跳转至

第21章：当前可用的心胸影像人工智能软件（Currently Available Artificial Intelligence Softwares for Cardiothoracic Imaging）

心脏影像续篇（续前章 Cardiac Imaging 末尾）

本节承接上一章 Cardiac Imaging 主题的结尾段落，主要补充几家厂商在心脏 MR 测量自动化与诊断支持上的产品。Circle CVI 报告称其自动化测量工具在每个研究上可节省最多 19 分钟的计算时间（参考文献 26、27）。Galgo Medical 开发了用于组织特征化（tissue characterization）的工具，能帮助电生理医生可视化心肌纤维化（myocardial fibrosis）以辅助消融（ablation）规划（参考文献 28）。此外，一些公司开发了后处理算法，用于高亮延迟心肌强化（delayed myocardial enhancement）区域，并将这些区域叠加在 CMR 图像上，从而辅助放射科医生更容易识别异常延迟强化的模式以协助诊断。

胸部影像：采集、重建与后处理

进入 Thoracic Imaging 部分后，章节首先讨论采集、重建与后处理。在 CT 采集方面，应用目标是降低辐射剂量并改善患者摆位。Siemens 开发了自动将患者居中（gantry centering）的软件以优化辐射剂量与图像质量（参考文献 29、30）。Canon 与心脏 CT 中的做法类似，开发了通过机器学习辅助重建（machine learning-assisted reconstruction）来降低 CT 辐射剂量同时保持常规剂量图像质量的算法（参考文献 14）。Subtle Medical 将类似技术应用于 PET 扫描，使得在使用 1/200 标准放射性示踪剂剂量（radionuclide tracer）下完成高分辨率 PET 扫描，扫描时间最多缩短 75%（参考文献 31）。ClariPi 与 AlgoMedica 通过实现去噪（de-noising）算法实现超低剂量 CT，其表现可优于 FBP（filtered back projection，滤波反投影）与迭代重建（iterative reconstruction），图 21.2 展示了 AlgoMedica 的 PixelShine 产品在 1.3 mGy 剂量下经机器学习重建得到的图像与 12.4 mGy 剂量 FBP 重建图像质量可比，相比同剂量 FBP 图像噪声显著降低（参考文献 32–35）。

在图像后处理方面，有一种独特的方法是去除多余解剖结构以让关注发现更加显现。例如 Riverain 使用 AI 去除胸片中的肋骨与锁骨，使肺实质更加可见（参考文献 36、37）；同时他们还有一种算法可以去除胸部 CT 中的肺血管，使肺结节（pulmonary nodules）更加可见（参考文献 38、39）。

胸部影像：诊断

胸片（CXR，chest radiograph）是商业 AI 算法的主要关注领域，原因在于胸片临床使用量巨大、公开训练数据丰富，且可诊断的范围相对有限。从技术角度看，二维胸片相比三维算法在计算上开销更低，更适合在临床环境中高效应用。许多公司针对胸片诊断开发了算法，最常见的是肺炎（pneumonia）和气胸（pneumothorax）检测（参考文献 1）。GE 特别将气胸检测算法直接集成到便携 X 光机中，能在中度至大量气胸事件中于检查点（point of care）即时给出结果（参考文献 40）。其他常见的诊断目标包括心影增大（cardiomegaly）、肋骨骨折（rib fractures）和肺结节（lung nodules）的检测。不那么常见的算法包括气管内插管（endotracheal tube）和中心静脉导管（central line）定位，由 DeepTek、Oxipit、RADLogics 和 Riverain 等公司提供。

由于胸片可能同时存在多种异常，许多厂商提供可同时检测多种疾病的方案。Oxipit 可检测 75 种最常见的胸片诊断，覆盖了 90% 以上常规胸片可能出现的异常（参考文献 41、42）。如果算法对某项无异常的研究具有较高置信度，它还会为该正常研究生成初步报告供放射科医生批准（参考文献 41）。Enlitic 同样覆盖多种胸片诊断，并且是第一个获准在国防卫生局（Defense Health Agency, DHA）与退伍军人事务部（Veterans Affairs, VA）医疗机构中使用的算法（参考文献 43）。Qure.ai 提供 29 种不同病理的检测并自动在 worklist 中分流 X 光片（参考文献 44），其研究显示在检测肺部混浊（pulmonary opacities）、胸腔积液（pleural effusions）、肺门突出（hilar prominence）和心影增大（enlarged cardiac silhouette）方面，Qure.ai 算法与训练有素的放射科医生之间无统计学差异（参考文献 45）。

这些软件产品中，有许多可提高研究吞吐量或缩短在医疗资源不足地区的阅片时间，无论国内还是国际。Qure.ai 的 qXR 已在印度被部署为结核病（tuberculosis, TB）筛查工具，原因在于该病在该地区患病率较高而放射科医生短缺（参考文献 46–48）。前瞻性研究显示，该软件对痰培养确认的 TB 患者具有可接受的筛查灵敏度（参考文献 49）。其他针对结核病筛查的公司包括 Thirona、1Qbit（在加拿大获批）、DeepTek、PVMed 和 Radisen。

胸部 CT 比胸片更具挑战，原因在于扫描为三维，增加了复杂性与计算需求，且可能的病理数量更多也更为细致（参考文献 1）。虽然深度学习在胸部 CT 中的多个用例与胸片相似，但胸部 CT 中最压倒性的主流任务是肺结节的检测、测量与特征化。肺结节检测是繁琐且重复的任务，非常适合自动化。进一步而言，肺结节检测模型的训练不需要患者随访或病理确认，因此训练数据更易于收集与标注。超过 15 家公司针对肺结节管理的某个或多个方面，包括 Aidoc、Arterys、Aidence、Infervision、Mindshare Medical、Mint Medical、Vuno 和 Zebra Medical。其中许多公司超越肺结节检测并辅助 Lung-RADS 评分，这要求算法能跨多次检查检测并追踪结节，从而自动评估结节大小和特征的变化。

还有几种算法被开发用于 CT 肺动脉造影（CT pulmonary angiograms）上的肺栓塞（pulmonary embolism）检测。Aidoc 目前已获得 FDA 批准用于肺栓塞检测，可对阳性扫描进行分流以便放射科医生更快判读（参考文献 50、51）。他们还提供一种方法来检测常规胸部 CT（不是按肺动脉造影采集的）上偶然发现的肺栓塞。

多家公司已瞄准肺部疾病量化任务。具体而言，肺实质（lung parenchyma）分析可以通过测量气体陷闭（air trapping）和气道形态（airway morphology）来定位和量化肺气肿样改变（emphysematous changes）。所得发现常可辅助术前规划。Thirona 已开发出此类软件并获 FDA 批准。其他类似公司包括 Coreline Soft、Botkin.AI、ScanMed、TeraRecon、JLK Inspection、Siemens 和 VIDA。一种新颖的肺部疾病可视化应用来自 4D Medical，该公司使用透视电影序列（fluoroscopic cine sequences）在呼吸周期的所有阶段评估局部肺功能与通气（ventilation）（参考文献 52）。该软件随后将通气量化结果叠加在先前或并行的胸部 CT 上（图 21.3），声称其潜在优势在于提高慢性肺病监测的粒度与灵敏度，同时降低辐射暴露。

由于近来新冠（COVID-19）大流行，许多公司正在开发胸片和胸部 CT 算法以诊断和追踪 COVID-19 肺炎的消退。RADLogics 开发了一种研究性算法，根据 CT 特征计算 "Corona score"（新冠评分），用于检测疾病、量化疾病负担（disease burden）并评估 COVID-19 进展（参考文献 53）。Care Mentor AI 类似地开发了一种分割和评估疾病负担的方法，并使用后处理掩码（post-processing masks）勾画肺损伤（参考文献 54）。RADLogics 还为胸片开发了类似的评分方法来评估 COVID-19 疾病严重程度（参考文献 55）。

其他非肺实质异常，如椎体压缩性骨折（vertebral compression fractures），已被多家公司检测，包括 Aidoc、Zebra Medical 和 Siemens，均已获得监管批准用于该用途。公司瞄准此功能的原因在于压缩性骨折在急诊含脊柱 CT 扫描中很大程度被低估报告，估计仅有三分之一的椎体骨折会得到临床关注（参考文献 56、57）。

胸部影像：PET/CT

PET/CT 也是 AI 算法的目标，不过这一领域公司数量少得多。4Quant 在 PET 和 CT 上使用影像组学（radiomics）特征自动分期非小细胞肺癌（NSCLC，non-small cell lung cancer）（参考文献 58、59）。其他如 MIM software 等公司则可自动检测、分割并量化高代谢病灶（hypermetabolic lesions）。

小结

商业放射学 AI 软件在心胸影像领域的产品数量与覆盖范围都在持续增长。最常见的应用对应于最常见的影像检查——即胸片与胸部 CT——尽管许多应用已为更复杂的任务（如心脏影像相关）开发完成。非判读类应用（non-interpretive applications）包括用以提升图像质量的图像重建以及用于简化判读的后处理。AI 软件成功采用的一大障碍仍在于能否将模型与现有工作流紧密集成；不过在未来几年，随着 AI 应用变得更加普及、厂商互操作性（interoperability）不断提升，这一状况应会有所改善。

本章个人批注

本章是一份"产品地图"式的扫盲综述，作者 Tadavarthi 等明显是站在临床采购者与影像信息学家的视角，把当时（≈2020）市场上可数的、与心血管和胸部影像相关的商业 AI 产品按解剖/任务维度铺开。读完后我有几条印象：

  • 章节高度依赖厂商名与文献编号，结构性观点反而稀薄。全文实质主线只有两条：(1) 非判读类（采集、重建、后处理）改善工作流与剂量；(2) 判读类（CXR 病理、肺结节、肺栓塞、肺气肿量化、PET/CT 肿瘤分期）辅助放射科医生。前一条强调"省时/降剂量"，后一条强调"漏斗式筛查"——二者的整合在最后 Summary 中被总结为"互操作性"才是真正的瓶颈。
  • 胸片是商业 AI 真正的"主战场"，CXR 章节被写得最长（≈110 行），涉及 Qure.ai、Oxipit、Enlitic、GE 等多家公司；与之相对，PET/CT 只用 5 行就讲完——这种不对称是数据可获得性、计算成本与诊断范围有限性三方面共同决定的，与作者在文中给出的解释完全一致。
  • "省 19 分钟测量时间" 是这一章里少数带具体数字的论据，但它出现在 Cardiac Imaging 续篇的开头，让我意识到 ch20 末尾很可能就是因为这个数字截断的——这种带数字的论据在产品综述中其实很稀有，反而成为我记忆的锚点。
  • 4D Medical 的呼吸周期通气叠加 是全文中最具"研究感"的新颖应用，与传统肺结节检测那种"扫一眼"的工程化任务形成对比；其引文也明显少（只有一篇产品手册 [52]），暗示了它当时还处于早期阶段。
  • COVID-19 一节 给我一种"事后补丁"的感觉：用 "Recently, due to the novel COVID-19 pandemic" 开头，叙述 RADLogics、Care Mentor AI 等公司的快速响应，引用了 arXiv 预印本（[53, 55]）而非期刊文献——明显是 2020 年中期的应急成果。这种时代印记放在 2026 年回头看，反而成为这一版章节最值得保留的特征。
  • Summary 中点明的"互操作性瓶颈" 是本章的隐含论点：作者列了几十家公司，但读者会立刻意识到，要把它们真正接入 PACS/worklist/报告系统，难度远大于开发模型本身。这点也是 ch18（CT 自动后处理）和 ch11（worklist 优先级与结构化报告）中反复出现的核心议题。

与上下章的衔接（一段话）

本章放在 ch20（MR 指纹 + AI）之后、ch22（心脏 CT 指南与 AI）之前，处在 Part II "AI：基础"和 Part III "AI：心脏应用"之间。ch20 已经从技术原理（字典生成、空间编码、模式匹配、深度学习重建）角度深入讨论了心脏 MR 的指纹方法，ch21 则把视角完全转向产业——列举那些已经走出论文、可以采购的成品软件，作为 Part II 技术章节与 Part III 临床章节之间的"市场现状"过渡。下一章 ch22（Marchitelli 等）立刻把焦点拉回到 ESC/ACC/AHA 指南层面，讨论 AI 在指南制定（topic choice、文献检索、证据质量评级）和临床决策中的角色，与 ch21 的"产品清单"形成"指南/政策"与"市场/产品"的呼应，把 AI 在心脏 CT 中的角色从"已有产品"扩展到"制度层面如何容纳它们"。因此 ch21 在整本书中扮演的是"商业化断层扫描"——既回望前面十几章涉及过的各类 AI 应用究竟在市场上兑现了多少，又为后面 Part III 各临床章节提供了"这些 AI 工具现在可不可用"的背景。