AI看懂心脏病，医学成像被新技术颠覆！

医生如果遇到病人出现胸痛、身体紧张、呼吸急促，为了排除心脏病风险，会要求患者采用核磁共振成像检测心血管、心肌是否有损伤。

由于心脏被骨骼、肌肉等器官包裹，为了尽可能清楚的显示心脏情况，通常还会通过静脉为患者注射“造影剂”，简单说就是一种血液染色剂，它在和血液一起流动的过程中会附着在疤痕、增生组织等异常部位上，在核磁共振下就能帮助清晰显示心脏内部的情况。

这项技术的出现极大改进了核磁共振的检测精度，但也让患者必须忍受更多痛苦，而且价格还不便宜，如果自己有肾脏疾病也无法使用，因为造影剂仍然有一定毒副作用，对肾病患者有器官衰竭的风险。

虽然有种种问题，造影剂在检测上简单、快捷的优势难以取代，让它在众多新技术的挑战中都生存了下来。

最近科技前哨的小伙伴持续扫描生物医药技术前沿时发现，这个现状正在被人工智能技术所改变。

1.造影剂打败了更好的检测方式

2010年，牛津大学拉德克利夫医学系的斯蒂芬·皮奇尼克教授带领团队研究是否存在无需造影剂的方法。

利用名为无对比度T1核磁共振的改良技术，多次尝试后，在无需造影剂的情况下获取了心脏组织丰富信息，其丰富程度远超很多人想象，连非常微小的疤痕和造影剂无法显示的病理特征都能呈现出来。

更丰富的数据原本是好的，但这对传统的心血管医生而言却变成了噩梦，通过造影剂生成的影响只有伤口和疤痕组织会被凸显出来，可以很快做出判断，新的T1造影成像则是什么信息都会放在上面，需要专家花时间慢慢辨认才能看出一二。

这一点上的差别让新技术没有真正改变产业格局，只有少数医疗机构在特殊病例诊断时才会花时间使用这套方法，大多数时候为了加快病情诊断仍然会使用造影剂。

2.跨学科团队的新尝试

不过这一切都没有阻止研究者不断尝试新技术的决心，斯蒂芬团队在今年9月底再度发表新的研究成果，基于深度学习技术，集合核磁共振和心脏病专家团队的经验，开发了一种名为虚拟原生图像增强（VNE）的算法，可以自行评估成像结果上的心肌疤痕组织，判断哪些有引发心梗的风险。

这套算法的原理是将多个T1核磁共振成像结果与心脏的活动信息结合，突出显示其中的病理特征，这也就是它被称为“虚拟原生图像增强”的原因，其中的原生二字着重强调它不需要使用造影剂的特性。

这项研究已经发出就收到了不少关注，因为不少人已经发现这项技术还可以用于检测心脏病发作患者的疤痕组织，准确性更高还更为方便、快捷，能很好的评估心脏病发作患者是否有留院治疗的必要。

根据相关研究分析，这项技术成功应用可以将患者核磁共振扫描花费的时间从30-45分钟缩短到15分钟内。

斯蒂芬团队还在努力提高技术的可用领域，准备训练新的AI检测其他更复杂的心脏疾病，超越已有的核磁共振检测能力。

3.技术升级带来的跨学科突破

仔细看下前面提到的时间线，你就会发现这场研究的时间长度横跨10年，直到2021年斯蒂芬团队才提出新方法的概念原型，当时他们使用AI成功检测了年轻人心脏猝死常见原因——肥厚型心肌病，这才有了今天的新成果。

一般的研究团队肯定很难忍受一个成果常年闲置，但梳理斯蒂芬和他的团队经历我们发现，这个团队之所以能等这么长时间，因为他们一直都不缺研究项目。

他们的研究方法就是将跨学科技术应用到生物医学领域，在近30年的研究时间里，他们为医学研究引入了数据、生物物理建模、测量系统、先进成像、基因测序、人工智能等技术。

斯蒂芬团队相信这次用上的人工智能技术会成为行业标准，掀起一场医学成像技术的新变革。

也就在斯蒂芬团队新研究公布没几天，Google Cloud 推出了人工智能医学成像套件（Medical Imaging Suite），其中包含了人工智能辅助的医学成像诊断功能，既可以让医院的专家团队自行训练AI、积累经验，也可以使用现成算法帮助快速完成诊断工作。

谷歌之所以盯上这里，原因也很简单，核磁共振、x光等医学成像技术是医院诊断中占比最大的一部分，粗略统计每年有数十亿张诊断图像辅助诊断病因，占医疗数据的90%左右。

如此巨大的数据量，既能发挥人工智能的作用，又能反过来提高人工智能的能力，自然是AI企业眼中的低垂果实。

那么人工智能加持的影像识别会多快到来呢，其实这就要回到医疗产业的先天结构来看，在这个相对封闭的领域中，我们判断人工智能等新技术的应用还需要时间，反而是前沿研究领域必须赶紧用上。

如果你是某个领域的研究者，赶紧学学人工智能，把手里的数据变成具体的AI功能，不需要花太大力气就能开辟一条新的赛道，甚至可以借此推出新的学术工具，成为新的研究标准也不是没有可能。