機(jī)器學(xué)習(xí)在放射學(xué)中的應(yīng)用及其未來(lái)影響

機(jī)器學(xué)習(xí)在放射學(xué)中的應(yīng)用及其將來(lái)影響Abstract：機(jī)器學(xué)習(xí)技術(shù)的最新進(jìn)展和將來(lái)前景在醫(yī)學(xué)成像中提供了有前途的應(yīng)用。機(jī)器學(xué)習(xí)含有改善放射工作流中各個(gè)環(huán)節(jié)效果的潛力，涉及訂單調(diào)度和分診、臨床決策支持系統(tǒng)、成果及其解釋、后解決和劑量估算、檢查質(zhì)量控制、放射學(xué)報(bào)告。在本文中，作者回想了機(jī)器學(xué)習(xí)和人工智能技術(shù)在診療放射學(xué)中的應(yīng)用實(shí)例。另外，針對(duì)這些技術(shù)在放射學(xué)中的將來(lái)影響和自然延伸進(jìn)行了討論。1、機(jī)器學(xué)習(xí)的最新進(jìn)展為涉及醫(yī)學(xué)影像學(xué)在內(nèi)的工業(yè)和應(yīng)用提供了但愿。在數(shù)據(jù)科學(xué)的創(chuàng)新中，機(jī)器學(xué)習(xí)是一類(lèi)使計(jì)算機(jī)能夠像人類(lèi)同樣學(xué)習(xí)和提取或分類(lèi)模式的技術(shù)和研究，機(jī)器能夠進(jìn)一步分析更多的數(shù)據(jù)集，并從人類(lèi)可能無(wú)法做到的數(shù)據(jù)中提取特性。機(jī)器學(xué)習(xí)近來(lái)的研究和發(fā)展方向是，在現(xiàn)在和將來(lái)將其用于診療成像。在這篇綜述中，首先介紹機(jī)器學(xué)習(xí)的“廣義”和“狹義”定義，然后介紹如何將機(jī)器學(xué)習(xí)應(yīng)用于成像解釋并使其得到發(fā)展。第二，我們將提供機(jī)器學(xué)習(xí)在診療放射學(xué)中的應(yīng)用實(shí)例。第三，我們將討論機(jī)器學(xué)習(xí)技術(shù)在臨床應(yīng)用中的重要障礙和挑戰(zhàn)。最后，我們將討論機(jī)器學(xué)習(xí)在放射學(xué)和除了放射學(xué)以外的其它醫(yī)學(xué)領(lǐng)域中將來(lái)的發(fā)展方向。2、（1）機(jī)器學(xué)習(xí)的定義：機(jī)器學(xué)習(xí)是一種使電腦含有學(xué)習(xí)能力卻又不依賴(lài)于直接的編碼規(guī)則的數(shù)據(jù)科學(xué)辦法。機(jī)器學(xué)習(xí)能夠創(chuàng)立能夠進(jìn)行學(xué)習(xí)和預(yù)測(cè)的算法。與基于規(guī)則的算法相比，機(jī)器學(xué)習(xí)運(yùn)用了對(duì)大數(shù)據(jù)集和新數(shù)據(jù)集的增加的曝光，并含有根據(jù)經(jīng)驗(yàn)進(jìn)行改善和學(xué)習(xí)的能力。（2）機(jī)器學(xué)習(xí)方略：根據(jù)任務(wù)的不同，機(jī)器學(xué)習(xí)普通分為三大類(lèi)：監(jiān)督、無(wú)監(jiān)督和強(qiáng)化學(xué)習(xí)。3、在監(jiān)督學(xué)習(xí)過(guò)程中，需要將數(shù)據(jù)標(biāo)簽提供應(yīng)訓(xùn)練集（在訓(xùn)練過(guò)程中有監(jiān)督），預(yù)期輸出普通先由使用者提供數(shù)據(jù)標(biāo)簽，作為算法的真實(shí)答案（類(lèi)似金原則）。算法的目的普通是使機(jī)器學(xué)習(xí)將輸入映射到輸出的普通規(guī)則（即讓機(jī)器學(xué)會(huì)傳遞函數(shù)）。算法的目的普通是學(xué)習(xí)將輸入映射到輸出的普通規(guī)則。在機(jī)器學(xué)習(xí)中，地面真理指的是假定為真的數(shù)據(jù)。在無(wú)監(jiān)督學(xué)習(xí)中，不給學(xué)習(xí)算法提供數(shù)據(jù)標(biāo)簽。機(jī)器學(xué)習(xí)任務(wù)的目的是在數(shù)據(jù)中找到隱藏的構(gòu)造，并將數(shù)據(jù)分離成簇或組。在強(qiáng)化學(xué)習(xí)中，計(jì)算機(jī)程序在動(dòng)態(tài)環(huán)境中執(zhí)行特定任務(wù)，與此同時(shí)，計(jì)算機(jī)接受正和負(fù)強(qiáng)化（如與對(duì)手玩游戲）的反饋。強(qiáng)化學(xué)習(xí)是指，在沒(méi)有明確的規(guī)則指導(dǎo)下，機(jī)器通過(guò)本身與環(huán)境的交互成果進(jìn)行自我學(xué)習(xí)和提高。監(jiān)督和unsupervisedexamplesof學(xué)習(xí)技術(shù)是提供在圖2。機(jī)器學(xué)習(xí)范式能夠使用合成的監(jiān)督和unsupervised辦法與增強(qiáng)反饋環(huán)。有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)技術(shù)的實(shí)例如圖2所示。一種機(jī)器學(xué)習(xí)模式也能夠同時(shí)使用有監(jiān)督反饋和無(wú)監(jiān)督辦法的與增強(qiáng)反饋回路的組合。（）人工神經(jīng)網(wǎng)絡(luò)4、人工神經(jīng)網(wǎng)絡(luò)是機(jī)器學(xué)習(xí)中的重要應(yīng)用，是一種統(tǒng)計(jì)和數(shù)學(xué)的辦法。該網(wǎng)絡(luò)是在生物神經(jīng)系統(tǒng)解決大量信息的方式的基礎(chǔ)上發(fā)展起來(lái)的，網(wǎng)絡(luò)中有大量高度互連的解決元件，稱(chēng)為互連解決元件，稱(chēng)為神經(jīng)元、結(jié)點(diǎn)或細(xì)胞。一種人工神經(jīng)網(wǎng)絡(luò)的構(gòu)造涉及：一種輸入層，一種或者多個(gè)“隱層”，以及一種輸出層。每一種隱層由一套神經(jīng)元構(gòu)成，其中的每一種神經(jīng)元都與前一層的全部神經(jīng)元相連接。每個(gè)連接用加權(quán)值來(lái)量化。為了使網(wǎng)絡(luò)產(chǎn)生對(duì)的的輸出（例如，對(duì)圖像的檢測(cè)成果進(jìn)行對(duì)的的檢測(cè)和分類(lèi)），需要通過(guò)輸入訓(xùn)練集對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，給每一種神經(jīng)元之間的連接一種恰當(dāng)?shù)臋?quán)重。人工神經(jīng)網(wǎng)絡(luò)中的學(xué)習(xí)能夠是監(jiān)督的、部分監(jiān)督的或者完全無(wú)監(jiān)督的。深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)5、深度學(xué)習(xí)（也稱(chēng)為深度構(gòu)造化學(xué)習(xí)、分層學(xué)習(xí)或深度機(jī)器學(xué)習(xí)）是人工神經(jīng)網(wǎng)絡(luò)算法的一種子集，它包含不止一種隱層（普通更多，因此是“深”）。換言之，深度學(xué)習(xí)算法是基于一種試圖在數(shù)據(jù)中提取更高級(jí)抽象的特性進(jìn)行學(xué)習(xí)的算法。機(jī)器學(xué)習(xí)的一種典型應(yīng)用是圖像目的記別?？稍诰W(wǎng)上獲得含有深度學(xué)習(xí)的目的記別的例子以及神經(jīng)網(wǎng)絡(luò)中的不同層次的分析細(xì)節(jié)。6、深度學(xué)習(xí)模型能夠被歸類(lèi)為典型的（或正常的）網(wǎng)絡(luò)，其采用向量形式（一維）輸入（例如：非構(gòu)造化輸入）或卷積神經(jīng)網(wǎng)絡(luò)（CNNS），其采用二維或三維形狀輸入（即構(gòu)造化輸入）?？紤]到圖像中相鄰像素或體素之間的構(gòu)造信息，CNNs醫(yī)學(xué)圖像分析中得到了極大的關(guān)注（成為研究熱點(diǎn)），特別是對(duì)圖像的特性提取。7、卷積是一種在信號(hào)或?yàn)V波信號(hào)中尋找模式的數(shù)學(xué)運(yùn)算。卷積神經(jīng)網(wǎng)絡(luò)由一種輸入、輸出層和多個(gè)隱層構(gòu)成，這些隱層（卷積）對(duì)輸入進(jìn)行濾波從而獲得有用的信息。卷積神經(jīng)網(wǎng)絡(luò)的隱層普通由卷積層、池化層、完全連接層和歸一化層構(gòu)成。8、CNNs的重要參加者是卷積層，它由被稱(chēng)為核的過(guò)濾元件構(gòu)成。池化層（或降采樣）用于減少空間維度，進(jìn)而改善計(jì)算性能，同時(shí)也減少了過(guò)分匹配的機(jī)會(huì)。CNNs（圖4）是現(xiàn)在醫(yī)學(xué)成像中最慣用的機(jī)器學(xué)習(xí)技術(shù)。遷移學(xué)習(xí)9、遷移學(xué)習(xí)是一種把解決先前任務(wù)獲取的知識(shí)，應(yīng)用于新的、不同但是有關(guān)任務(wù)中的機(jī)器學(xué)習(xí)辦法。遷移學(xué)習(xí)使得我們能夠?qū)⒁呀?jīng)存在的標(biāo)注數(shù)據(jù)用于一種新的有關(guān)任務(wù)。例如：在ImageNet網(wǎng)站中（HTTP://www-IMA-NET.ORG），一種預(yù)先訓(xùn)練來(lái)進(jìn)行非醫(yī)學(xué)圖像的分類(lèi)和識(shí)別的CNN，已被用于CT掃描成果中對(duì)肺腫瘤的特性提取和病人的生存預(yù)測(cè)。ImageNet是一種大型圖像數(shù)據(jù)庫(kù)，庫(kù)中的圖像已通過(guò)手工標(biāo)注圖像中的對(duì)象。ImageNet大規(guī)模視覺(jué)識(shí)別挑戰(zhàn)賽是一種年度的競(jìng)賽，該比賽中各類(lèi)軟件通過(guò)對(duì)的識(shí)別和分辨圖像中目的的辦法進(jìn)行競(jìng)爭(zhēng)。非醫(yī)學(xué)圖像分析得到的知識(shí)被遷移用于醫(yī)學(xué)圖像的分析。遷移學(xué)習(xí)為機(jī)器學(xué)習(xí)在不同領(lǐng)域的快速發(fā)展發(fā)明了良好的契機(jī)。機(jī)器學(xué)習(xí)數(shù)據(jù)集10、普通狀況下，機(jī)器學(xué)習(xí)的應(yīng)用需要采用一種訓(xùn)練-測(cè)試系統(tǒng)。抱負(fù)條件下，需要訓(xùn)練、測(cè)試和驗(yàn)證三個(gè)數(shù)據(jù)集。其中，訓(xùn)練數(shù)據(jù)集用于擬合模型。在訓(xùn)練過(guò)程中，算法通過(guò)樣例進(jìn)行學(xué)習(xí)。驗(yàn)證集采用單獨(dú)的數(shù)據(jù)評(píng)定進(jìn)行模型擬合的評(píng)定和模型參數(shù)的調(diào)節(jié)。大多數(shù)培訓(xùn)辦法傾向于過(guò)分訓(xùn)練數(shù)據(jù)，意味著能夠找到適合訓(xùn)練數(shù)據(jù)集的的模型，但是通用性不好。因此，通過(guò)執(zhí)行訓(xùn)練和驗(yàn)證的持續(xù)迭代來(lái)優(yōu)化算法并避免過(guò)擬合。在測(cè)試集中，在最初機(jī)器學(xué)習(xí)算法建模完畢之后，最后模型能夠應(yīng)用于獨(dú)立的測(cè)試數(shù)據(jù)集，以評(píng)定算法的性能、精確性和通用性。用于深度神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)的開(kāi)放源代碼工具11、在掌握了適宜的基礎(chǔ)知識(shí)后，能夠采用相對(duì)簡(jiǎn)樸的低成本軟件來(lái)進(jìn)行機(jī)器學(xué)習(xí)?，F(xiàn)在又許多能夠進(jìn)行深度學(xué)習(xí)的開(kāi)源工具。機(jī)器學(xué)習(xí)在獨(dú)立軟件開(kāi)發(fā)人員、數(shù)據(jù)科學(xué)家和公司實(shí)體中變得流行，如谷歌將機(jī)器學(xué)習(xí)技術(shù)民主化。為什么是現(xiàn)在？計(jì)算能力和數(shù)據(jù)的收斂性12、基于大規(guī)模并行并行解決芯片架構(gòu)的重要圖形解決單元，與并行計(jì)算辦法（歷史上可用于圖形渲染和游戲）相結(jié)合，使人工神經(jīng)網(wǎng)絡(luò)的性能大幅度提高，使真正的深度學(xué)習(xí)成為可能。另外，公司積累了涉及醫(yī)學(xué)圖像在內(nèi)的大量數(shù)字?jǐn)?shù)據(jù)，數(shù)字化已經(jīng)發(fā)展幾十年。并且，尚有許多可用于機(jī)器學(xué)習(xí)的開(kāi)源的算法，如CAFE、TRAP和TUNSOFLUM（見(jiàn)表1）。并且有大量的訓(xùn)練數(shù)據(jù)能夠使用，例如generalizedImageNet。為什么機(jī)器學(xué)習(xí)很強(qiáng)大13、從根本上說(shuō)，機(jī)器學(xué)習(xí)是強(qiáng)大的，由于它不是“易碎的”。一種基于規(guī)則的辦法暴露于現(xiàn)實(shí)世界時(shí)可能會(huì)被打破，由于真實(shí)世界經(jīng)常會(huì)出現(xiàn)某些程序員使用的規(guī)則所定義算法中未包含的示例。運(yùn)用機(jī)器學(xué)習(xí)，系統(tǒng)能夠基于它的訓(xùn)練集簡(jiǎn)樸地使用統(tǒng)計(jì)來(lái)逼近響應(yīng)最多的成果，這意味著它是靈活的。另外，機(jī)器學(xué)習(xí)是一種強(qiáng)大的工具，由于它是通用的，用于自駕車(chē)汽車(chē)的辦法和用于醫(yī)學(xué)影像判讀是相似的。機(jī)器學(xué)習(xí)的通用性使其能夠在涉及醫(yī)學(xué)在內(nèi)的不同領(lǐng)域快速擴(kuò)展。機(jī)器學(xué)習(xí)與人工智能13、與機(jī)器學(xué)習(xí)相比，人工智能（或機(jī)器智能）能夠通過(guò)計(jì)算機(jī)執(zhí)行更廣泛的人工智能，如問(wèn)題解決，規(guī)劃，知識(shí)表達(dá)，語(yǔ)言解決，或“學(xué)習(xí)”。因此，機(jī)器學(xué)習(xí)是人工智能的一種。例如，基于規(guī)則的算法，如計(jì)算機(jī)輔助診療就是一種人工智能，它在乳腺攝影中已經(jīng)使用了幾年，但其并不是機(jī)器學(xué)習(xí)的一種類(lèi)型。然而，計(jì)算機(jī)輔助診療包含很廣泛，能夠?qū)C(jī)器學(xué)習(xí)也納入其中。根據(jù)定義來(lái)看，機(jī)器學(xué)習(xí)算法是通過(guò)經(jīng)驗(yàn)而非規(guī)則來(lái)自動(dòng)改善。機(jī)器學(xué)習(xí)在越來(lái)越多的例子中得到應(yīng)用，事實(shí)上，現(xiàn)在有許多人工智能的應(yīng)用都用到了機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)在診療影像學(xué)中的應(yīng)用14、即使大多數(shù)文獻(xiàn)都集中研究機(jī)器學(xué)習(xí)在檢測(cè)放射學(xué)成果中的作用，但機(jī)器學(xué)習(xí)也有可能改善放射學(xué)工作流中的不同環(huán)節(jié)（表2），以下章節(jié)所述。病人登記和篩選15、機(jī)器學(xué)習(xí)技術(shù)增進(jìn)智能調(diào)度能夠優(yōu)化患者的排班并減少患者的由于不參加醫(yī)療和放射學(xué)預(yù)約而錯(cuò)過(guò)護(hù)理可能性。EfrenFlores博士在馬薩諸塞州總醫(yī)院（波士頓，Mulk）領(lǐng)導(dǎo)的一種項(xiàng)目是使用機(jī)器學(xué)習(xí)和預(yù)測(cè)分析來(lái)識(shí)別那些由于未能如約參加放射治療的高?；颊?。該小組正在開(kāi)發(fā)個(gè)性化的解決方案，以減少錯(cuò)過(guò)護(hù)理的機(jī)會(huì)。16、另外，有研究提出將機(jī)器學(xué)習(xí)應(yīng)用于病人安全檢查（17）或加強(qiáng)安全報(bào)告（18），這在放射學(xué)實(shí)踐中有潛在的應(yīng)用價(jià)值（例如，MRI安全檢查或?qū)Ρ葎┑墓芾恚?。圖像獲取17、機(jī)器學(xué)習(xí)能夠使圖像系統(tǒng)智能化?；跈C(jī)器學(xué)習(xí)的數(shù)據(jù)解決辦法含有能夠減少成像時(shí)間的潛力。尚有，智能成像系統(tǒng)能夠減少不必須的圖像、改善位置、同時(shí)協(xié)助優(yōu)化成果的特性。例如，一種智能MR成像系統(tǒng)能夠識(shí)別病變，并建議修改檢查的序列，從而優(yōu)化成果中的病變特性。成果的自動(dòng)檢測(cè)18、機(jī)器學(xué)習(xí)能夠很快地在放射醫(yī)學(xué)影像領(lǐng)域的成果自動(dòng)檢測(cè)中產(chǎn)生反響。例如，有研究證明了能夠?qū)C(jī)器學(xué)習(xí)應(yīng)用于類(lèi)似肺結(jié)節(jié)和甲狀腺結(jié)節(jié)等偶然的成果提取。進(jìn)一步的研究證明，機(jī)器學(xué)習(xí)可被用于檢測(cè)某些核心性的成果，如氣胸（圖6）、骨折、器官裂傷和中風(fēng)。19、機(jī)器學(xué)習(xí)算法被用于計(jì)算機(jī)輔助檢測(cè)和計(jì)算機(jī)輔助診療已有幾十年。在乳腺X線攝影中，計(jì)算機(jī)輔助診療已經(jīng)顯示出其有效性。但矛盾的是，計(jì)算機(jī)輔助診療可能會(huì)被某些乳腺癌患者無(wú)視，限制其臨床應(yīng)效益。20、乳腺癌篩查是最有望將機(jī)器學(xué)習(xí)納入放射學(xué)實(shí)踐的第一種領(lǐng)域。多項(xiàng)研究成果已經(jīng)表明其診療價(jià)值，機(jī)器學(xué)習(xí)技術(shù)在不同乳房成像中得到應(yīng)用，涉及：乳腺X線攝影、美國(guó)、MRI、斷層合成。21、人們對(duì)于機(jī)器學(xué)習(xí)在肺結(jié)節(jié)的檢測(cè)、分類(lèi)和管理中的作用越來(lái)越感愛(ài)好。例如，肺結(jié)節(jié)分類(lèi)的深度學(xué)習(xí)系統(tǒng)是在經(jīng)驗(yàn)豐富的人類(lèi)觀察者之間的差別中進(jìn)行的。機(jī)器學(xué)習(xí)算法也有助于減少檢測(cè)肺結(jié)節(jié)的假陽(yáng)性成果（20）。近來(lái)的Kakle數(shù)據(jù)科學(xué)碗看到將近10000名參加者爭(zhēng)奪100萬(wàn)美元的獎(jiǎng)金；競(jìng)爭(zhēng)者通過(guò)識(shí)別可能在1年內(nèi)被診療為肺癌的候選者來(lái)獲得高水平的體現(xiàn)()。一項(xiàng)后續(xù)挑戰(zhàn)已經(jīng)被提出，目的是將這些模型引入經(jīng)驗(yàn)豐富的人類(lèi)觀察者的臨床觀察差別()。22、骨齡分析和基于醫(yī)學(xué)成像的解剖年紀(jì)的自動(dòng)擬定對(duì)于兒科放射學(xué)和內(nèi)分泌學(xué)含有相稱(chēng)大的實(shí)用價(jià)值。Synho博士和他的同事們創(chuàng)立了一種算法，根據(jù)輸入的兒科患者的手部照片精確地描述骨齡。23、機(jī)器學(xué)習(xí)的其它潛在應(yīng)用場(chǎng)景涉及：線檢測(cè)（43）、MRI中的前列腺癌檢測(cè)（44～46）、冠狀動(dòng)脈鈣化分?jǐn)?shù)的測(cè)定（47）、或腦損傷的檢測(cè)和分割。檢查成果的自動(dòng)解釋24、對(duì)醫(yī)學(xué)成像（正?；虍惓＃z測(cè)成果的解釋需要高水平的專(zhuān)家知識(shí)，經(jīng)驗(yàn)以及基于每一種臨床狀況下的臨床判斷。一種簡(jiǎn)樸的例子是腹腔內(nèi)游離空氣，對(duì)于術(shù)后患者這可能是一種正常的發(fā)現(xiàn)，但對(duì)于一種近來(lái)沒(méi)有手術(shù)的病人則是核心的發(fā)現(xiàn)。對(duì)于機(jī)器來(lái)說(shuō)，作為獨(dú)立的圖像解釋器，需要廣泛獲取數(shù)據(jù)導(dǎo)出的知識(shí)?；诮忉尩南到y(tǒng)已經(jīng)得到開(kāi)發(fā)，用于發(fā)現(xiàn)危及生命的異常的圖像（如顱內(nèi)出血），即使該系統(tǒng)是用于優(yōu)先研究一種工作清單，而不是通過(guò)最后的閱讀進(jìn)行研究。25、某些研究成果表明，機(jī)器學(xué)習(xí)能夠改善對(duì)檢查成果的解釋?zhuān)瑥亩o助放射科醫(yī)生工作?；跈C(jī)器學(xué)習(xí)的乳腺M(fèi)R圖像特性提取能夠改善對(duì)檢查成果的解釋?zhuān)M(jìn)而改善對(duì)乳腺癌的診療?；诜谓Y(jié)節(jié)的影像學(xué)特性（如輪廓、紋理、邊沿等語(yǔ)義特性）的機(jī)器學(xué)習(xí)辦法，能夠提高肺癌結(jié)節(jié)的預(yù)測(cè)和診療的精確性。自動(dòng)臨床決策支持和檢查合同26、機(jī)器學(xué)習(xí)技術(shù)能夠進(jìn)一步增強(qiáng)放射學(xué)決策支持工具。研究表明，即使在復(fù)雜和不擬定的環(huán)境中，人工智能仿真框架也能做出近似最優(yōu)的人類(lèi)決策。智能臨床決策支持系統(tǒng)能夠提高護(hù)理質(zhì)量和成像效率，并減少檢查草案中的不良事件或錯(cuò)誤的可能性。后解決：圖像分割、登記和量化27、隨著更多的成像數(shù)據(jù)變得可用，在機(jī)器學(xué)習(xí)協(xié)助下，醫(yī)學(xué)成像已經(jīng)在圖像的后解決方面獲得了相稱(chēng)大的進(jìn)展，如圖像配準(zhǔn)、分割和量化。智能醫(yī)學(xué)成像范式是數(shù)據(jù)驅(qū)動(dòng)的，并傾向于從醫(yī)學(xué)圖像中學(xué)習(xí)有用的臨床信息。從醫(yī)學(xué)圖像提取有關(guān)臨床數(shù)據(jù)需要精確的圖像配準(zhǔn)和分割。某些研究已經(jīng)將機(jī)器學(xué)習(xí)的辦法應(yīng)用于圖像分割，例如在乳房X光攝影（56）、身體器官（35）、或關(guān)節(jié)和肌肉骨骼組織的MR圖像中對(duì)乳房密度進(jìn)行分割。28、機(jī)器學(xué)習(xí)也能夠用于模態(tài)間的圖像合成，例如，能夠使用從對(duì)應(yīng)的MR圖像中生成的對(duì)抗網(wǎng)絡(luò)來(lái)預(yù)計(jì)CT圖像。對(duì)抗生成網(wǎng)絡(luò)是使用兩個(gè)互相競(jìng)爭(zhēng)的神經(jīng)網(wǎng)絡(luò)模:產(chǎn)生噪聲數(shù)據(jù)的噪聲發(fā)生器模型和分辨真實(shí)數(shù)據(jù)和噪聲的鑒別器模型。在訓(xùn)練過(guò)程中，鑒別器模型學(xué)習(xí)更加好地分辨噪聲數(shù)據(jù)與真實(shí)數(shù)據(jù)。與其它神經(jīng)網(wǎng)絡(luò)相比，對(duì)抗生成網(wǎng)絡(luò)在圖像生成任務(wù)中體現(xiàn)出優(yōu)秀的性能。29、圖像配準(zhǔn)普通用于多模態(tài)覆蓋，如PET/CT配準(zhǔn)和圖像的比較或減影。深度學(xué)習(xí)能夠在耗時(shí)的手動(dòng)輪廓和圖像配準(zhǔn)中發(fā)揮相稱(chēng)大的作用，并且可能遭受內(nèi)部或內(nèi)部差別的影響。有研究無(wú)監(jiān)督深度學(xué)習(xí)在腦MR圖像變形配準(zhǔn)中的應(yīng)用。30、機(jī)器學(xué)習(xí)可用于橫截面成像中三維構(gòu)造的定量評(píng)定。Wang等人使用基于美國(guó)有線電視新聞網(wǎng)的算法精確地分割CT圖像上的脂肪組織體積。腦MRI解剖分割也已通過(guò)使用深度學(xué)習(xí)算法來(lái)劃定和定量評(píng)定腦構(gòu)造和病變。圖像定量分析31、受過(guò)訓(xùn)練的觀察者（例如，有經(jīng)驗(yàn)的放射科醫(yī)師）被認(rèn)為是基于任務(wù)的醫(yī)學(xué)圖像質(zhì)量評(píng)價(jià)的參考原則。然而，評(píng)價(jià)大量的圖片需要耗費(fèi)醫(yī)生很長(zhǎng)的一段時(shí)間。為理解決這個(gè)問(wèn)題，機(jī)器學(xué)習(xí)（也被稱(chēng)為模型的數(shù)值觀察員觀察員）已發(fā)展成為一種用于圖像的質(zhì)量評(píng)定人類(lèi)觀察者的替代品。模型觀察器可應(yīng)用于低劑量CT迭代重建的參數(shù)優(yōu)化和圖像質(zhì)量評(píng)價(jià)。32、研究者已經(jīng)嘗試使用深度學(xué)習(xí)進(jìn)行自動(dòng)圖像質(zhì)量的評(píng)價(jià)。例如，肝臟MRI圖像的質(zhì)量自動(dòng)評(píng)定已經(jīng)得到實(shí)現(xiàn)。33、近來(lái)的研究表明，神經(jīng)網(wǎng)絡(luò)算法可應(yīng)用于從低劑量的CT圖像降噪。訓(xùn)練對(duì)抗網(wǎng)絡(luò)能夠改善卷積神經(jīng)網(wǎng)絡(luò)的產(chǎn)生與常規(guī)劑量CT圖像質(zhì)量相似的圖像的能力。自動(dòng)放射劑量預(yù)計(jì)34、機(jī)器學(xué)習(xí)可用于CT數(shù)據(jù)集的器官特異性分類(lèi)和器官輻射劑量估算。近來(lái)的一項(xiàng)研究顯示，采用卷積神經(jīng)網(wǎng)絡(luò)分類(lèi)器對(duì)CT數(shù)據(jù)中器官和特定器官的輻射劑量進(jìn)行分類(lèi)，精確率超出高于96%。運(yùn)用神經(jīng)網(wǎng)絡(luò)進(jìn)行自動(dòng)輻射劑量估算在放射腫瘤學(xué)領(lǐng)域已經(jīng)得到了更多的應(yīng)用，它在診療放射學(xué)中也含有類(lèi)似的應(yīng)用潛力。例如，一種用于MRI的前列腺癌放射治療計(jì)劃中機(jī)器學(xué)習(xí)的框架顯示，風(fēng)險(xiǎn)器官受到輻射的劑量減少，同時(shí)癌變組織受到輻射劑量的增加。放射學(xué)報(bào)告與分析35、機(jī)器學(xué)習(xí)技術(shù)在自然語(yǔ)言解決中得到了廣泛的應(yīng)用。運(yùn)用自然語(yǔ)言解決從自由文本放射學(xué)報(bào)告中提取數(shù)據(jù)有助于質(zhì)量確保和性能監(jiān)測(cè)，以及臨床決策支持的大規(guī)模測(cè)試。自然語(yǔ)言解決器能夠從敘述性的放射學(xué)報(bào)告中提取影像學(xué)體現(xiàn)和器官測(cè)量值，并對(duì)提取的測(cè)量值進(jìn)行分類(lèi)。這可覺(jué)得解決醫(yī)療數(shù)據(jù)的其它機(jī)器學(xué)習(xí)應(yīng)用程序提供放射輸入數(shù)據(jù)。機(jī)器學(xué)習(xí)技術(shù)還可用于從放射學(xué)報(bào)告中提取術(shù)語(yǔ)，以提高質(zhì)量和分析。機(jī)器學(xué)習(xí)和自然語(yǔ)言解決算法能夠協(xié)助跟蹤放射科醫(yī)師的建議，并減少后續(xù)建議通信中斷的可能性。自動(dòng)數(shù)據(jù)集成和分析36、在電子病歷中，存在來(lái)自多個(gè)數(shù)據(jù)源的異構(gòu)數(shù)據(jù)池（稱(chēng)為多視圖數(shù)據(jù)）。不同來(lái)源的數(shù)據(jù)吞吐量很高，涉及病史和進(jìn)展統(tǒng)計(jì)，實(shí)驗(yàn)室成果，病理報(bào)告和圖像，放射學(xué)報(bào)告和圖像，基因組學(xué)以及醫(yī)療統(tǒng)計(jì)系統(tǒng)的安全報(bào)告。這些數(shù)據(jù)的可用性為數(shù)據(jù)挖掘提供了前所未有的機(jī)會(huì)，但也帶來(lái)了異構(gòu)數(shù)據(jù)源集成的挑戰(zhàn)（例如，成像數(shù)據(jù)與文本數(shù)據(jù)）。能夠?qū)⒍鄠€(gè)機(jī)器學(xué)習(xí)技術(shù)（例如核辦法，矩陣分解模型和基于網(wǎng)絡(luò)的融合辦法）應(yīng)用于數(shù)據(jù)集成和分析。重要的障礙和挑戰(zhàn)37、收集高質(zhì)量的地面實(shí)況數(shù)據(jù)、開(kāi)發(fā)可推廣和診療精確的技術(shù)以及工作流的集成是在放射學(xué)實(shí)踐中采用機(jī)器學(xué)習(xí)所面臨的重要挑戰(zhàn)。機(jī)器學(xué)習(xí)性能：普通但不總是需要大數(shù)據(jù)集38、谷歌的PeterNorvig（anAmericancomputerscientist）證明，大量數(shù)據(jù)能夠克服機(jī)器學(xué)習(xí)算法的局限性。窄范疇機(jī)器學(xué)習(xí)算法可能不需要大量訓(xùn)練數(shù)據(jù)，但可能需要高質(zhì)量的地面實(shí)況訓(xùn)練數(shù)據(jù)。在醫(yī)學(xué)成像分析中，與其它類(lèi)型的機(jī)器學(xué)習(xí)同樣，所需的數(shù)據(jù)量在很大程度上取決于要執(zhí)行的任務(wù)。例如，分段任務(wù)可能只需要一小組數(shù)據(jù)。另首先，性能分類(lèi)任務(wù)（例如，將肝臟病變分類(lèi)為惡性與良性）可能需要更多標(biāo)簽示例，這也可能在很大程度上取決于要分辨的分類(lèi)器的數(shù)量。39、源數(shù)據(jù)中的混淆元素可能造成機(jī)器學(xué)習(xí)算法的失敗。由于神經(jīng)網(wǎng)絡(luò)缺少大量特定特性，因此罕見(jiàn)的發(fā)現(xiàn)或特性也可能是其弱點(diǎn)，因此容易出現(xiàn)不精確的狀況。40、方差和偏差是可能造成機(jī)器學(xué)習(xí)算法性能差的問(wèn)題。偏差是算法中的錯(cuò)誤假設(shè)，這可能造成錯(cuò)過(guò)關(guān)聯(lián)（欠擬合）。高方差能夠使算法過(guò)分地學(xué)習(xí)數(shù)據(jù)并開(kāi)始擬合隨機(jī)噪聲（過(guò)分?jǐn)M合）。最優(yōu)模型不僅精確地表達(dá)訓(xùn)練數(shù)據(jù)，并且能夠推廣到看不見(jiàn)的數(shù)據(jù)。過(guò)分?jǐn)M合的算法對(duì)訓(xùn)練數(shù)據(jù)的微小變化反映過(guò)分。因此，該算法在訓(xùn)練數(shù)據(jù)上體現(xiàn)良好，而在新數(shù)據(jù)上體現(xiàn)不佳。過(guò)分?jǐn)M合是機(jī)器學(xué)習(xí)中的重要挑戰(zhàn)，特別是當(dāng)模型過(guò)于復(fù)雜時(shí)。地面實(shí)況注釋41、廣泛的地面真理注釋往往需要對(duì)機(jī)器學(xué)習(xí)算法進(jìn)行適宜的訓(xùn)練。多個(gè)技術(shù)公司和學(xué)術(shù)研究項(xiàng)目依靠訓(xùn)練有素的放射科醫(yī)師在放射學(xué)報(bào)告和圖像上的注釋?zhuān)@被認(rèn)為是真理（金原則）。需要大量的勞動(dòng)力成本、時(shí)間和資源來(lái)合理的實(shí)施這些項(xiàng)目。另外，驗(yàn)證過(guò)程必須是高度魯棒性的，否則，該算法可能會(huì)被過(guò)分?jǐn)M合到特定的數(shù)據(jù)子子集。定義原則42、合理地開(kāi)發(fā)人工智能工具需要定義原則化用例和注釋工具。這些使用案例需要與臨床實(shí)踐、醫(yī)學(xué)成像中人工智能方面的法律、法規(guī)以及道德問(wèn)題保持一致。美國(guó)放射學(xué)數(shù)據(jù)科學(xué)研究所的臨床專(zhuān)家組與其它醫(yī)學(xué)專(zhuān)業(yè)學(xué)會(huì)一起，正在定義這些原則化用例。().43、另外，原則辦法能夠使圖像注釋在不同的信息技術(shù)系統(tǒng)以及數(shù)據(jù)通信和交換的軟件應(yīng)用程序之間得到交互操作。美國(guó)國(guó)家癌癥研究所的注釋和圖像標(biāo)記模型為圖像和圖像特性的注釋提供了一種可能的原則辦法。監(jiān)管和工作流程整合44、基于機(jī)器學(xué)習(xí)的算法現(xiàn)在尚未較好地集成到圖像存檔和通信系統(tǒng)工作站中。許多系統(tǒng)包含并需要單獨(dú)的工作站或網(wǎng)絡(luò)節(jié)點(diǎn)來(lái)發(fā)送圖像方便進(jìn)行分析。在放射信息學(xué)價(jià)值鏈的生態(tài)系統(tǒng)中，需要做更多的工作來(lái)更加好地結(jié)合新穎的機(jī)器學(xué)習(xí)技術(shù)?？赡苄枰獮闄C(jī)器學(xué)習(xí)算法與現(xiàn)有系統(tǒng)的互操作性設(shè)立原則。供應(yīng)商和研究人員都必須致力于創(chuàng)立平臺(tái)，方便不停學(xué)習(xí)和升級(jí)機(jī)器學(xué)習(xí)算法。需要通過(guò)接觸更多數(shù)據(jù)，根據(jù)模型中的可能變化不停更新機(jī)器學(xué)習(xí)算法。45、將機(jī)器學(xué)習(xí)整合到臨床環(huán)境中的重要一步是獲得美國(guó)食品和藥品管理局（FDA）的同意。在臨床使用機(jī)器學(xué)習(xí)應(yīng)用程序之前，應(yīng)向FDA提交有關(guān)算法開(kāi)發(fā)和臨床驗(yàn)證的特定信息。臨床驗(yàn)證研究應(yīng)當(dāng)與人類(lèi)專(zhuān)家達(dá)成充足的一致性。FDA在管理該軟件方面面臨挑戰(zhàn)，其現(xiàn)在正在為機(jī)器學(xué)習(xí)應(yīng)用開(kāi)發(fā)適宜的監(jiān)管途徑。例如，一種機(jī)器學(xué)習(xí)算法被設(shè)計(jì)用于找到人眼無(wú)法觀察的數(shù)據(jù)中的關(guān)聯(lián)，人類(lèi)專(zhuān)家驗(yàn)證對(duì)于該算法含有挑戰(zhàn)性，。另一種例子是繼續(xù)在顧客手中學(xué)習(xí)并且隨著時(shí)間的推移體現(xiàn)更加好的算法。這含有挑戰(zhàn)性，由于FDA需要確保算法的性能將持續(xù)改善并且不會(huì)下降。FDA可能需要針對(duì)像“黑匣子”這樣只提供臨床建議或軟件的應(yīng)用采用不同的監(jiān)管辦法，這是醫(yī)療保健專(zhuān)業(yè)人員能夠獨(dú)立審查建議的基礎(chǔ)。解讀人工智能的黑匣子46、就其本質(zhì)而言，機(jī)器學(xué)習(xí)開(kāi)發(fā)了無(wú)法用簡(jiǎn)樸的術(shù)語(yǔ)來(lái)解釋的復(fù)雜高維功效。在識(shí)別潛在因素和邏輯很重要的領(lǐng)域（例如醫(yī)療保?。┲斜唤邮苁沟脵C(jī)器學(xué)習(xí)的可解釋性成為重要挑戰(zhàn)之一。現(xiàn)在，當(dāng)學(xué)習(xí)無(wú)人監(jiān)督時(shí)，解構(gòu)機(jī)器決策因素的可見(jiàn)性有限。國(guó)防高級(jí)研究計(jì)劃局正在進(jìn)行諸如解釋人工智能計(jì)劃之類(lèi)的工作，方便能夠更加好地理解基于人工智能和機(jī)器學(xué)習(xí)的算法是如何得出其結(jié)論。()。47、視覺(jué)明顯性是一種能夠感知的質(zhì)量，這使某些物品能夠從鄰居中脫穎而出并立刻引發(fā)我們的注意。視覺(jué)明顯性圖能夠突出圖像中的區(qū)域，這些區(qū)域已經(jīng)吸引了人類(lèi)觀察者的注意力以執(zhí)行分類(lèi)任務(wù)。明顯性圖可覺(jué)得機(jī)器學(xué)習(xí)模型提供“可解釋性”并提高檢測(cè)成果的精確性。放射科醫(yī)生的工作視角和法醫(yī)學(xué)問(wèn)題48、需要監(jiān)控用于臨床診療和決策的機(jī)器學(xué)習(xí)系統(tǒng)的性能。醫(yī)生將獲得醫(yī)療診療和治療的全部權(quán)交給患者。在出現(xiàn)醫(yī)療錯(cuò)誤的狀況下，機(jī)器學(xué)習(xí)系統(tǒng)的制造商和開(kāi)發(fā)人員可能不負(fù)責(zé)任，由于根據(jù)定義，計(jì)算機(jī)正在以開(kāi)發(fā)人員不懂得的方式基于數(shù)據(jù)集學(xué)習(xí)和重新學(xué)習(xí)。機(jī)器學(xué)習(xí)軟件提供的臨床建議可能需要由專(zhuān)業(yè)的醫(yī)療保健人員進(jìn)行審查，他們可能會(huì)也可能不會(huì)同意該軟件提供的建議。更加好的是，應(yīng)當(dāng)向醫(yī)療保健專(zhuān)業(yè)人員提供這些建議的基礎(chǔ)，并進(jìn)行審查。在可預(yù)見(jiàn)的將來(lái)，機(jī)器學(xué)習(xí)不會(huì)取代放射科醫(yī)師。相反，這些技術(shù)有望協(xié)助放射科醫(yī)師，增強(qiáng)放射工作流程，并提高放射科醫(yī)師的診療精確性。機(jī)器學(xué)習(xí)系統(tǒng)能夠協(xié)助識(shí)別呢些普通能夠規(guī)避人眼的模式和關(guān)聯(lián)?，F(xiàn)在，許多人工智能系統(tǒng)正在開(kāi)發(fā)相稱(chēng)明顯的任務(wù)，這些任務(wù)對(duì)人類(lèi)來(lái)說(shuō)幾乎沒(méi)有挑戰(zhàn)。如果集中考慮放射科醫(yī)生所面臨的挑戰(zhàn)，人工智能系統(tǒng)能夠增加更多價(jià)值。醫(yī)學(xué)放射學(xué)與醫(yī)學(xué)放射學(xué)的將來(lái)發(fā)展方向49、大量電子病歷數(shù)據(jù)的可用性允許創(chuàng)立跨學(xué)科數(shù)據(jù)池。機(jī)器學(xué)習(xí)從這些大數(shù)據(jù)中提取知識(shí)，并產(chǎn)生可用于個(gè)體成果預(yù)測(cè)分析和臨床決策的輸出。這可覺(jué)得個(gè)性化醫(yī)學(xué)（或精確醫(yī)學(xué)）開(kāi)辟道路，其中基因、環(huán)境和每個(gè)人生活方式因素等個(gè)體差別都被用來(lái)考慮疾病防止，治療和預(yù)后?？鐚W(xué)科合作與精確醫(yī)學(xué)50、機(jī)器學(xué)習(xí)模型在過(guò)去幾年中得到快速發(fā)展。

谷歌近來(lái)展示了一種多