— 1 —從望聞問切到醫學影像
正常情況下，人體內的器官和組織是無法用肉眼看見的。在古代，扁鵲、華佗等名醫通過“望、聞、問、切”來診斷患者的內部病因，這是那個時代最“先進”的診斷方式。
公元1816年的某一天，法國醫生雷奈克在街上散步，偶然看到幾個小孩兒用一顆大釘敲擊一根木料的一端，而其它的孩子則用耳朵貼在木料的另一端來聽聲音，這給了雷內克醫生極大地啟發。他回到家后，馬上找人專門制作了一根空心木管，這便是人類歷史上的第一個聽診器，后來，聽診器被廣泛用到了心臟和婦產科領域?！ ?/p>
法國醫生雷奈克用木管聽診
到了近代，醫生觀察病人體內的狀況，不再僅僅通過聽診器來解決。1971年，CT的問世標志著醫療影像學的正式建立，隨著醫學成像技術的進步，由放射科演變而來的醫學影像科成為臨床醫學中發展最為迅速的學科，從傳統的X光檢查擴展到超聲波、放射性核素顯像、X-CT、MRI、數字化成像，以及當今最高端的PET-CT技術。醫生借助這些新技術，來更加深入地“窺探”人體內部的病變情況。
— 2 —影像數據的融合大師——PACS系統
醫學影像設備的出現，讓醫療機構的診療工作越來越多依賴醫學影像的檢查。傳統的醫學影像管理方法(膠片、圖 片、資料)日積月累、年復一年存儲保管，堆積如山，給查找和調閱帶來了諸多困難，醫院丟失影片和資料時有發生。傳統的文件管理方式，已經無法適應現代醫院中對如此大量和大范圍醫學影像的管理要求。
隨著數據庫技術和計算機通訊技術的發展，數字化影像傳輸和電子膠片應運而生。眾多醫院紛紛進行了醫院信息化改革，隨著影像設備逐漸更新為數字化和互聯網的逐漸成熟，無膠片放射科和數字化醫院成為了現實。關于電子膠片，我們將在下一篇文章里詳細介紹，這里暫時先不細說。
為了對不同醫學影像設備的信息化數據進行統一存儲和管理，各平臺數據的融合大師——PACS系統誕生了。
PACS系統英文翻譯過來就是影像歸檔和通信系統的意思。它的主要任務是把日常產生的各種醫學影像(包括核磁，CT，超聲，各種X光機，各種紅外儀、顯微儀等設備產生的圖像)通過各種接口(模擬，DICOM，網絡)以數字化的方式海量保存起來，當醫生需要它們的時候，便如同管家一般把數據快速調回使用，完美充當了各儀器之間的潤滑劑的作用?！ ?/p>
PACS系統應用示意圖
完整的PACS系統，主要功能由三個方面組成：一是圖像的采集，二是數據的傳輸和存儲，三是影像分析和處理。
影像的采集方式主要有三種：分別是純數字采集、視頻采集和膠片掃描。
而信息存儲方面，PACS系統針對結構化數據和非結構化數據，采用了兩種不同的方式來分別進行存儲。使用數據庫來管理病人信息等結構化數據，使用文件系統來管理圖像資料等非結構化數據。就好比一個人帶著行李去乘坐飛機，行李被托運進了行李艙，而人則坐在機艙內，兩者各行其道、互不干擾。
此外，由于醫學影像的數據文件往往較大，常規一次CT掃描為10MB量級，X光機的胸片可以到20MB，而心血管造影的圖像可達80MB以上。傳統的方式一般是利用服務器和光盤來進行存儲，比較死板，難以進行功能擴展。而目前新興的云計算云存儲技術具有數據快速調用、網絡共享與應用拓展等功能，與PACS系統相結合，將是未來影像存儲的一大方向。
其原理也很簡單：醫院將PACS系統部署到第三方云平臺，通過云平臺的分布式、負載均衡的集群系統，實現全天候影像存儲。云平臺的建立，還可以實現跨平臺、多終端、PC和移動設備的全面融合，進而徹底實現影像無紙化、無光盤化、無膠片化。
這種全新的模式，不僅提升了每一位醫生的工作效率、工作質量，并且豐富了醫生的協作工作場景。此外，醫院也不用再去花重金購買服務器，從而減少繁瑣的后期維護和擴容，以到達節省成本的目的。
OK!數據存儲的問題解決了，但數據的標準化又成為了新的問題。雖然醫院可以利用PACS系統來實現各類儀器之間的信息互通，但由于不同廠家的設備和不同PACS系統所使用的數據標準各不相同，讓信息的采集和傳遞非常困難。就好比不同語言和國家的人遇到了一起，你講你的ABC，我說我的吃了沒。如何讓這些不同國家、不同廠家的產品形成統一的標準，成為了最大的障礙。
這方面，美國人總是走在時代的前沿。1985年，美國放射學會ACR和美國國家電器制造商協會NEMA共同制定了一種規定數字醫學影像和相關信息格式及信息交換方法的標準：醫學數字成像和通信標準(digital imaging and communications in medicine)，縮寫為DICOM。DICOM的出現，重新定義了臨床數據交換的醫學圖像格式。
在DICOM標準下，影像設備提供統一標準的影像數據給PACS系統。而對外通訊方面，PACS系統仍然使用DICOM，這樣就形成了最大限度的統一。簡單來說，就是讓各家的儀器統一用一種接口，就好比我們將英語作為世界的通用語言。
1993年，DICOM順利發展到了第三代，也就是DICOM 3.0標準。隨著越來越多國家的醫療設備廠商宣布支持DICOM 3.0標準，DICOM 3.0逐漸成為了全世界醫療影像行業公認的標準。
PACS系統最初主要用于放射科，作為醫院HIS系統的核心組成部分，在構建進入醫院信息系統網絡時普遍遵循HL7標準和IHE規范。隨著HL7標準和IHE規范的不斷完善，PACS已經從簡單的幾臺放射影像設備之間的圖像存儲與通信，擴展至醫院所有影像設備乃至不同醫院影像之間的相互操作，因此出現諸多分類叫法，如Mini PACS(微型PACS)、科室級PACS、全院級PACS、區域PACS等。
•Mini-PACS：是指只用在單一類型的影像設備，CT或者MRI等。
•科室級PACS：放射科多臺影像設備可實現影像、診斷報告共享。
•全院級PACS ：將全院各科室臨床主治醫師、放射科醫師和?？漆t師以及各種影像、醫囑和診斷報告聯成一網。
•區域PACS：本地區、跨地區廣域網的PACS網絡。
科室級PACS系統示意圖
總之，PACS系統的出現，既解決了圖像的采集問題，又解決了數據的傳輸和存儲問題，至于尚未提到的影像的分析和處理，我們在后面來詳細說明，在此之前，先來了解下醫學影像大數據。
— 3 —我國醫學影像大數據的形成原因
作為一個新名詞，到底是先有醫學影像大數據，還是先有醫療大數據，現在已經無從考證了。但要解釋醫學影像大數據，必然要搞清楚兩點：一是醫學影像大數據的定義，二是醫學影像大數據的形成原因。
大數據的定義，是無法在一定時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合，是需要新處理模式才能具有更強的決策力、洞察發現力和流程優化能力來適應海量、高增長率和多樣化的信息資產。
IBM則總結了大數據的5V特點：Volume(大量)、Velocity(高速)、Variety(多樣)、Value(價值)、Veracity(真實性)。
醫學影像大數據，如果按照大數據的定義，是由DR、CT、MR等醫學影像設備產生所產生并存儲在PACS系統內的大規模、高增速、多結構、高價值和真實準確的影像數據集合。與醫院信息系統(HIS)大數據、檢驗信息系統(LIS)大數據和電子病歷(EMR)等同屬于醫療大數據的范疇。
多結構和高價值這兩點很好理解，是由日益增長的醫療影像設備種類所產生的具有醫學分析和指導價值的結構化和非結構化數據。大規模和高增速，則需要從大環境來解釋。
我國醫學影像大數據的形成，主要有兩方面的原因：一是市場，二是人口。
從市場規模來看，截止2015年6月，我國三甲醫院數量為705家;CHIMA2014-2015年的數據顯示，我國科室級PACS、多科室或院級PACE系統建設水平已經分別達到了60-70%和50-60%，基本覆蓋國內一線城市的三甲醫院。
從市場增速來看，我國PACS市場年均增速在25%以上。根據ACMR的調查數據，2012-2015年，中國PACS市場繼續以20%以上的增速擴大?！ ?/p>
數據來源：ACMR
而人口方面，影響醫療影像大數據的形成原因主要是人口基數和年齡的分布。據國家統計局第六次全國人口普查主要數據公報，全國總人口數約為13.7億。從老年人口的增速和比例上看，截至2014年底，我國60歲以上老年人口已經達到2.12億，占總人口的15.5%。據預測，到本世紀中葉，我國老年人口數量將達到峰值，超過4億，屆時每3個人中就會有一個老年人?！ ?/p>
所以，目前PACS系統的普及率和人口數量的龐大，是我國醫學影像大數據的大規?；A;而PACS系統和老齡人口的快速增長率是醫學影像大數據的高增速的基礎，這兩者共同構成了我國醫學影像大數據的形成原因。
作為大數據5V特征中的最后一環，醫學影像大數據的真實性，應該通過何種方式去實現?這就要涉及到數據處理技術了。
— 4 —數據處理和“魚香肉絲”
簡單來說，PACS系統從不同的影像設備收集到的數據在質量上往往參差不齊。而數據分析和輸出結果的錯誤程度和可信度在很大程度上取決于收集到的數據質量的高低，所謂“垃圾進，垃圾出”，沒有數據的準確性保證，大數據分析就變成了一紙空談。
目前醫學影像后處理方法主要包括兩類，一類是直接處理技術口，對患者進行影像學檢查后，直接采用軟件技術對影像在影像設備上進行處理，例如在CT和MRI設備上進行血管成像等。這種方式的缺點比較明顯，不能對影像進行改變，只能依靠醫生依據自身的經驗進行病理學處理，這就導致了數據結果的不準確性。
舉個例子來說，當CT 圖像遇到相互組織成像重疊時，普通的軟件圖像處理往往會將這些重疊的數據理解為噪聲或者其它干擾信號，而醫療專家則需要保持圖像上面邊界或者目標輪廓的邊界具有的幾何保持紡射不變(簡單來說就是保持圖像的完整性)，這就對醫生的診斷帶來了難以預料的困難。
除了影像設備軟件處理外，還有一種方法，通過影像設備將影像數據傳遞給PACS系統，由PACS系統來對影像進行后處理。比如PACS系統通過多維影像融合(CT/MRI/PET-CT)技術，來對圖像進行分割、配準和聚類，從而盡可能保存影像數據的真實性?！?/p>
多維影像融合(CT/MRI/PET-CT)示意圖
多維影像融合這項“黑科技”主要包括數據預處理、圖像分割、特征提取以及匹配判斷這幾個過程。聽上去可能讓人感到有些懵逼，簡單來說：數據預處理是指醫學影像數據庫中含有海量的、不同來源的原始數據, 其中帶有大量模糊的、不完整的、帶有噪聲和冗余的信息。因此在數據挖掘前, 必須對這些信息進行清理和過濾, 以確保數據的一致性和確定性, 將其變成適合挖掘的形式。
我們很清楚，醫學影像數據庫里包含大量的圖像數據。為了便于說明，我們把這些圖像數據比作各種食材，將最終處理完成的信息比作魚香肉絲這道菜。
數據預處理，可以把它想象成清洗食材的過程，要做魚香肉絲這道菜，你得先把豬肉、胡蘿卜、青椒乃至于蔥姜蒜都一一洗凈，濾掉殘渣，留下精華，才能做接下來的步驟。這個階段，包括圖像去噪、增強、平滑、銳化等工作，統稱為數據預處理。
“食材”清洗完畢后，就進入到圖像分割和特征提取環節，這個環節我們可以假設為“食材”的切絲切段的過程。以國內知名醫學影像公司匯醫慧影為例，利用多維影像融合技術，通過器官形態模型，圖像邊緣特征模型，以及神經網絡聚類模型，計算機自動將盆腔CT的膀胱，前列腺，直腸等自動分割(分割精度<2mm.)，從而為后期的智能匹配和判斷提供必備的圖像處理工具。
最后一個環節，我們將經過前兩道工序處理好的“食材”，和著蔥姜蒜炒成一盤魚香肉絲，這便是圖像匹配和聚類的過程。這個階段的PACS系統所依賴的核心技術為深度學習，也就是我們所說的人工智能，接下來，我們來了解下人工智能是如何應用到醫學影像領域的。
— 5 —不準確、缺口大，人工智能的出場背景
今年8月，國務院印發了《“十三五”國家科技創新規劃》的通知，人工智能成為一大重點?！兑巹潯访鞔_指出，重點發展大數據驅動的類人智能技術方法;突破以人為中心的人機物融合理論方法和關鍵技術，研制相關設備、工具和平臺;在基于大數據分析的類人智能方向取得重要突破，實現類人視覺、類人聽覺、類人語言和類人思維，支撐智能產業的發展。
在我們探討如何將人工智能應用到醫學影像之前，先要搞清楚在沒有人工智能的情況下，醫學影像所面臨的兩個問題。
據動脈網了解，醫療數據中有超過90%的數據來自于醫學影像，但是這些數據大多要進行人工分析。人工分析的缺點很明顯，第一是不精確，只能憑借經驗去判斷，很容易誤判。中國醫學會的一份誤診數據資料顯示，中國臨床醫療每年的誤診人數約為5700萬人，總誤診率為27.8%，器官異位誤診率為60%，惡性腫瘤平均誤診率為40%，如鼻咽癌、白血病、胰腺癌等，肝結核、胃結核等肺外結核的平均誤診率也在40%以上。
第二是缺口大，按照動脈網蛋殼研究院的數據，目前我國醫學影像數據的年增長率約為30%，而放射科醫師數量的年增長率約為4.1%，其間的差距是23.9%，放射科醫師數量增長遠不及影像數據增長。這意味著放射科醫師在未來處理影像數據的壓力會越來越大，甚至遠遠超過負荷?！ ?/p>
放射科醫生工作示意圖
這點從現階段放射科醫師的工作狀況也能看出來，今年1月份，醫學界曾對1241名醫學影像醫生做過調查，其中有一項數據很值得注意：有超過71%的影像醫生期盼放射假的回歸。
報告里的數據顯示，有超過50%的醫生工作時間在8小時以上，20.6%的醫生每天平均工作時間超過10個小時，多位醫生反映放射假有名無實。不少醫生留言，希望有天能享受到被剝奪已久的放射休假和公休假，多陪陪家人!
那么，面對目前醫學影像誤診率高、缺口大的問題，應該通過何種方式去改變呢?最好的答案，便是人工智能。
— 6 —人工智能的黑科技——多層卷積神經網絡結構
人工智能在醫學影像的應用主要分為兩個部分：第一個部分是圖像識別，在前文我們已經作了說明;第二個部分深度學習，是人工智能應用的最核心環節。這兩個部分都是基于醫學影像大數據所進行的數據上的挖掘和應用。
2006年，神經網絡領域的大師Geoffrey Hinton教授與其博士生在《Science》和相關期刊上發表了論文，首次提出了“深度信念網絡”的概念。與傳統的訓練方式不同，“深度信念網絡”有一個“ 預訓練 ”(pre-training)的過程，這可以方便的讓神經網絡中的權值找到一個接近最優解的值，之后再使用“ 微調 ”(fine-tuning)技術來對整個網絡進行優化訓練。這兩個技術的運用大幅度減少了訓練多層神經網絡的時間。他給多層神經網絡相關的學習方法賦予了一個新名詞–“ 深度學習 ”。
2012年，Hinton教授的研究團隊參加了斯坦福大學Fei-Fei Li教授等組織的ImageNet ILSVRC大規模圖像識別評測任務。該任務包括120萬張高分辨率圖片，1000個類比。Hinton教授團隊使用了全新的黑科技多層卷積神經網絡結構，突破性地將圖像識別錯誤率從26.2%降低到了15.3%。 這一革命性的技術，讓神經網絡深度學習以極快的速度躍入了醫療和工業領域，這才有了后來一系列使用該技術的醫學影像公司的出現。
比如國際知名的醫學影像公司Enlitic和國內剛剛獲得有峰瑞資本600 萬天使輪融資的DeepCare。都是通過積累大量影像數據和診斷數據，來不斷對的神經元網絡進行深度學習訓練，從而提高醫生診斷的準確率。
Enlitic公司人工智能輔助醫學影像診斷示意圖
以Enlitic公司開發的惡性腫瘤檢測系統為例，它通過使用肺癌相關圖像數據庫 “LIDC(Lung Image Database Consortium)”和 “NLST(National Lung Screening Trial)”進行驗證，結果發現，該公司開發的系統的肺癌檢出精度比一名放射技師檢查肺癌的精度高5成以上。
總而言之，人工智能結合醫學影像的益處多多，患者、放射科醫師、醫院均能從人工智能的應用中受益。人工智能不僅能更幫助患者更快速地完成健康檢查，包括X光、B超、核磁共振等。同時也可以幫助影像醫生削減讀片時間，提升效率，降低誤診的概率，通過提示可能的副作用來輔助診斷。
隨著人工智能和醫學影像大數據在醫學影像領域的逐漸普及和應用，醫學影像所面臨的準確度和大缺口的問題便可以迎刃而解，兩者的融合，將成為醫學影像發展的重要方向。
