理化学研究所（以下简称“理研”）创新智能综合研究中心（AIP）癌症探索医疗研究领域的小松正明研究员、株式会社富士通研究所董事长兼副社长原裕贵（理研AIP-富士通联合中心副主任）、昭和大学医学部妇产科松冈隆副教授、日本国立癌症研究中心研究所癌症分子修饰和控制系浜本隆二主任等组成的研究团队，7月26日宣布成功开发出高效的全新技术，通过人工智能（Artificial Intelligence, AI）来判读孕妇的B超图片，以便及时发现胎儿的心脏异常。这项新技术有望在两三年内进入临床[1]。
该项研究成果，2019年7月10日已经在专注于深度学习在医学影像应用的第二届MIDL国际学会上发布[文献1]。
以室间隔缺损为最常见的先天性心脏病约占所有新生儿的1%左右，比例不可谓不高。有时因为随时可能危及生命，所以必须在胎儿时期就要进行诊断，一出生即开始治疗。但是能用于图像诊断的B超最早也得妊娠20周左右，此时胎儿的心脏也仅仅1cm见方，而且处于快速搏动状态。还有胎儿的脊椎骨和肋骨等造成的阴影等干扰，成像以及通过肉眼进行诊断都没有想象的那么简单。
还有一个全世界都面临的普遍问题，是能对胎儿B超诊断的医生资源非常稀缺。和国内医学学生选专业时流传的顺口溜“金眼科，银外科，打死不去小儿科”相似，儿科医生在美国也属于相对低收入群体。Medscape在2019年4月发布的过去五年全美医生收入报告显示，儿科医生仅略胜公共健康和预防医学，排名倒数第二，低于家庭医生的平均收入（图1）。
图1 2019年全美医生收入排行榜 （图片：Medscape Report）
在B超检查时，当超声波束遇到人体骨骼后被反射，从而不能获取骨骼后方的图像信息，并且在该骨骼部位形成阴影，被称为“声音阴影”。传统B超图像判读时，人体骨组织造成的阴影对原本目标器官或组织影像的干扰一直是影响判读精度的最大问题所在。研究团队从2018年起一直致力于利用机械学习和深度学习等对胎儿心脏超声波图像的解剖学结构进行实时检测和分析。
利用人工智能通过机械学习的方法来判读医学影像通常有两条经典途径，一个是对影像性质详细数字建模，让AI根据提前制定好的一条条规则严格判读（White-box）；一个是通过提供做有正确标注的大量影像资料（监督型学习），让AI深度学习（Deep learning）后实现对新影像内容的判读（Black-box）。前者虽然判读规则容易理解比较直观，但是需要对现实多样化逐一对应，成本高且难以实现高精度；后者关键需要提前准备大量的已做好标注的学习材料，实现精度也直接受限于对学习材料进行人工标注的“教师”的水平，而且判读过程不容易被理解和相信。
本次研究团队采用的新技术，将基于专家医师经验制成的“人工阴影”与临床实际原始图像合成后作为输入图像（Encoder）。然后将输入的合成后图像再度分离（Decoder）为阴影和目标结构图像。分离后的两个图像再次经过称为自动编码器(Auto encoder)的深度学习（非监督学习）方式进行重新合成（图2）。最后，通过不停的学习来尽可能同时缩小输入图像与二次合成图像间的误差，以及最初人工阴影和机器分离阴影间的误差。机器学习后，临床实际B超检查的图像作为输入图像，分离出的阴影图像作为输出图像。通过阴影图像的总像素值比较等方式，最终实现自动判别是否真正存在阴影。
图2 非监督学习型的人工智能判读模式
研究团队采用昭和大学附属医院妇产科存档的2000张孕妇在孕期检查期间拍摄的B超图片，让AI进行学习后初步诊断出胎儿心脏异常。然后又继续用3万7千多张B超图片进行训练。将新思路和传统图像处理方法以及常用的SegNet监督型深度学习方法作了比较，确认新开发的方法能够高精准的检测出阴影。
根据相同的原理，该技术后面还可以同样用于包括心血管及癌症诊断在内的其他医学领域超声波检查。理研的小松正明研究员表示，当AI在发现干扰阴影较多的情况下自动提示进行二次B超检查确认（图3），这样即使没有儿科医生在场也能及时发现异常情况。
图3 AI发现干扰阴影过高时自动提示二次B超检查
供稿 宋傑 东京大学博士
图除特别注释外均取自日文新闻发布稿
编辑修改 JST客观日本编辑部
相关文献：
1. 安富 優、新垣 達也、浜本 隆二. Shadow Detection for Ultrasound Images Using Unlabeled Data and Synthetic Shadows. MIDL 2019, the 2nd International Conference on Medical Imaging with Deep Learning. （7月10日）
相关链接：
1. 理化学研究所官方新闻稿
