理化學研究所（以下簡稱「理研」）創新智慧綜合研究中心（AIP）癌症探索醫療研究領域的小松正明研究員、株式會社富士通研究所董事長兼副社長原裕貴（理研AIP-富士通聯合中心副主任）、昭和大學醫學部婦產科松岡隆副教授、日本國立癌症研究中心研究所癌症分子修飾和控制系浜本隆二主任等組成的研究團隊，7月26日宣佈成功開發出高效的全新技術，透過人工智慧（Artificial Intelligence, AI）來判讀孕婦的B超圖片，以便及時發現胎兒的心臟異常。這項新技術有望在兩三年内進入臨牀[1]。
該項研究成果，2019年7月10日已經在專注於深度學習在醫學影像應用的第二屆MIDL國際學會上發佈[文獻1]。
以室隔膜缺損爲最常見的先天性心臟病約佔所有新生兒的1%左右，比例不可謂不高。有時因爲隨時可能危及生命，所以必須在胎兒時期就要進行診斷，一出生即開始冶癒。但是能用於影像診斷的B超最早也得妊娠20周左右，此時胎兒的心臟也僅僅1cm見方，而且處於快速搏動狀態。還有胎兒的脊椎骨和肋骨等造成的陰影等干擾，成像以及透過肉眼進行診斷都沒有想像的那麼簡單。
還有一個全世界都面臨的普遍問題，是能對胎兒B超診斷的醫學家資源非常稀缺。和國内醫學學生選專業時流傳的順口溜「金眼科，銀外科，打死不去小兒科」相似，兒科醫學家在美國也屬於相對低收入群體。Medscape在2019年4月發佈的過去五年全美醫學家收入報告顯示，兒科醫學家僅略勝公共健康和預防醫學，排名倒數第二，低於家庭醫生的平均收入（圖1）。
圖1 2019年全美醫學家收入排行榜 （圖片：Medscape Report）
在B超檢查時，當超音波束遇到人體骨骼後被反射，從而不能獲取骨骼後方的影像資訊，並且在該骨骼部位形成陰影，被稱爲「聲音陰影」。傳統B超影像解譯時，人體骨組梭織成的陰影對原本目標器官或組織影像的干擾一直是影響判讀精度的最大問題所在。研究團隊從2018年起一直致力於利用機械式學習和深度學習等對胎兒心臟超音波影像的解剖學結構進行即時檢測和分析。
利用人工智慧透過機械式學習的方法來判讀醫學影像通常有兩條經典途徑，一個是對影像性質詳細數位建模，讓AI根據提前制定好的一條條規則嚴格判讀（White-box）；一個是透過提供做有正確標註的大量影像資料（監督型學習），讓AI深度學習（Deep learning）後實施對新影像内容的判讀（Black-box）。前者雖然判讀規則容易理解比較直觀，但是需要對現實雜異化逐一對應，成本高且難以實施高精度；後者關鍵需要提前準備大量的已做好標註的學習材料，實施精度也直接受限於對學習材料進行人工標註的「教師」的水平，而且判讀程序不容易被理解和相信。
本次研究團隊採用的新技術，將基於專家醫師經驗製成的「人工陰影」與臨牀實際原始影像合成後作爲輸入影像（Encoder）。然後將輸入的合成後影像再度分離（Decoder）爲陰影和目標結構影像。分離後的兩個影像再次經過稱爲自動編碼器(Auto encoder)的深度學習（非監督學習）方式進行重新合成（圖2）。最後，透過不停的學習來儘可能同時等比縮小輸入影像與二次合成影像間的誤差，以及最初人工陰影和機器分離陰影間的誤差。機器學習後，臨牀實際B超檢查的影像作爲輸入影像，分離出的陰影圖像作爲輸出影像。透過陰影圖像的總畫素值比較等方式，最終實施自動判別是否真正存在陰影。
圖2 非監督學習型的人工智慧判讀模式
研究團隊採用昭和大學附屬醫院婦產科存檔的2000張孕婦在孕期檢查期間拍攝的B超圖片，讓AI進行學習後初步診斷出胎兒心臟異常。然後又繼續操作用3萬7千多張B超圖片進行訓練。將新思路和傳統影像處理方法以及常用的SegNet監督型深度學習方法作了比較，應答新開發的方法能夠高精準的檢測出陰影。
根據相同的原理，該技術後面還可以同樣用於包括心血管及癌症診斷在内的其他醫學領域超音波檢查。理研的小松正明研究員表示，當AI在發現干擾陰影較多的情況下自動提示進行二次B超檢查應答（圖3），這樣即使沒有兒科醫學家在場也能及時發現異常情況。
圖3 AI發現干擾陰影過高時自動提示二次B超檢查
供稿 宋傑 東京大學博士
圖除特別註釋外均取自日文新聞發佈稿
編輯修改 JST客觀日本編輯部
相關文獻：
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）
相關鏈結：
1. 理化學研究所官方新聞稿
