? 馮世慶

2011—2016年,，得益于多個(gè)研究團(tuán)隊(duì)及軟件公司在醫(yī)學(xué)影像和人工智能（artificial intelligence,，AI）領(lǐng)域的突破，AI與醫(yī)療的結(jié)合獲得了前所未有的關(guān)注,。2017年，國務(wù)院發(fā)布了《新一代人工智能發(fā)展規(guī)劃》,，將智能醫(yī)療納入了國家發(fā)展戰(zhàn)略,，并提出了培育高水平人工智能創(chuàng)新人才和團(tuán)隊(duì)、加大高端人工智能人才引進(jìn)力度,、建設(shè)人工智能學(xué)科的要求,。自此3年以來，在市場新興,、政策落地等環(huán)境下,，醫(yī)療行業(yè)也迎來了探索的新機(jī)遇，醫(yī)療行業(yè)的需求從某種程度上講,，也正在從就醫(yī)流程的優(yōu)化轉(zhuǎn)向?qū)Y源配置不平衡的調(diào)整,。一些利用AI技術(shù)解決醫(yī)學(xué)科學(xué)問題的項(xiàng)目也如雨后春筍般出現(xiàn)。

AI是一種用計(jì)算機(jī)來構(gòu)造復(fù)雜的,、擁有與人類智慧同樣本質(zhì)特性的機(jī)器的概念,；機(jī)器學(xué)習(xí)指的是利用算法幫助決策判斷完成智能任務(wù)的方法，是實(shí)現(xiàn)人工智能的一種方法,；而深度學(xué)習(xí)則是近些年得益于大數(shù)據(jù)的積累發(fā)展而出的,，依靠神經(jīng)網(wǎng)絡(luò)模型的一種實(shí)現(xiàn)機(jī)器學(xué)習(xí)的技術(shù)。

其實(shí)AI理論的提出已有半個(gè)世紀(jì)之久,，機(jī)器學(xué)習(xí)的想法也可追溯至20世紀(jì)80年代,，而深度學(xué)習(xí)的真正飛速發(fā)展，還是從2010年以來的各個(gè)開源的標(biāo)注圖像數(shù)據(jù)資料建立開始的,。目前深度學(xué)習(xí)主要包含計(jì)算機(jī)視覺和自然語言處理,。本文旨在介紹AI在骨科應(yīng)用的現(xiàn)狀和前景,，一定程度上也是對計(jì)算機(jī)視覺和醫(yī)療影像技術(shù)、人工神經(jīng)網(wǎng)絡(luò)在骨科的應(yīng)用前景進(jìn)行介紹,。

實(shí)現(xiàn)機(jī)器學(xué)習(xí)的基礎(chǔ)在于大量優(yōu)質(zhì)的,、經(jīng)過標(biāo)記的樣本，正所謂大量的“人工”才有“智能”,，如此訓(xùn)練出的模型,，可以快速、準(zhǔn)確,、低成本地進(jìn)行判斷,，應(yīng)用到醫(yī)學(xué)領(lǐng)域則可以幫助醫(yī)生進(jìn)行分析及決策。目前在自然圖像識別領(lǐng)域,，已經(jīng)公開了百萬級的圖像數(shù)據(jù)庫幫助訓(xùn)練識別生活中的常見物品,。想要從中訓(xùn)練一個(gè)優(yōu)異的模型只需要篩選樣本即可。

然而,，當(dāng)我們沿著同樣的道路把目光轉(zhuǎn)向醫(yī)學(xué)領(lǐng)域時(shí),，樣本的獲取以及質(zhì)與量的維持，則相對更加困難,。首先,，醫(yī)學(xué)圖像包涵患者敏感信息，而且只能由醫(yī)療機(jī)構(gòu)獲取,，對知情權(quán)的告知獲準(zhǔn),，數(shù)據(jù)的脫敏、收集,、整理過程都有著嚴(yán)格要求,。也正因?yàn)榇耍粋€(gè)千級或萬級的數(shù)據(jù)庫在醫(yī)療行業(yè)就已經(jīng)稱得上是“大數(shù)據(jù)”,。同時(shí),，樣本并不僅僅是指圖像本身，還包含人工標(biāo)注,，即對圖像內(nèi)容的分類診斷,。眾所周知，目前的醫(yī)學(xué)影像診斷還是更多地依賴醫(yī)生個(gè)人經(jīng)驗(yàn),。因此最適合做標(biāo)注工作的應(yīng)該是該領(lǐng)域?qū)＜?，而他們的時(shí)間又是有限的。這樣就對診斷標(biāo)準(zhǔn)的客觀一致性和標(biāo)注人員的嚴(yán)格培訓(xùn)提出了更高的要求,，以降低觀察者間因主觀性產(chǎn)生的偏倚,。另外，體系的構(gòu)建也是人工智能在醫(yī)學(xué)領(lǐng)域發(fā)展的關(guān)鍵,。包括人才和團(tuán)隊(duì)乃至學(xué)科建設(shè),，市場的成熟,，以及相關(guān)法律約束和政府相關(guān)機(jī)構(gòu)的監(jiān)管和質(zhì)控，相信這些都會(huì)在將來逐漸完善成熟,。

數(shù)據(jù)的質(zhì)與量直接決定著預(yù)測模型的準(zhǔn)確性,，AI學(xué)界一直在嘗試?yán)盟惴ㄑ芯亢图夹g(shù)更新彌補(bǔ)樣本不足帶來的問題。比如利用遷移學(xué)習(xí)提高訓(xùn)練效率,，利用半監(jiān)督學(xué)習(xí)應(yīng)對標(biāo)注人員不足的問題等,。總的來講,，雖然算法成果可以幫助智能醫(yī)療克服種種問題,，但醫(yī)療數(shù)據(jù)樣本的收集整理仍然是限制智能醫(yī)療發(fā)展的最大瓶頸。

由于骨科的診斷和預(yù)后需要依靠醫(yī)學(xué)圖像的閱讀,，AI在骨科中的應(yīng)用則主要集中在對這些圖像的深度學(xué)習(xí)上,。深度學(xué)習(xí)可以自主分析醫(yī)學(xué)圖像，從而提高診斷的準(zhǔn)確性和速度,，優(yōu)先標(biāo)記緊急患者,，減少由于疲勞和/或缺乏經(jīng)驗(yàn)而造成的人為錯(cuò)誤，減輕工作人員的負(fù)擔(dān)和壓力,，并一定程度上改善骨科的診治,。此外，根據(jù)有經(jīng)驗(yàn)醫(yī)生的專業(yè)知識進(jìn)行的深度學(xué)習(xí)方法培訓(xùn),，可以將這些經(jīng)驗(yàn)分享到較小的醫(yī)療機(jī)構(gòu)和較偏遠(yuǎn)的地區(qū),。

在骨科影像資料中,，我們主要針對的問題包括骨折,，脊柱退變、畸形,，關(guān)節(jié)疾患等,。而這些問題中大部分特征明顯，非常適合應(yīng)用AI,。例如,，對骨折的判斷，正常的骨骼骨質(zhì)連續(xù),，而對于海量影像中骨骼圖像信號的學(xué)習(xí),，可以賦予模型快速發(fā)現(xiàn)骨折的能力，甚至對于容易漏診的微小的骨折征象,，模型都能在數(shù)秒中篩查出來,。在2018年一項(xiàng)匯集13萬張肢體骨骼平片的模型開發(fā)實(shí)驗(yàn)中，骨折診斷的敏感性在純?nèi)斯ぴ\斷組和智能輔助組中分別達(dá)到了80.8%（PPPPP

關(guān)節(jié)方面,，來自斯坦福大學(xué)的研究人員開發(fā)的MRNet囊括了1370例MRI檢查資料,，可以顯著提高放射科醫(yī)生診斷前交叉韌帶撕裂,、半月板損傷的敏感性和特異性。2019年一項(xiàng)囊括9024例患者的研究中,，診斷模型在診斷髖骨骨折方面同樣表現(xiàn)優(yōu)異,。近期，AI更是被用來預(yù)測患者若干年內(nèi)接受全膝關(guān)節(jié)置換的可能性,。

除了創(chuàng)傷和關(guān)節(jié)領(lǐng)域的嘗試,，脊柱疾患的AI研究也是熱點(diǎn)之一。脊柱疾患診斷的第一步是需要AI具備識別椎體的能力,，即定位能力,。早在2012年，Glocker等人構(gòu)建的AI識別,、定位椎體的準(zhǔn)確率已達(dá)到81%,。對于脊柱畸形如脊柱側(cè)彎的研究，也有一種基于3D表征的形態(tài)分析方法,，用以輔助脊柱畸形診斷,。而Jamaludin等于2017開發(fā)的針對多項(xiàng)腰椎疾患的診斷模型，覆蓋了腰椎間盤退變,、腰椎管狹窄,、終板異常等診斷參數(shù)，其上萬的數(shù)據(jù)量提高了其診斷功能的可靠性,。

影像分割不僅僅在診斷中發(fā)揮作用,，在手術(shù)規(guī)劃中也是如此。深度學(xué)習(xí)最重要的場景之一便是在影像資料中對骨骼關(guān)節(jié)進(jìn)行分割和識別,，并且基于識別的關(guān)鍵點(diǎn)進(jìn)行徑線測量,，并輔助制定手術(shù)方案。通過圖像分割技術(shù)識別影像資料中的骨骼肌,，在輔助創(chuàng)傷手術(shù)中可以獲得不錯(cuò)的效果,；而在關(guān)節(jié)假體置換手術(shù)中，經(jīng)過分割和測量的髖臼和股骨頭配合智能的徑線測量,，可以為假體的選擇和安裝提供準(zhǔn)確的參數(shù),。康奈爾大學(xué)的研究人員基于4萬余例重大住院卒中術(shù)后患者的數(shù)據(jù)所開發(fā)的AI系統(tǒng),，可以實(shí)現(xiàn)對9種術(shù)后并發(fā)癥的預(yù)測,，從而完善外科手術(shù)決策。也有研究綜合患者本人的性別,、年齡,、慢性病史、吸煙飲酒史等參數(shù)對患者椎間融合術(shù)術(shù)后并發(fā)癥與死亡率進(jìn)行預(yù)測，發(fā)現(xiàn)年齡,、糖尿病史,、BMI對患者術(shù)后并發(fā)癥和死亡率影響明顯。這類研究也為AI預(yù)測骨科患者預(yù)后指明了方向,。另外隨著傳感器普及和數(shù)據(jù)積累,，術(shù)后康復(fù)訓(xùn)練也可以由AI介入評估指導(dǎo)。

AI作為數(shù)字資產(chǎn),，其可復(fù)制性可以保證骨科領(lǐng)域的智慧資源以一種更低成本,、更客觀輔助的特點(diǎn)普及到基層醫(yī)療設(shè)施之間，然而骨科領(lǐng)域深度學(xué)習(xí)的實(shí)施并非沒有局限性,。深度學(xué)習(xí)的過程及其決策方式往往難以解釋,。在醫(yī)療行為中，可解釋性至關(guān)重要,。在不了解深度學(xué)習(xí)算法工作原理的情況下,，就不可能建立起信任并集成到日常骨科診療中。因此,，使深度學(xué)習(xí)算法具有可解釋性,，既有利于計(jì)算機(jī)科學(xué)領(lǐng)域開發(fā)改進(jìn)AI算法，也有利于醫(yī)學(xué)領(lǐng)域?qū)崿F(xiàn)新的醫(yī)學(xué)發(fā)現(xiàn),?？梢哉f深度學(xué)習(xí)算法目前被視為無法解釋的黑盒方法，為了增加醫(yī)學(xué)界對這些算法的信任,，AI可視化就顯得尤為重要,，這種技術(shù)將人工智能的關(guān)注區(qū)域標(biāo)示出來，從而幫助我們建立信任,。

綜上所述,，“智能”來自“人工”，高質(zhì)量和龐大的數(shù)據(jù)庫為其表現(xiàn)奠定了基礎(chǔ),。因此,，既往數(shù)據(jù)的再挖掘,，前瞻性數(shù)據(jù)收集的標(biāo)準(zhǔn)化以及開放合作通道的建設(shè),，將會(huì)幫助研究者、醫(yī)療團(tuán)體乃至國家,，步入智能醫(yī)療的快車道,。接下來，如何建設(shè)骨科AI數(shù)據(jù)平臺,，將會(huì)是真正開啟智能骨科時(shí)代的敲門磚,。

編輯：孫陽鵬 孫富康

排版：鄭夢瑩

《中華醫(yī)學(xué)信息導(dǎo)報(bào)》2020年16期第8版