点击显示 收起
计算机辅助诊断（computer-aided diagnosis,CAD）近年来逐渐成为医学影像学中的研究热点之一。目前医学影像学中很多CAD技术不断出现，并且获得快速发展；研究表明CAD对于提高诊断准确率、减少漏诊起到积极的作用。本文就CAD的概念、原理及其在医学影像学中的应用情况简要综述。
1 计算机辅助诊断发展简史及其含义
计算机辅助诊断（computer-aided diagnosis，CAD）技术近年来获得快速发展，尤其发达国家投入大量人力和物力进行研究，每天有大量相关报道出现。目前肺结节和乳腺癌诊断方面的部分研究成果已经通过美国FDA验证应用于临床实践，结果表明对于提高放射科医生诊断的准确率、减少漏诊起到了积极的作用［1］。其实计算机辅助诊断（CAD）中的D至少包括两方面的含义：Detection和Diagnosis，即帮助发现病变和诊断病变。比如在乳腺癌和肺结节的诊断系统中，系统一方面帮助医生发现结节及可疑病变，另一方面帮助医生判断病变的性质，即良性或恶性。
计算机辅助诊断在医学中的应用可追溯到20世纪50年代。1959年，美国学者Ledley等首次将数学模型引入临床医学，提出了计算机辅助诊断的数学模型，并诊断了一组肺癌病例，开创了计算机辅助诊断的先河；1966年，Ledley首次提出“计算机辅助诊断”(computer-aided diagnosis,CAD)的概念。20世纪80年代初，计算机辅助诊断系统获得进一步发展，其中应用在中医领域的专家系统最为引人注目。计算机辅助诊断的过程包括病人一般资料和检查资料的搜集、医学信息的量化处理、统计学分析，直至最后得出诊断。当时较为流行的模型有Bayes定理、最大似然法模型、序贯模型等。20世纪90年代以来，人工神经元网络快速发展，它是模仿人大脑神经元工作原理的一种数学处理方法。由于它具有自学习能力、记忆能力、预测事件发展等能力，可以起到辅助诊断的作用，在分类、诊断方面，人工神经网络方法比传统的方法（概率统计法、数学模型等）有更优越的性能［1］。可以说，人工神经元网络是代表当前最先进的人工智能技术之一。
自20世纪60年代就有用计算机分析医学影像资料的报道，此后十几年里由于计算机技术等各种原因，CAD的研究一度陷入低谷；一方面，由于人们对于CAD期望过高，希望能够借助计算机实现自动诊断（automated diagnosis），另一方面CAD研究结果并不理想。直到八九十年代由于计算机技术及各种数学、统计学的快速发展，计算机辅助诊断在一些发达国家的医学影像学领域才获得较快发展，并取得了可喜的成就［2］。目前，国外学者对于计算机辅助诊断在医学影像学中的含义基本达成共识：应用计算机辅助诊断系统时最终诊断结果仍是由医生决定的，只是医生在判断时参考计算机的输出结果，这样使得诊断结果更客观更准确。目前国外学者强调计算机的输出结果只是作为一种参考（second opinion），这与最初六七十年代的计算机自动诊断的观念以及现在某些人对于CAD的理解是不同的［3，4］。医学影像学中，计算机的输出结果是定量分析相关影像资料特点而获得的，其作用是帮助放射科医师提高诊断准确性和对于图像、疾病解释的一致性（consistency）。CAD之所以能够提高医生的诊断准确性，原因在于：放射科医生的诊断是主观判断过程，因而会受到医生经验及知识水平的限制和影响；其次，医生诊断时易于遗漏某些细微改变，如肺结节，乳腺内的细微钙化等；再次，不同医师间及同一医师间的阅片差异的影响。而计算机对于纠正这些错误和不足具有巨大的优势［4］。
2 计算机辅助诊断的基本原理
通常医学影像学中计算机辅助诊断分为三步［4］：第一步是图像的处理过程，目的是把病变由正常结构中提取出来。在这里图像处理的目的是让计算机易于识别可能存在的病变，让计算机能够从复杂的解剖背景中将病变及可疑结构识别出来。通常此过程先将图像数字化:一般用扫描仪将图像扫描；如果是数字化图像如DR、CT、MRI图像则可省去此步。各种病变运用不同的图像处理和计算方法，基本原则是图像增强和图像滤过的应用等，通过处理计算机将可疑病变从正常解剖背景中分离、显示出来。
第二步是图像征象的提取，或图像特征的量化过程。目的是将第一步计算机提取的病变特征进一步量化，即病变的征象分析量化过程。所分析征象是影像诊断医生对病变诊断具有价值的影像学表现，如病变的大小、密度、形态特征等。
第三步是数据处理过程。将第二步获得的图像征象的数据资料输入人工神经元网络等各种数学或统计算法中形成CAD诊断系统，可以对病变进行分类处理，进而区分各种病变，也即实现疾病的诊断。这一步中常用的方法包括决策树、神经元网络（ANN）、Bayes网络、规则提取等方法，目前ANN应用十分广泛，并取得较好的效果［1～4］。
3 计算机辅助诊断在医学影像学中的作用
医学影像中各种影像检查技术包括平片、CT、MRI、超声及PET等，均可引入计算机辅助诊断系统；另一方面，人体任何部位的影像检查都可以借助计算机辅助诊断而提高诊断的准确性。但是目前的CAD研究大多局限在乳腺和胸部肺结节性病变，身体其他部位的CAD研究目前仍很少而且不成熟［5］。因而，乳腺及肺结节性病变的CAD研究基本代表了目前CAD在医学影像学中的最高水平和基本现状。其他方面的CAD方法原理与之有很多相同之处。本文重点介绍CAD在肺病变及乳腺病变方面的应用，其他方面仅简单介绍。
3.1 肺结节性病变方面的应用 对于放射科医生胸片中肺结节的定位有时是困难的，据报道普通胸片肺结节的漏诊率可达30%以上［5］。这主要是由于早期和较小的结节灶在正常解剖结构的重叠下难以为放射科医生辨认。或许有学者认为CT扫描可以解决这一问题，诚然CT大大提高了对于肺结节病变的检出率和确诊率，然而有研究表明目前常用的CT扫描技术（一般层厚8～10mm）对于微小结节（10mm左右）的漏诊仍较严重［6，7］。令人欣慰的是随着多排螺旋CT的出现，可以实现常规薄层CT扫描，有望解决小结节的漏诊问题。但是薄层CT扫描会产生大量的图像，对于放射科医生又是一个挑战，由于阅片疲劳、各人的标准不一等可能增加漏诊、误诊的发生［7］。如果能够借助计算机提示肺结节的所在部位，就可以大大提高肺结节的诊断准确率，减少漏诊。目前，这也是CAD研究的热点之一。首先，将研究的胸部平片用扫描仪扫描，得到数字化图像，如果DR片及CT片则可省去这一步。然后将图像进行增强及滤过等处理，使肺内可能存在的结节性病灶能够被计算机辨认出来，并用符号如“*”等标记结节所在部位。这样，医生在阅片时就可以参考计算机的结果，减少肺结节的漏诊［2］。目前已经有用于胸部平片及CT中肺结节探测的CAD系统获得FDA认证，在一些国家开始应用于临床。研究结果表明［7，8］，诊断时参考计算机的输出结果，医生诊断的准确性可以提高。因而使用这种方法可以帮助放射科医生提高诊断的准确性，减少肺内结节病灶的漏诊，这种方法具有很大的应用价值及潜力。然而目前这一技术尚有不足，计算机处理结果存在假阳性及假阴性，目前各国学者都想方设法减少假阳性及假阴性结果的出现，以便能够在临床广泛应用。
一旦发现肺结节，接下来的工作就要进一步判断其良恶性。肺结节良恶性的诊断对于放射科医生有时是相当棘手的。目前，肺癌的误诊及漏诊率仍很高［5］，因而目前很多CAD方面的研究集中在肺结节良恶性鉴别诊断上。一般先搜集足够数量病理证实的肺结节影像病例，接下来对所有病例的图像进行特征分析并记录，如病变的大小、形态特点、密度、边缘等影像学征象进行全面分析。目前多由计算机进行图像特征提取，因为计算机更客观、更全面［2］。然后将所提取的图像特征输入神经元网络、Bayes网络、决策树等各种分类算法中，形成计算机辅助诊断系统，并对这一系统进行测试、训练。这样就可以应用这一系统对肺结节性病变进行良恶性鉴别了。很多研究结果表明［8，9］，用ANN建立的CAD系统诊断准确性较放射医生高，放射科医生参考计算机的输出结果时诊断的准确性也有不同程度提高。目前这些方法多在研究之中，有学者希望能够借助计算机减少临床工作中不必要的活检和进一步的CT扫描。这种方法目前在一些医院中已经开始使用，其效果在进一步研究之中。
CAD在胸部应用的研究比较多的还有肺间质病变的鉴别诊断方面。肺间质病变是一组比较棘手的病变，各种病变的影像表现相似，影像征象相互重叠，因而定性诊断有时十分困难，因此人们考虑引入计算机量化分析病变，从而达到提高诊断准确性的目的。与上述肺结节的诊断相似，首先确定病变的存在，这在病变的早期有时是困难的。正常与异常确定之后，下一步就要进一步鉴别不同种类的肺间质病变。这一过程与上述肺结节的应用基本原理相同。初步研究结果表明［10，11］，运用CAD系统可以提高诊断的准确率，目前这方面的研究多处于试验阶段，尚未大规模临床应用报道。
3.2 乳腺癌中的应用 CAD在乳腺癌早期诊断方面的研究是比较成功的。1998年FDA批准了第一个CAD系统，即美国R2技术有限公司的ImageChecker系统，目前已经有几个类似的系统通过FDA批准。钼靶摄片是目前诊断乳腺疾病的最好方法之一，但是放射科医生对于乳腺癌的漏诊率达15%～30%［8］，放射科医生在确定某些病例乳腺内肿块和微小钙化有时是十分困难的，尤其对于早期病变，同样对于某些病变确定其良恶性也存在困难。在乳腺病变的诊断方面，CAD从两个方面提高诊断准确率：（1）寻找可能存在的肿块性病变；（2）寻找微小的钙化灶，因为微小的钙化灶，尤其是丛状分布的钙化，是乳腺癌的特征之一。目前乳腺病变CAD的研究基本集中在这两个方面。
与肺结节方面的应用一样，首先是确定病变的存在。在乳腺钼靶片中通过寻找肿块或微小钙化来确定可疑病变的部位，输出结果以某种符号标记，提醒放射科医生可能存在的病变，让医生阅片时注意。病变部位确定之后，接下来就是定性诊断，计算机也是通过分析图像中肿块和钙化影像学特征来进一步确定病变良恶性。通过定量分析肿块和钙化的各种征象，然后输入ANN等算法中形成CAD诊断系统，进而确定病变的性质；过程与上述肺结节CAD系统的建立过程相似。乳腺疾病是目前CAD应用相对比较成熟的领域。有学者对计算机是否可以帮助放射科医生进行乳腺疾病的诊断进行随机对照试验［12，13］，结论认为CAD系统具有较大的价值。此外，有学者对13000名女性乳腺钼靶片诊断的分析中发现，计算机在这一领域中的运用，可以提早发现乳腺癌，并能够提高诊断的准确性［14］，差异有统计学意义。计算机辅助诊断的作用在于可帮助医师发现不容易发现的影像征象，如微小钙化、微小的组织结构发生的变化，从而最终帮助放射科医生提高诊断准确性。
3.3 其他 除了乳腺、肺结节和肺间质病变的研究应用之外，目前CAD在CT虚拟结肠内镜(CTC)［15，16］、肝脏疾病CT诊断、脑肿瘤MRI诊断、DSA［17～19］等很多方面都有研究的报道。总体上这些方面的研究大多处于起步阶段，大量的研究正在进行之中。
4 总结及展望
计算机辅助诊断是影像诊断学发展的方向之一，它可以进行精确地定量计算，可重复性好，而且不会疲劳；另一方面，可以提高放射科医生诊断的准确性。计算机在放射科的广泛应用，可以极大地扩大医生有限的个人知识和经验，可以使诊断变得更为精确、更为科学。将来计算机辅助诊断将与图像处理、PACS系统等技术融合；随着技术的发展，计算机辅助诊断将变得操作简单、诊断准确，临床应用范围将进一步扩大。应当注意到目前国内这方面的研究与国外相差很大，希望引起国内同行的重视，同时希望国内能有更多的学者关注这方面的研究，从事这方面的研究，提高国内CAD的研究水平，减少这方面与发达国家之间的差距。
【参考文献】
1 Brem RF,Baum J,Lechner M,et al.Improvement in sensitivity of screening mammography with computer-aided detection: a multiinstitutional trial.Am J Roentgenol，2003，181:687-693.
2 Bram VG,Bart MH.Computer-aided diagnosis in chest radiography: a survey.IEEE Transaction on Medical Imaging，2001，20:1228-1241.
3 Maryellen LG,Nico K,Samuel GA，et al.Computer-aided diagnosis in medical imaging.IEEE Trasaction on Medical Imaging，2001，20:1275-1279.
4 Doi K,MacMahon H,Katsuragawa S，et al.Computer-aided diagnosis in radiology: potential and pitfalls.European Journal of Radiology，1999，31:97-109.
5 Quckel L,Kessels A,Goci R，et al.Miss rate of lung cancer on the radiography in clinical practice.Chest，1999，115:720-724.
6 Kakinuma R,Ohmatsu H,Kaneko M,et al.Detection failures in spiral CT screening for lung cancer: analysis of CT findings.Radiology，1999，212:61-66.
7 Geoffrey D，Rubin,John K，at al.Pulmonary nodules on multi-detector row CT scans:performance comparison of radiologists and computer-aided detection.Radiology,2005,234:274-283.
8 Nakamura K,Yoshida H,Engelmann R,et al.Computerized analysis of the likelihood of malignancy in solitary pulmonary nodules with use of artificial neural networks.Radiology,2000,214:823-830.
9 Shiraishi J,Abe H,Engelmaan R,et al.Computer-aided diagnosis to distinguish benign from malignant solitary pulmonary nodules on radiographys: ROC analysis of radiologists performance-initial experience.Radiology,2003,227:469-474.
10 Ashizawa K,MacMahon H,Ishida T,et al.Effect of an artificial neural network on radiologists performance in the differential diagnosis of interstitial lung disease using chest radiographs.AJR,1999,172:1311-1316.
11 Monnier-Cholley L,MacMahon H,Katsuragawa S,et al.Computer-aided diagnosis for detection of interstitial pacities on chest radiographs.AJR,1998,171:1651-1657.
12 Karssemeijier N,Otten JDM,Verbeek MD,et al.Computer-aided detection versus independent double reading of masses on mammograms.Radiology,2003,227:192-200.
13 Jiang Y,Nishikawa RM,Schmidt RA,et al.Potential of Computer-aided diagnosis to reduce variability in radiologists interpretations of mammograms depicting microcacifications.Radiology,2001,220:787-794.
14 Hadjiiki L,Chan HP,Sahiner B,et al.Improvement in radiologists′ characterization of malignant and benign breast masses on serial mammograms with computer-aided diagnosis:an ROC study.Radiology,2004,233: 255-265.
15 Yee J,Akerkar GA,Hung RK,et al.Colorectal neoplasia: performance characteristics of CT colonography for detection in 300 patients.Radiology,2001,219: 685-692.
16 Spinzi G,Belloni G,Martegani A,et al.Computed tomographic colonography and conventional colonoscopy for colon diseases: a prospective,blinded study.Am J Gastroenterol,2001,96:394-400.
17 Chen EL,Chung CL,Chen CL,et al.An automatic diagnostic system for CT liver image classification.IEEE Tran Biomed Eng,1998,45: 783-794.
18 Hong JS,Kaneko T,Sekiguchi R,et al.Automatic liver tumor detection from CT.IEICE Trans Inf & Syst,2001,84: 741-748.
19 Siromoney A,Rughurum L,Siromoney A,et al.Inductive logic programming for knowledge discovery from MRI data.IEEE Ingineering in Medicine and Biology,2000,10: 72-77.
(编辑：唐 城)
作者单位： 200040 上海，复旦大学附属华山医院放射科