计算机辅助诊断（Computer-aided diagnosis）小总结

先列参考资料：

AI-based computer-aided diagnosis (AI-CAD): the latest review to read first - 2020
谷歌自曝医疗AI临床结果不佳：实验室丰满，临床骨感 - 2020-04
A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging - 2019
吴博：目标检测集成框架在医学图像 AI 辅助分析中的应用

正文

计算机辅助诊断（CADX）是一种跨学科技术，利用计算机视觉和人工智能会进行医学图像处理（通常为放射性和病理图像）以识别疾病。医学领域的成像分析非常重要，因为图像是进行任何疾病的早期诊断的基本方法，而且成像并不需要伤害人体。

计算机辅助诊断（CADx）和计算机辅助检测（CADe）都可以称为CAD，这两个概念可能会被混淆。两者的不同之处在于，前者指的是疾病的分类、识别和预测，而后者是检测图像中的病变。就结果而言，CADe属于医学图像分析，更接近目标检测。

CAD & AI

CAD研究进展与AI技术进步关系很大。如图1所示，随着第三次人工智能（AI）的爆发，医学图像的CAD领域也开始发生变化。深度学习的创始人亨顿在2016年的某次国际会议上就曾表示，“深度学习将在五年内达到放射学专家的水平”，这在某些领域已经实现了。

过去的两次AI爆发和目前的第三次爆发

传统的CAD系统解决了诸如预处理，分割，特征提取和分类的几个步骤，如图2(a)所示。深度学习的优势在于它可以通过其学习过程自行创建特征。考虑到医生对这些特征的疑虑，可解释AI（explainable AI, XAI），包括热点图(heat map)等内容，AI相关的研究人员正在持续研究。

传统CAD以及AI-CAD的流程

接下来我将介绍AI-CAD的几个有趣的例子，其中有些的诊断水平与医生的相当甚至更好。

眼底图像 Fundus photographs

眼底照片的质量筛选不仅可用于诊断青光眼等眼部疾病，还可以诊断糖尿病视网膜病变和高血压视网膜病变。
2018年3月，谷歌发布了一篇有趣的论文，其中他们从约300,000名患者收集了眼底图像和其他医疗数据，并使用深层学习的方法处理眼底图像，进而预测心脏病。虽然临床应用中仍存在一些问题，例如图像质量达不到标准、医院通信网络较差导致图像上传过慢，但它们的算法已经在如此大的数据集中达到了专家水平，可以想象这一AI算法的实际落地并不遥远。

皮肤病学图像 Dermatology images

AI皮肤癌症诊断的水平甚至高于医生。2018年发表的一篇名为“人类 VS. 机器”的论文中，研究人员比较了AI与皮肤科医生在超过100,000张图像中诊断黑素瘤的准确性，得分分别是为95％和87％（AI vs. 皮肤科医生）。

（偷懒了…其他的应用可以去看参考资料1）

此外，AI-CAD在乳腺癌筛查和胸片上的主要胸部疾病方面诊断方面也表现出色。然而，CAD在临床应用中仍然需要解决以下问题:

数据在内容、数量和质量方面存在问题
数据是否具有统计学意义
没有大规模的临床实践方面的证据
深度学习的黑匣子问题（不具有可解释性）

这意味着，仍然需要在新的图像重建方法、自动图像标记方法、可解释AI和定制的模型架构等方面的努力。