ISMRM2022展示MR领域新趋势：AI赋能医学影像成核心关键词

孟想成真

5月12日，全球最负盛名的磁共振影像领域大会ISMRM2022（国际医学磁共振协会大会）在伦敦正式闭幕，为期7天的大会上，AI赋能医学影像成为了最核心主题。
在有限的医学资源限制中，人们不断追求着更高效的解决方案，也正是因此，AI在MRI（磁共振影像）中的应用成为了ISMRM的重点主题。其中，三大方向值得关注：
首先，基于AI的影像加速成为讨论的焦点，这一技术方案满足了人们对医学影像更高质、更安全以及更快的渴求；
其次，正如Meta首席AI科学家Yann LeCun博士在大会主题报告指出的，AI相关的医学影像技术正在逐步步入广泛应用，AI成像产品进入加速临床产业化；
最后，AI MRI成像在具体人体部位/疾病上的进一步发展也是本届ISMRM的热点话题，包括乳房、心脏等。

                                                         大会现场
备受关注的AI影像加速


大会上，影像医生与AI专家们阐述了人工智能在医学影像领域具有革命性的发展潜力，其中最直接能产生临床和产业价值的方向包括：
● 提升成像速度、降低扫描成本
● 从根源上减少造影剂的使用
● 预测图像
● 建立丰富的数据库以协助集中临床护理以及为进一步的研究提供信息等。
ISMRM协会2021-2022主席、全美最佳医院之一梅奥诊所（Mayo Clinics）心血管放射科医生蒂姆·莱纳（Tim Leiner）博士表示，所有的制造商和科研小组都在研究如何优化临床诊断的各个环节，每个环节都包括很多可以优化的事项。这给了人工智能和机器学习充分的大展拳脚的机会。

斯坦福大学Greg Zaharchuk教授是美国功能神经放射学会（American Society of Functional Neuroradiology）主席和《磁共振成像杂志》(Journal of Magnetic Resonance Imaging)副主编，在大会上做了专题报告得到多家医疗媒体重点报道，主要介绍了机器学习的好处以及“上游人工智能”的研究和应用。
他解释道：“该研究并不涉及预测图像上有什么，而是通过采集一些图像来预测其他的（更有价值的）图像，具体而言是预测图像中的每一个像素值。”
他指出：“深度学习非常擅长从图像中预测关键信息值。基于这样的优势，深度学习非常适合用于降低成像成本——这也是我们能够直接使患者受益的点，我们期望通过技术手段能让患者的生活变得更好，那总归是一件好事。”
他同时也是知名AI医学影像公司Subtle Medical Inc(深透医疗)的联合创始人。在2017年与斯坦福大学影像AI科学家宫恩浩博士联合创办，深透医疗就致力于从AI+医学成像出发，结合深度学习和图像重建技术，将耗时长、质量较低、危害（辐射剂量）较大的方式采集的数据，转化为高效、高质量、更安全的诊断级别的医学图像。目前，深透医疗已先后获得4项美国FDA AI软件 510(K) 认证，也先后完成国内NMPA和欧洲等地产品注册，在全球数百家医院和影像中心临床使用，实现商务落地和按例付费的新模式，成为AI医学影像加速优化领域的头部企业。
Leiner博士则表示，还有一些人工智能工具会生成预先填充的报告，“帮助放射科医生更轻松地处理病例”。
Leiner认为，使用人工智能技术来降低序列的扫描时间并检查整个成像流程中是否有低效环节，是当前影像行业的热点。
“当病人在检测台上时，人工智能可能会提出一些有用的建议，比如‘程序会提示这里看到某些异常信号，可能想要添加这个序列的扫描’ ”他说。
正如Greg Zaharchuk教授和Leiner博士所言，整个行业都在努力优化扫描效率、降低成像成本、减少扫描时间，尽可能地减轻成像过程对患者以及技术人员的影响，这也是行业长久以来的痛点。而今，AI相比传统技术带来了新的飞跃和契机，给这一行业痛点指出了答案，它在优化MRI流程、提高效率乃至提高MRI安全性方面大有可为。
AI医学影像时代已来，步入广泛应用期


随着AI在医学影像加速、筛查、优化等领域的不断精进，各大企业、学界及医疗机构也正推动AI技术的实际落地与应用。
5月11日，在本届ISMRM年会上，AI领域全球知名的Yann LeCun博士做了大会主体报告，介绍了AI在医学影像方向的应用，以及是否可以直接从原始影像数据通过深度学习模型预测出疾病和异常。
LeCun被认为是“深度学习教父”之一，在纽约大学任教，也是Meta/Facebook FAIR负责人之一。2018年，他获得了计算机协会图灵奖。
Yann LeCun教授的报告重点提及了Facebook FAIR与NYU医学院教授、Subtle Medical科学顾问Florian Knoll博士等医学影像专家一起组织了多次磁共振影像加速重建的AI Challenge，包括深透医疗Subtle Medical、飞利浦、联影、AIRS等多家机构公司在相关竞赛中登上各阶段的排行榜前列，大力推动了相关AI影像加速技术方向的发展与合作。

正如LeCun的报告体现的那样，AI在医学影像中的角色并未停留在高校实验室或前沿的同行评审论文中。据悉，当前相关技术已经完全进入到临床应用中，并且作为基础设施渗透至医学影像全流程。
本次ISMRM年会上，通用医疗宣布，将其深度学习图像重建解决方案AIR Recon DL持续扩展至其客户，可通关软硬件升级的形式进行新购买。
上文提到的深透医疗，其开发的软件产品能够兼容任何品牌、任何型号的设备，这极大地拓宽了其产品的应用范围以及深透医疗的发展前景。此前西门子医疗与Subtle Medical深透医疗官宣合作，最新的西门子MR设备将可预装SubtleMR等深透医疗软件及技术，不需要额外的软硬件升级即可实现全面的产品性能提升。
近期，Greg Zaharchuk教授接受了影像技术权威媒体Image Wire的采访，他指出，深透医疗专注的影像模态为MRI磁共振和PET核医学分子影像，因为这两种影像是价格最贵（美国MRI~1000$, PET ~3000$)且最慢的（在美国一般要30-60分钟），其中90%的成本和大量耗时，都在机器成像过程中。通过AI可以显著提升影像速度与医院的效率。同时深透医疗持续再更多影像模态下创新，产品线涵盖其他核医学影像、CT、X光等各种检查。
深透医疗的技术正是从成像流程切入，通过AI技术提升图像质量，让医疗机构可以在更少的时间内给更多的患者做检查、并减少放射剂量。另一方面公司关注减少MRI造影剂的剂量以及PET的辐射剂量从而提供更安全更有利于病人健康的无创检查。该产品以进入FDA审批沟通过程，并与医药巨头拜耳医疗开展了AI软件与造影药剂的战略合作。
在深入应用上，深透医疗也已完成全球布局，此前宣布与西门子及拜耳分别达成数千万美元的落地应用合作。
据悉，成立以来，深透科技已经在与美国数十家顶尖医疗院校、医院及第三方影像中心开展早期测试，其中包括斯坦福大学、加州大学旧金山分校医学院（UCSF）、MD 安德森肿瘤医院和梅奥医学中心等，并在国内与天坛医院、上海华山医院，南京鼓楼医院，安徽医科大学第一附属医院等国内顶尖医院开展科研合作；与西门子医疗、东软医疗、飞利浦中国、英伟达、英特尔、通用医疗、等知名企业开展AI技术合作开发。

                                      深透医疗在ISMRM 2022展示技术方案
在Image Wire的采访中，深透医疗联合创始人Greg Zaharchuk教授透露，深透医疗计划推出Subtle QC 质量控制计划——一个智能影像闭环系统，它将确保医学影像采集过程高效、顺利地实现。更进一步的，深透医疗计划将Subtle QC 、SubtleMR, SubtlePET, SubtleGAD以及其他产品结合起来，使它们共同发挥作用，从而为客户提供系统的工作流程解决方案并提高效率。据深透医疗创始人CEO宫恩浩博士透露，相关质量控制技术已经与多家医院、影像联盟和CRO公司开展合作或测试。或许，我们也可以基于深透医疗的计划对AI赋能医学影像的未来进行畅想。
发展至今，AI在医学影像领域的应用越来越深入和系统，就像一棵小树逐渐会长成参天大树。地面下，是“AI+医学成像”的根系不断拓展，像深透医疗这类前沿公司不断以直击行业痛点的方式进行产品研发；地面上，则是针对全流程每一部分的产品既各自发展完备，又结合起来共同优化医学影像全流程与工作方式。到那时，可以预见的是，AI在医学成像领域的潜力将被充分发挥出来。
AI MRI成像在具体人体部位/疾病上的进一步发展


除整体趋势外，本次大会还覆盖了多项具体疾病中，AI技术应用于MRI的进展，包括乳腺癌、脑部MRI。
亮点案例一：AI帮助针对高危女性进行乳房筛查
来自加拿大圣约翰纽芬兰纪念大学的研究人员使用决策树和模拟模型来评估八种不同乳腺癌筛查策略的成本效益。他们发现最具成本效益的方法依赖于对指数筛查乳房 X 线照片的 AI 分析以进行风险分层；被确定为低风险的女性在 40 多岁时不会接受任何额外的筛查，而高风险女性将每年接受一次乳房 X 光检查。
“通过准确识别和筛查更多高危女性并避免筛查低风险女性，这种具有成本效益的基于人工智能的筛查策略可以帮助解决现有的对延迟诊断以及传统筛查可能出现的假阳性诊断的担忧策略。”Shweta Mital 和 Hai Nguyen 博士写道。
研究人员表示，使用人工智能对女性进行风险分层并仅针对高危女性进行筛查可以产生比现有筛查指南更多的经济价值。
亮点案例二：机器学习可以实现 1 分钟的脑部 MRI 扫描
斯坦福大学的研究人员开发了一种用于定量和多对比度成像的 MR 指纹采集和重建框架，该框架需要大约一分钟的扫描时间和短短五分钟的重建时间。
演讲者 Sophie Schauman 表示，借助用于图像合成的机器学习算法，该方法可以提供 5 个具有 1 毫米各向同性分辨率的常见临床对比的高质量图像，以及定量的 T1、T2 和质子密度图。
“该项目的未来方向包括持续的临床数据收集，旨在使用半监督方法将患者纳入训练数据集中，并提高管道在视野中患者定位的稳健性，”Schauman 说。“我们还旨在通过获取更快的 B0 和 B1 图来校准定量成像，进一步优化时间/质量权衡。”
亮点案例三：利用AI来减少造影剂钆的使用
深透医疗联合创始人、斯坦福大学放射学系Greg Zaharchuk教授在周六的会议上表示：“人工智能和深度学习的出现，让我们可以利用新的方法做得比以前更优更好。凭借MR在医学影像领域的广阔应用，随着时间的推移我们会获得越来越多的核磁共振影像数据。而且我相信，这些图像数据中有很多我们临床医生和科学家暂时还看不到或无法提取的信息，但是这些信息能够被AI模型有效地识别获取并加以利用从而获得更准确的诊断或者研究。”
目前Greg Zaharchuk教授正在与Subtle Medical深透医疗的算法科学家和工程师们一起研究如何利用深度学习来减少造影剂钆的使用。这项研究涉及开发一种先进的深度学习算法，该算法可以使用卷积神经网络模型，学习如何从零造影剂剂量和低造影剂剂量图像中预测标准造影剂剂量MRI扫描图像。
深透医疗创始人CEO宫恩浩博士在2017年研究发表了此项技术并先后获得过了北美放射学会的优秀科研成果奖及福布斯30-under-30等奖项。此技术已获得美国NIH260万美元科研基金，并与拜耳医疗等造影药剂公司开展合作。

    减少90%的造影剂剂量是可行的

深度学习能够进一步提升 100% 造影剂剂量成像的效果
图像质量的评估结果表明，在不牺牲诊断质量的前提下，造影剂钆的使用量能够减少10倍。
亮点案例四：MRI 放射组学和机器学习可以识别炎症性肠病 (IBD) 亚型
由中国兰州大学第二医院的王军领导的研究人员开发了基于小肠对比增强 MRI 的放射组学分析的机器学习模型。在测试中，性能最佳的算法产生的曲线下面积 (AUC) 为 0.874，用于区分溃疡性结肠炎和克罗恩病。
王军表示，全球炎症性肠病的负担正在增加，许多国家和地区的水平大幅上升。他说，目前没有针对 IBD 的单一金标准诊断测试，并且有许多疾病过程可以被诊断为 IBD。
与传统的 T2 加权成像相比，对比增强 MRI 可以更好地显示整个肠壁。研究人员试图将放射组学应用于在这些 MRI 检查中区分溃疡性结肠炎和克罗恩病的任务。“以对比增强 MR 为中心的放射组学模型在 IBD 的鉴别诊断中表现出良好的性能，增强图像可以反映肠道炎症在血液供应、内部病变等方面更有价值的信息。”王军称。
从本次ISMRM的亮点案例可以明显看到，基于AI的医学影像重建与加速在业内的讨论度只增不减，将AI作为手段优化医学影像流程，已经迎来风口期，未来医学影像AI将会加速发展，并极大地改变技术人员及临床医生的工作方式，而其相关企业也将不断驱动产业变革、迎来一个真正数字化的智能医疗时代。

来源：https://www.163.com/dy/article/H7IKE9TM05118H54.html
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！