算力说

医学成像技术在疾病的早期检测，诊断和治疗中发挥了关键作用，例如计算机断层扫描（CT），磁共振成像（MRI），超声，正电子发射断层扫描（PET）和X光。在肝脏医学成像中，医生通常通过视觉评估肝脏医学图像来检测，表征和监测疾病。有时，这种基于专业知识和经验的视觉评估可能是个人的和不准确的。人工智能可以通过自动识别成像信息而不是这种基本推理来进行定量评估。

本文编译自世界胃病学杂志近期的同行审阅文章，由LI-QiangZhou等著名学者共同执笔。

【算力观点】

病理诊断的准确性严重依赖于病理医生的水平，病理科医生必须经过数年甚至十几年的训练才能掌握足够的经验，成为一名合格的病理学家。通过AI技术，能帮助解决医疗资源稀缺问题，并有效突破病理诊断的瓶颈。

局灶性肝脏病变检测

结合多种图像模式的深度学习算法已被广泛用于局灶性肝脏病变的检测（详见图一）。结合深度学习方法与CNNs和CT进行肝病诊断已引起广泛关注。与视觉评估相比，该策略可以捕获更详细的病变特征并进行更准确的诊断。根据研究表明，通过使用基于纵向肝脏CT研究的深度学习模型，可以自动检测新的肝脏肿瘤，真阳性率为86％，而独立检测率仅为72％，这种方法达到了精确度比传统的SVM提高了39％。

（图片来源于：WJG）

局灶性肝脏病变评估

CNN在评估肝脏病变方面也非常有用,通过使用基于动态对比增强CT图像的非增强动脉和延迟期的CNN模型，一项临床回顾性研究研究了肝脏肿块分化的诊断性能。根据五类[A类，典型肝细胞癌（HCC）对肿块进行诊断;categoryB，除经典和早期HCC外的恶性肝肿瘤;C类，不确定肿块或肿块样病变和除血管瘤和囊肿外的罕见良性肝脏肿块;D类，血管瘤;E类，囊肿]分别为0.71，0.33，0.94，0.90，和1.00的灵敏度.用于分类肝脏质量的CNN模型的中位数精确度为0.84。区分AB类和CE的中位数AUC为0.92。

Byra等学者于18年提出了深度CNN模型，该模型可用于B型超声图像中肝脏脂肪变性的转移学习评估。对图像网络数据集进行深度CNN预训练，首先提取高级特征，然后利用SVM算法对图像进行分类。采用特征分析法和套索回归法对脂肪变性程度进行评价。与正确率分别为90.9%和85.4%的肝肾指数和灰度共生矩阵算法相比，基于CNN的方法取得了显著的效果，AUC为0.977，灵敏度为100%，特异性为88.2%，准确度为96.3%。

肝脏治疗预测

自动预测肝细胞癌患者在治疗前对经动脉化疗栓塞的可能反应是有意义和有价值的。它可以最大限度地减少病人的伤害，减少不必要的干预，降低医疗费用等。通过结合临床数据和基于ML模型的基线磁共振成像，可以准确预测肝细胞癌患者的经动脉化疗栓塞结局，并极大程度上帮助医生对肝癌患者进行最佳治疗选择。

AI技术临床应用的挑战和未来方向

对特定AI任务的相关数据分割是对建立AI模型的必要帮助。然而，一些使用人工智能的分割算法并不完美，因为它们总是需要人类专家来验证数据的准确性。人们现在的手段因而依赖于无监督学习，包括生成对抗网络和变分自动编码器，可以通过学习不带明确标签的歧视性特征来实现自动数据管理。但这样的自动化解决方案也十分耗时，因而关于通过深度学习方法实施全自动临床任务所需的时间存在相当大的争议存在相当大的争议。

在提高更高效率和更高品准确性的同时，我们还需要倡导创建互联网络，以识别来自世界各地的患者数据。AI可以根据不同的病人的人口统计，地理区域，疾病的规模大小。只有这样，我们才能创建一个对社会负责并让更多人受益的人工智能。