薛万国：PACS发展应考虑医学影像AI研发和应用两大需求

来源：HIT专家网      作者：姜浩 根据录音整理

“影像辅助诊断已成为医学人工智能的主要应用方向。医生既是医学影像AI的使用者，也是生产者，这对传统PACS（Picture Archiving and Communication Systems，图像归档与传输系统）提出了许多新需求。”

2021年6月25日，在由HIT专家网主办、GE中国协办的“医学影像人工智能时代的PACS发展趋势”在线论坛上，解放军总医院医学大数据研究中心原主任薛万国以“AI时代医学影像数据分析及与PACS的融合”为题发表了主题演讲。

现有PACS缺乏对医学影像AI研发与应用的有机衔接

目前，一批医学影像AI系统已研发成熟，进入临床应用阶段，涵盖肺结节、眼底影像、冠脉血管等病种，提供图像自动分割、识别、测量、特征分析等方面的功能。解放军总医院也在医学影像AI应用领域进行了研发探索，薛万国首先通过两个案例展示了医学影像数据分析的典型应用和研究过程。

第一个研究为肝脏肿瘤影像自动识别与术前评估。该研究的目的是对肝脏CT影像进行自动识别，识别并自动分割肝脏肿瘤，对手术切除肝段的体积进行计算，评估手术可行性。研发团队首先通过临床诊断和检查项目，筛选出肝脏肿瘤CT检查的病例。在临床医师和工程师的共同参与下，分别进行肝脏分割标注、肿瘤分割标注、肿瘤定性标注、肝分段标注及血管分割标注工作，并利用深度学习对已标注的影像进行训练，建立了肝脏和肿瘤分割和识别模型。在此基础上，通过三维重建，计算手术切除肝段体积，判断手术是否可行，并形成完整报告。

第二个研究为利用影像组学特征预测口腔鳞状细胞癌颈淋巴结转移。该研究的目的是通过术前CT影像组学特征，预测口腔鳞状细胞癌患者是否发生颈淋巴结转移，为手术方案提供参考。研发团队首先以住院科室、手术名称、病理结果为条件筛选研究病例，然后对患者术前CT影像的肿瘤区域进行标注，再通过滤波器提取肿瘤区域的影像组学特征，通过统计学分析筛选相关特征，在对特征和病理结果机器学习的基础上建立颈淋巴结转移预测模型。

总结上述案例，薛万国认为，一个典型的医学影像AI数据分析过程可分为五步：第一步，在电子病历数据中设定入组条件，筛选患者，得到相关医学影像检查日期和检查标识；第二步，根据患者和检查日期信息在PACS中进行影像提取，并筛选出最终参与建模的影像数据；第三步，对影像数据进行标注；第四步，根据标注进行AI模型训练和建模工作；最后，对已建好、训练好的AI模型进行检验与测试。

“在这个过程中，有三点值得注意：放射科或临床医生会深度参与医学影像AI研究过程；筛选病例和用于AI训练的数据同时来源于PACS及临床电子病历；AI模型需要利用PACS数据进行验证并在应用过程中从PACS获取数据。”薛万国由此总结出现阶段医学影像AI在研发与应用过程中存在的一些问题：

在研发方面，目前医院普遍缺乏临床及影像特征一体化的影像数据检索系统，需要先查找出相关的患者，再通过患者标识、检查日期、检查类型在PACS中人工比对出所需要的影像数据；研发人员需要在PACS、标注系统、训练平台之间进行多次数据下载、上传工作，系统间的数据与流程割裂，人工操作费时费力，需在不同系统之间辗转腾挪；PACS只提供影像数据管理和临床阅片功能，缺少AI研究所需的病例影像入组和数据集管理功能。

在应用方面，自主研发形成的AI模型无法与PACS集成，测试不便，只能将PACS中的影像手动导入AI模型进行测试；外来的AI产品是独立应用，缺乏与PACS的集成，与影像科工作流程不匹配，使用便利性不足；AI工具大多是针对单一部位或单一疾病研发的，并未从根本上减轻医生的阅片工作量。这些正是很多AI工具无法有效应用于临床的原因。

AI与PACS之间应形成“无缝连接”

“AI时代对PACS提出了新需求。”薛万国认为，由于放射科或临床医生直接参与医学影像AI研究，PACS系统应具备较强的影像数据管理分析功能，包括：符合研究条件的病例检索与影像数据提取，影像标注及训练数据集的管理，AI模型的训练、管理及测试，以及影像报告的结构化等，通过集成化的工作平台从而为AI研究提供便利。

同时，医院自主研发的AI模型及引入的大量外部AI产品，需要集成到PACS中形成统一的工作流程，并实现以下功能：AI系统可在线获取PACS影像，PACS阅片过程中可集成调取AI功能，AI系统诊断结果及参数可传回至PACS报告中等。

薛万国具体阐述了期待PACS功能升级的几个“关键点位”：

在病例影像筛选中，一般过程为：首先是临床数据筛选，在临床数据库中按人口学信息、疾病、手术等条件筛选；其次是检查报告数据筛选，在检查记录及报告中按时间、部位、结果等条件进一步筛选；第三是影像数据筛选，在DICOM影像中按检查参数继续筛选；最后，经人工确认形成影像数据集。“我们希望能将前三个筛选环节整合在一起，最后仅需一次人工确认即可形成数据集；同时我们也期望PACS能配合提供病例检索功能，并关联到对应的影像。”薛万国说。

在影像数据集管理中，影像数据集的建立一般有两种模式：回顾性模式，即通过历史影像数据筛选病例；前瞻性模式，即医生在阅片过程中将符合入组条件的影像直接纳入数据集。薛万国期待，PACS能增加对影像研究数据集的管理功能，包括增加影像数据特征标签、建立研究数据集与原始影像的关联、支持影像的人工标注等。

“为使AI与PACS之间形成‘无缝连接’，需要进行数据集成与界面集成。”在薛万国看来，影像数据集成有两种模式：模式一为主动分发推送，也即PACS按照检查类型、部位等条件将相关影像数据提前推送到对应的AI系统中，这要求PACS增加影像分发服务功能，定义分发规则（如按检查部位、项目等进行分发），从而避免将全部PACS影像都发送至每个AI系统，造成资源占用与浪费。模式二为调阅时获取，也即医生在PACS阅片时，将当前影像ID通知AI系统，由AI系统向PACS发起影像获取，该模式可减少无谓的影像调用，但可能会增加AI调用和医生阅片等待时间。而在阅片界面集成方面，需要在PACS阅片界面中嵌入AI系统链接，AI系统对当前影像处理后可直接呈现结果，同时需要实现结构化报告集成。

综上所述，AI时代PACS的发展路径已呼之欲出：在资源管理方面，除传统PACS影像与检查报告管理外，也需对影像主题数据集、标注数据、AI模型库等形成管理；在功能集成方面，应在传统阅片功能基础上“嵌入”而非“外挂”AI发展成果，包括对AI模型的引用与测试、对外来AI系统的应用集成等，同时还应包括研究病例筛选、影像标注与训练、影像数据集管理等功能，以充分支持放射科及临床医生开展医学影像分析研究和AI成果应用。

【责任编辑：秦勉】