第 3 章
人工智能将推进医学成像技术的发展
医学成像可能是人工智能最有前途的临床应用。无论是诊断癌症、检测骨折，还是识别神经或胸部疾病，人工智能都可以帮助快速诊断，并协助医生提供所需的治疗方案。
类激活映射 (CAM) 结果的可视化。对不同新冠肺炎病例进行基于人工智能的模型评估，为医生提供了算法决策见解。
挑战
计算机断层扫描 (CT) 成像的辐射暴露量约为单次 X 射线剂量的 350 倍，并且与患癌等多种风险密切相关。医学研究人员希望通过超低剂量的 CT 扫描来限制辐射暴露。然而，这种方法导致图像分辨率较低，噪声很高，使得医生难以解读扫描结果。
基于超低剂量 CT 训练的 CNN。（图片所有权：立命馆大学）
解决方案
Ryohei Nakayama 是一名来自日本京都立命馆大学的研究人员，他使用 MATLAB 创建了一个深度学习卷积神经网络 (CNN)，以重建使用超低剂量 CT 扫描捕获的高分辨率图像。
- 首先，这名研究人员使用 MATLAB 将 CT 图像分为局部小区域，并通过对低剂量和正常剂量区域进行配对来创建图像字典。随着字典的增大，搜索时间越来越长，让人难以承受，因此 Nakayama 探索使用了卷积神经网络 (CNN)。尽管它的训练时间较长，但生成结果的速度要快得多。
- 其次，Nakayama 利用 MATLAB 评估了大约 128 个不同的 CNN 变体，尝试了不同的输入大小和滤波器以及各种数量的卷积层。
- 为了加速训练过程，他在多个 NVIDIA® GeForce 系列 GPU 上使用 Parallel Computing Toolbox™ 进行了并行训练。
- 为了监控训练进度，Nakayama 使用 Deep Learning Toolbox™ 中的监控可视化选项绘制了准确度和损失图。
结果
基于 CNN 的系统为医生提供了同等程度的诊断信息，同时将患者的辐射暴露量降低了 95% 之多。
挑战
甲状腺上的小肿块或增生通常为良性，但也有一小部分可能为恶性。医生使用超声检查来诊断甲状腺结节，但诊断的准确度取决于放射科医生的经验。对同一结节进行评估时，放射科医生们有时会得出不同的诊断结果。
解决方案
韩国首尔延世大学和西富兰斯医院的研究团队使用 MATLAB 设计并训练了卷积神经网络 (CNN)，以识别恶性和良性甲状腺结节。该团队的研究人员根据多家医院的数据集对 CNN 进行了验证，并将它们打包在一个用户界面中，然后将其部署为 Web 应用，全部操作都使用 MATLAB 完成。
在 MATLAB 中开发的 SERA Web App。（图片所有权：延世大学数学与计算学院）
- 最初，该团队使用 Statistics and Machine Learning Toolbox 执行了特征工程，并训练了多个机器学习模型，包括支持向量机 (SVM) 和随机森林分类。
- 然后，他们开始使用 Deep Learning Toolbox 探索了 CNN，并在 MATLAB 中使用了 17 种不同的预训练网络，包括 AlexNet、SqueezeNet、ResNet 和 Inception。
- 他们基于由 14,000 多张图像构成的数据集，对 17 种不同的网络进行了训练。对于基于特征的组合，他们使用了每个 CNN 中的最后一层全连接层的输出来训练 SVM 或随机森林分类器。为了做出推断，他们计算了每个 CNN 所生成的分类概率加权平均值。
- 通过创建 SERA Web App 并使用 MATLAB Web App Server™ 部署它，经过训练的 CNN 已在延世大学的合作医院中得到应用。
结果
诊断测试表明，这些 CNN 的表现和专业放射科医生一样出色。该应用被医学生用作其培训的一部分，也被经验丰富的放射科医生用来提供客观的第二诊断意见。
挑战
在新冠肺炎疫情早期，检测冠状病毒非常困难，特别是在全世界病例激增的情况下更是如此。
解决方案
检测和诊断工具可以为医生提供宝贵的第二意见，并协助他们进行筛查。代顿大学研究院 (UDRI) 的一名研究人员使用 MATLAB 和 Deep Learning Toolbox 开发了一种自动深度学习算法，用于通过胸片检测新冠肺炎。他还将不同新冠肺炎病例使用各种训练后的网络得到的类激活映射 (CAM) 结果进行了可视化，以便向医生提供对算法给出的决策的见解。
肺部正常和感染新冠肺炎的 X 射线扫描的分类结果。
参考文献
[4] Bruno, Michael A., Eric A. Walker, and Hani H. Abujudeh.“Understanding and Confronting Our Mistakes:The Epidemiology of Error in Radiology and Strategies for Error Reduction.”Radiographics 35, no. 6 (2015):1668–1676. https://doi.org/10.1148/rg.2015150023.
[5] Center for Devices and Radiological Health.“Artificial Intelligence and Machine Learning (AI/ML) Enabled Medical Devices.”U.S. Food and Drug Administration.FDA.2022 年 10 月 5 日更新。https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-and-machine-learning-aiml-enabled-medical-devices
