中国科学院作为国家最高科技学术机构和国家自然科学和高新技术综合研究开发中心，自成立以来，始终牢记使命，科学进步，祖国同行，繁荣昌盛。以国家和人民的幸福为己任，造就了一大批富有成果的人才。它为我国科技进步、经济社会发展和国家安全作出了巨大贡献，有着不可替代的重要贡献。  

如果癌细胞刚刚产生，就可以被精确地拔出，这将给癌症的诊断和治疗带来巨大的变化，为了达到这个目的，成像方法必须具有很高的灵敏度。  

近年来，中国科学院自动化研究所和中国科学院分子成像重点实验室在基于人工智能（AI）的新型成像方法的研究方面取得了突破性进展。研究人员已经将小鼠颅内胶质瘤的三维定位精度从传统方法的100微米误差降低到10微米误差，即对疾病动物模型甚至临床患者的成像。该研究提供了一种新的思路。相关的研究论文已经发表在《华尔街日报》上。Guang。  

图像不是从空间获得的，而是从成像设备获得的。传统的成像方法往往不能提供最佳的成像质量，在人类认知图像之前，在将成像信号转换成图像的过程中，会丢失大量的关键信息。人工智能技术可以突破这一瓶颈。论文的第一作者、中国科学院自动化研究所副研究员王坤告诉《中国科学期刊》，通过建立新的人工智能模型，可以将原始的物理信号转换成具有更多信息的高质量图像。精度高，分辨率高，伪影少，信噪比高。无论是人脑还是机器脑，都能够更好地识别、识别和学习，这是本研究带来的。  

早期发现肿瘤并不容易，特别是对于一些潜伏期长达20年的恶性肿瘤。当人体发出警报时，往往处于中晚期，如何准确检测早期微小肿瘤，并在肿瘤细胞首次出现时检测出某些特定的蛋白质、酶甚至RNA，一直是科学家们探索和研究的方向。  

然而，在现实物理世界中，能够提供如此高灵敏度的成像介质并不多，王坤坦率地说，目前公认的最好的是高能伽马射线和非辐射光子，但是基于伽马探测的核素成像昂贵且难以普及；光学成像便宜，但大多是两光子。o维图像，缺乏三维信息。  

我们利用人工智能来解决光学成像难以进行三维定量的问题，王坤说，也就是说，我们不仅能够看到是否存在高灵敏度的肿瘤，即哪种肿瘤的分子类型，而且能够高精度地知道肿瘤的位置和肿瘤的大小。  

王坤将光学成像称为生物发光层析成像技术，是生物医学成像的重要手段，在疾病动物模型的成像研究中得到了广泛的应用。通过检测动物表面的光斑，在体内进行e（即肿瘤）。  

清华大学医学院生物医学工程系研究员罗建文在接受《中国科学杂志》采访时说，以前光学层析成像重建问题大多是基于模型方法的，包括正反问题的求解。用辐射传输方程或扩散方程模拟光子在组织中的传播过程，得到系统矩阵。反问题通过一些优化方法求解，以获得光源在体内的具体信息，如位置、形状和强度。  

罗建文强调，这种基于模型的方法必然会受到模型逼近的影响，导致重建精度的降低。众所周知，前向和反向问题求解的两种误差是叠加的，最终导致三维空间中几百微米到1毫米的误差。光学层析成像对动物体内肿瘤的定位研究。  

为了减少误差，王坤的团队提出了基于机器学习的人工智能重构：放弃建立正向模型，完全描述光子在生物体中的传播。通过建立大量的模拟数据集，根据模拟数据确定动物表面的光斑和体内的光源，然后通过数据集训练表面的光斑和体内的光源之间的非线性关系，从而得到一个适合生物发光的人工智能模型。构建肿瘤组织学模型，重建肿瘤在动物体内的三维分布。  

本研究首次将机器学习中的多层感知器方法应用于光学层析成像重建。提出了自己的数据集构建方法，实现了从数据到结果的跨模型创新框架，将重构定位误差降低到传统方法的十分之一。罗建文评论道，同时指出人工智能方法可以解决光学层析成像重建问题。  

然而，王锣强调生物发光层析成像涉及基因编辑和癌细胞的修饰，因此它只能用于动物，而不能用于人类。然而，基于人工智能的三维重建方法具有普遍性，在理论上可以应用于激发荧光成像、近红外成像等其它光学分子成像技术，因此该方法本身具有良好的临床转化应用能力。  

机器学习基于数据。对于生物医学成像来说，构建大型数据集是非常困难的。  

例如，在我们的研究中，我们构建了将近8000只携带胶质瘤的小鼠来训练我们的机器学习模型。生物学家一个接一个地构建原位胶质瘤小鼠模型需要很长的时间和巨大的人力和财力，这是不切实际的。王坤说。  

王坤说，他们使用生物学家构建的真实胶质瘤小鼠来验证训练好的人工智能模型的准确性和可靠性。结果表明，新的人工智能方法对胶质瘤的三维定位误差小于80微米，而传统方法的定位误差大于350微米。  

同时，罗建文表示，在诊断、治疗和预后的一系列环节中，对于某些疾病的定性描述，不同的医生也有很大的自由度，难以统一表述；不同品牌甚至同一品牌的医疗器械采集到的图像模式不同，这些不一致的数据会影响深入学习分析的结果。  

另一个重要因素是模型的因果性和可解释性。罗建文强调医学与人类生活密切相关，所以任何事情都应该有理性和因果推理。然而，在制造机器学习模型时，很容易陷入直接建模相关性的陷阱。关联建模中涉及到两个因素之间的因果关系，如何解释模型结果的含义是一个难点。  

在罗建文看来，深度学习擅长处理高维稀疏信号，而图像就是这些信号的代表形式。因此，人工智能在医学图像处理中的应用必然是一个热门话题。  

医学图像处理的典型问题，包括图像分类、目标检测、图像分割和图像检索，可应用于临床日常应用或浪费人力的痛苦点。人工智能技术可以帮助成像医生尽快完成部分工作，并有可能改善他们现有的工作。  

然而，上海中医药大学附属黎明医院放射科主任詹松华说，从医生的角度来看，人工智能在检测病理变化方面确实作出了很大贡献，但是很难取代医生来处理它们。病变的特点，然后区分正常和异常，无论是炎症还是癌症，或最终由医生作出诊断。  

詹松华认为，生物医学影像人工智能的发展方向是正确的，但需要更多的研究投入，需要医师与工程师的良好结合，需要听从临床实践的声音，了解医生的实际需求，而人工智能是解决假阴性率的关键。为了节省医生的时间和精力，有必要提高人工智能机器判断的准确性。