床放射科医生和技术人员有时会排斥变化。因此，我们确实必须问一个问题，放射科医生真的希望读取更多的扫描图像吗？正因为意识到这一点，我们正在开发越来越快的算法。"

在图像重建中使用深度学习仍需要解决一些问题/问题，包括：

· 使用k空间与图像域空间的权衡

· 确定最佳损失函数和评估方法

· 逐像素均方误差损失更易于优化，但会导致图像模糊

· 对抗性攻击的相关性

· 临床相关信息的潜在损失

他说，然而，包括学术研究人员和公司在内的许多团体都显示了通过深度学习减少扫描时间的能力，同时保持相同甚至达到更高的图像质量。有斯坦福和清华背景的AI初创公司深透医疗Subtle Medical的SubtleMR软件就已在2019年同时获得美国FDA和欧洲CE的监管认证，在数十家医院临床部署也比较顺利。该软件还入选AuntMinnie 2020最佳影像软件提名，可以在2-4倍甚至更高程度的影像加速情况下保证图像质量的问题或增加诊断影像的信噪比与清晰度。Greg教授称，相关技术对于诸如弥散加权成像和弥散张量成像之类的功能检查的降噪，以及产生"超分辨率" MRI检查也可能是有益的。

AI还可以在场强较低的扫描仪上实现更高质量的图像。

一分钟MRI？

Greg教授表示，将MRI检查的时间缩短至1分钟，比10分钟的扫描更具变革性。例如，瑞典的卡罗林斯卡研究所的Stefan Skare博士及其团队正在开发一种一分钟的全脑MRI技术。斯坦福大学的相关研究也进一步显示运用AI可以进一步优化1分钟影像的质量达到类似当前临床n

一分钟MRI将带来许多好处，包括快速将正常和异常情况进行分类。然后，异常患者可以回来进行更长时间的检查。Greg教授说，这可以代替急诊科的CT，并可能使幽闭恐惧症患者能够忍受较短时间的检测。

他说："要想真正地跳出限制来思考的话，可以将MR看作是一种步入式walk-in服务。" "当您从医生那里获得胸部X光检查的处方时，你不需要预约时间。您只需接受处方，去实验室，然后走进去即可。如果您能这么快地进行MRI，也许这就会是未来的MRI检查。"

后期处理应用

"在MRI后期处理中有许多潜在的AI应用，包括图像融合/归一化normalization，图像分割和标准化/统一。"Greg教授说道。

对于许多任务，特别是纵向分析，图像配准（co-registration）至关重要。他说，当不断变化是一个问题时，进行动态时程分析也很有用。

他说："我认为大多数人都会同意现有方法费力且费时且容易出错。使用基于深度学习的系统进行图像融合的能力从长远来看确实令人兴奋。当与图像分割结合使用时，它将变得非常有趣。"

同样，图像分割-确定病变或解剖结构的边界-对于许多任务也至关重要。他说，现有的方法也费时费力，而且由放射线医师在图像上绘制出引起他们兴趣的区域这种方式，从长远来看是不可行的。

他说："此外，潜在的预测能力-查看当前的病变并预测未来的状况可能很有价值。"

例如，Greg教授在斯坦福大学的小组开发了一种深度学习算法，该算法优于目前用于预测急性缺血性中风患者未来梗死可能性的临床标准方法。他说，深度学习在改善定量成像方面也显示出巨大潜力，例如在脑定量结构分析、定量磁化率绘图中。

普遍性问题

当分割来自不同供应商的扫描仪的MR图像时，AI算法的性能可能有所不同。但是，由Wenjun Yan等人于7月1日在《放射学：人工智能》上发表的研究表明，一种适应不同制造商的结果的方法可以提高通用性。

"因此，我认为未来的问题之一是，我们应该为每个不同的扫描仪训练深度学习模型，还是应该尝试使所有扫描仪看起来都一样，并训练单独的深度学习模型？" Greg教授说。

Greg教授表示，AI后期处理应用程序在面对扫描仪类型，技术人员错误和不同动态时，必须具有鲁棒性。如果要求放射科医生实时使用，则还需要将它们紧密集成到PACS软件中。比如SubtleMR就兼容所有设备商的磁共振扫描仪以及所有下游PACS软件。他说，关于如何将这些应用商业化存在很多机遇与挑战。

影像解读

Greg教授指出，最近的研究表明，基于AI的系统在脑MRI检查中诊断19种常见和罕见疾病方面的性能可媲美学术神经放射学家。

但是自主AI会很快出现在解读医学图像的科室吗？ 7月，美国放射学院和RSNA向美国食品和药物管理局（FDA）发送了一封信，表明他们认为，由于技术等原因，不应在此时实施自动AI（即没有放射线医师参与读图使用的AI）安全问题。

他说："看到FDA如何处理[自主AI技术]将非常有趣。" "但是，作为放射科医生的辅助手段，这些（类型）技术可能很快会在不久的将来找到应用。"

Greg教授表示，基于人群的影像AI的概念也引起了人们的兴趣，即识别图像上的信息并不重要，但具有预后价值。这些发现可能包括冠状动脉钙化评分，肺纤维化，白质高信号，椎体骨折和骨质减少以及肝脂肪变性。

Greg教授说，算法可以在后台运行，并把患者再引荐给医生，进行风险调整。

不同方向的新应用

例如，深度学习可通过使用较低剂量甚至不使用基于钆的造影剂来提高患者安全性。此外，AI可以用于模态转换，例如从MRI数据生成伪CT图像，以在PET / MRI重建管道中提供MR衰减校正。

此外，深度学习算法可用于预测，例如，如何通过MRI分析在PET上测量脑血流量。 Greg教授说，类似的人工智能有可能可以助理实现零剂量FDG-PET肿瘤成像，将成像和临床数据相结合以协助放射科医生。

Greg Zaharchuk教授简介

Greg Zaharchuk，深透医疗首席医学顾问、斯坦福教授及知名放射科医生，并担任斯坦福医学院前沿神经影像实验室主任。Greg在美国从医数十年，获得过美国放射学与生物医学影像研究学会的杰出研究者奖（Distinguished Investigator Award）等多个奖项，拥有多项专利。