影像组学作为一项新兴的组学技术，可将数字医学图像转化成海量的定量图像特征，从而达到深入挖掘成像组织病理生理学信息的目的。近年来，影像组学相关的研究数量呈指数增长，目前在肝胆疾病中的应用主要包括肝纤维化精准评估、肿瘤良恶性鉴别、生物学行为预测、临床疗效评价以及预后判断。影像组学分析联合机器学习算法已在无创、高效地预测肝纤维化程度、肝癌微血管侵犯与术后复发风险、胆道恶性肿瘤淋巴结转移及结直肠癌肝转移治疗效果方面崭露头角。尽管该技术在临床转化过程中仍面临诸多挑战，但随着大样本、多中心和多组学研究的深入开展，影像组学将在推动肝胆疾病精准诊疗方面拥有广阔的应用前景。

肝癌的发病率和死亡率在众多癌种中的排名均居前列，严重威胁人类的生命和健康。近年来，人工智能的飞速发展和精准医学理念的深化，使得医工融合研究呈现井喷趋势。病理组学作为一种人工智能驱动的新兴组学技术，可从高分辨率的全视野病理学图像中挖掘海量信息，在肝癌的诊断、治疗和预后评估等方面都展现出了广阔的应用前景。然而，肝癌的病理组学研究尚处于起步阶段，其科研范式及临床实际应用仍存在数据安全、伦理、“黑箱”问题等诸多争议和挑战。未来的研究应聚力开展前瞻性研究、整合多模态数据、改善计算性能以及制定行业标准，从而让病理组学技术更好地助力肝癌的精准诊疗。

甲状腺乳头状癌(PTC)占全部甲状腺癌的80％～90％,尽管其预后相对较好,但其发生颈部淋巴结转移(CLNM)的概率较高,常规超声检查诊断PTC CLNM存在一定的局限性.随着计算机技术和人工智能技术的飞速发展,超声影像组学(USR)逐渐受到关注.USR技术通过应用机器学习和深度学习等人工智能方法,从海量超声医学图像数据库中提取丰富的信息,并将这些图像信息转化为对临床决策有价值的内容,进而有助于精准诊断和有效治疗,提高患者的生活质量.本文综述了 USR在预测PTC CLNM方面的研究进展.

近年来,膀胱癌(bladder cancer,BCa)的发病率逐年上升,已经成为威胁中老年人健康的重要因素之一,BCa的早期发现和预后监测日益成为研究的热点.影像组学是一种高通量的定量特征提取方法,可以挖掘多模态医学图像中包含的信息,然后对这些海量图像进行综合分析以提取表型特征,并探索患者预后与这些提取的特征之间的关系.深度学习是一种表示学习方法,其中复杂的多层神经网络架构通过将输入信息转换为多层次抽象自动学习数据表示.本文从泌尿外科临床医生的角度,综述了影像组学和深度学习在BCa病理分级和分期预测、淋巴结转移预测和疗效评估等精准诊疗的研究进展,并对未来研究方向进行了展望.

超声诊断学的教学以图像为主要内容.影像归档和通信系统(picture archiving and communication system,PACS)主要功能是对图像进行获取、存储、显示、传输和管理,但应用于教学的功能不完善,近年来有医学院校逐步尝试通过从海量的数据中筛选并构建超声教学图库用于超声诊断学教学中.超声诊断学的教学主要集中在超声声像图的特点以及鉴别诊断,讲授的理论知识内容相对较少,正好契合了微课的大多特点.本文阐述了微课及超声教学图库在超声诊断学中的应用现状,通过微课的设计将超声诊断学的各系统的重点内容进行串讲、录制,结合超声教学图库进行读图训练,有效增加和丰富超声教学资源,提高学生的学习兴趣、自主学习能力和临床综合分析能力,缩短学习曲线,提高超声诊断学临床教学的学习效果.

随着医疗设备的快速发展,医学影像进入大数据时代,而如何快速处理海量数据并准确提取疾病诊治的关键信息是临床面临的重大难题.人工智能可快速高效的处理海量高维度影像数据,为解决该难题提供新突破口.本文基于人工智能在医学影像图像处理中的最新研究进展进行综述,探讨了人工智能在CT、MR及PET/CT设备中图像降噪、病灶分割及定量化处理方面的新动向,并提出人工智能在医学图像处理中存在的问题及建议.

影像组学是近年来研究的热点之一,可利用计算机软件从医学图像中提取海量的定量图像特征,在协助肿瘤患者的个体化治疗决策方面具有广阔的应用前景.尽管影像组学方法可量化肿瘤异质性,在肿瘤精准医疗临床决策中有重要辅助价值,且有巨大临床转化潜力,但欲将影像组学研究成果成熟应用于临床实践中仍须面对诸多挑战,希望国内学者能共同努力推动其临床应用转化,辅助个体化临床决策.

近年来,随着医学影像技术的快速发展,医学图像分析步入大数据时代,如何从海量的医学图像数据中挖掘出有用信息,对医学图像识别带来巨大的挑战.深度学习是机器学习的一个新领域,传统的机器学习方法不能有效地挖掘到医学图像中蕴含的丰富信息,而深度学习通过模拟人脑建立分层模型,具有强大的自动特征提取、复杂模型构建以及高效的特征表达能力,更重要的是深度学习方法能从像素级的原始数据中逐级提取从底层到高层的特征,这为解决医学图像识别面临的新问题提供了新思路.首先阐述深度学习方法,列举深度学习方法的三种常见的实现模型,并介绍深度学习的训练过程;随后总结了深度学习方法在疾病检测与分类和病变识别两方面的应用情况,以及深度学习应用在医学图像识别中的两个共性问题;最后对深度学习在医学图像识别中存在的问题进行分析及展望.

100多年来,医学影像技术迅速发展,已经成为医疗诊断中不可或缺的技术.进入数字影像时代以来,海量数据的产生为医学影像未来的发展提供了更多的可能性.因此,如何对医学影像大数据做进一步分析和挖掘、如何从医学图像高维度数据中提取有价值的信息、如何将现代医学影像的发展与精准医疗紧密结合,成为医学影像未来发展的重要课题.近年来,随着计算能力的增强和数据的爆炸式增加,以深度学习(deep learning,DL)为代表的人工智能(artificial intelligence,AI)技术取得了长足的进步,并开始应用于生产生活中的各个领域.笔者对DL技术的基本概念进行简要介绍,梳理该技术在医学影像领域的应用现状,并讨论DL技术与医学影像结合的前景与面临的挑战.

目的 研究、设计基于面向服务的架构(Service Oriented Architecture,SOA)的区域影像辅助诊断平台架构,实现影像业务服务整合和信息共享,为区域影像辅助诊断信息化应用提供技术支撑.方法 以鼓楼医院影像科为业务中心,通过采用SOA技术实现信息的交互与服务访问,实现海量图像资源的集成与共享.结果 实现市内各级医疗机构之间医学影像信息的跨机构再利用,提高诊断效率和服务质量.结论 区域影像辅助诊断平台的建设是实现分级诊疗和精准影像诊断的重要支撑,是促进三甲医院和社区医生的诊断和治疗资源共享的重要途径.