随着虚拟仿真技术的不断进步,医学手术可视化系统也经历着由二维平面到三维立体,由数字化到网络化、智能化的发展进程。采用混合现实技术的可视化系统也将更广泛的应用于医学手术的病例讨论、手术规划、术中指导、术后评估和康复等各个阶段,从而进一步促进医学手术的高智能化、高精确化发展,提高医疗质量和服务水平。本文探讨了基于混合现实技术的医学手术可视化系统的构成与技术特点,并简要介绍了几类混合现实技术在医学手术可视化中的典型应用,为混合现实技术在医学手术中的应用提供了新的视角。

医学大数据的快速积累和人工智能技术的进步正在推动癌症精准医学发展到更高的水平。人工智能技术在辅助癌症诊断、疗效评估、预测预后等方面的研究已取得了显著进展。高质量、前瞻性和大样本的队列研究是未来探索人工智能在精准肿瘤学中进一步应用的关键。我们呼吁不同领域的研究人员对人工智能新技术的发展及这些技术在临床中的合理应用予以关注，加强多中心合作，设计和建立完善的数据库及标准化的数据采集协议。相信人工智能将在癌症精准诊疗的临床应用领域取得实质性进展。

抗肿瘤药物的快速发展改善了恶性肿瘤患者预后。以CT、MRI和PET为代表的影像学手段作为重要的终点替代指标,在新药临床试验中发挥着越来越重要的作用。但因抗肿瘤药物作用靶点、应用线数等不同,治疗后影像学征象变化的个体差异较大,单用RECIST标准已无法满足个体化精准评效的需求。影像组学作为一种依托于新兴计算机技术的特征提取和模型构建手段,有望协助临床进行抗肿瘤药物治疗疗效的精准评估。本文介绍了影像组学的基本概念,回顾了影像组学在抗肿瘤药物疗效评价方面的最新进展,深入分析影像组学在预测肿瘤分子标志物、评价治疗疗效和预后预测方面的应用潜力,探讨了目前影像组学在抗肿瘤药物临床研究中存在的主要问题和未来发展方向。

目的我们开发了一种在实验室测试中具有较佳表现的通用病变检测模型ULDor。本研究旨在通过外部数据集和内部数据集对其检测性能进行测试并评估其在临床上的应用价值。
方法 通过卷积神经网络（convolutional neural network,CNN）构建通用病变检测模型（ULDor）。该模型经过DeepLesion数据集和其他5个特定器官的公共数据集对模型进行训练,其中DeepLesion数据集包括12,000多组CT扫描图像及其中80,000多个病变注释。验证测试集包括外部和内部验证数据集。外部验证数据集由一家综合医院回顾性收集的164组胸部（含上腹部）CT平扫检查图像组成,内部验证数据集由来自美国国家肺筛查试验（NLST）的187组胸部低剂量螺旋CT扫描图像组成。我们运行ULDor对这两个测试集的图像进行病变检测,记录并测量模型所检测出的所有肺外器官（包括肝、肾、胰腺、甲状腺、淋巴结、体壁、胸椎,等）的占位性病变;另由三名经过资格认证的放射科医生对两个测试集进行人工阅片,以此为标准对ULDor的检测结果进行验证分析,采用阳性预测值和灵敏度来评价模型的检测性能。
结果 在外部验证中,模型对所有病变的整体阳性预测值和敏感性分别为57.9%和67.0%,平均每组图像检测出2.1个病变,其中0.9个是假阳性。ULDor检出肝脏病变的能力最佳,阳性预测值为78.9%,敏感性为92.7%,其次是肾脏,阳性预测值为70.0%,敏感性为58.3%。在内部验证中,尽管图像的软组织噪声水平较高,ULDor仍实现了75.3%的阳性预测值和52.0%的灵敏度。
结论ULDor在外部真实数据的验证显示模型在多用途计算机辅助诊断方面对于某些器官占位病变具有较好的检测效能。通过进一步优化和迭代升级,ULDor或许可以很好地推广应用到外部数据。

全球范围内,肝细胞癌(Hepatocellular carcinoma, HCC)是第六大常见恶性肿瘤,也是癌症相关死亡的第四大原因。中国HCC病例占全球病例的50%以上,导致HCC成为重要的公共卫生问题。尽管HCC诊断和治疗取得了进步,但高复发率仍然是HCC治愈的主要障碍。目前,多组学技术的融合促进了临床上疾病的监测、精准诊断和个体化治疗。无创的影像组学利用术前影像图像反映特定临床结局相关的细微像素级的模式变化。影像组学已广泛应用于预测组织病理学诊断、评估治疗反应和预测疾病预后。高通量测序技术和基因表达谱分析使基因组学和蛋白质组学能够识别HCC中不同的转录组亚型和反复性的遗传改变,这将揭示病理生理学上复杂的疾病发生过程。医学大数据的积累和人工智能技术的发展使我们更好地从多组学的角度深入理解HCC的发病机制,并显示出将HCC的外科治疗或介入治疗转化为抗肿瘤发生机制治疗的潜力,这将极大地推动HCC精准诊疗的发展。

目的 开发一种用于慢性胃炎病理分类的深度学习算法,并使用全切片病理图像（whole slide images,WSI）评估其性能。
方法 回顾性收集解放军总医院胃活检标本1,250例（胃炎1,128例,正常胃黏膜122例）。分别使用1,008张和100张WSIs,基于DeepLab v3（ResNet-50）架构训练和验证深度学习算法,并在142张WSIs的独立测试集上测试该算法对不同胃炎亚型的诊断效能。
结果 模型为测试集中的慢性浅表性胃炎（chronic superficial gastritis,CSuG）、慢性活动性胃炎（chronic active gastritis,CAcG）和慢性萎缩性胃炎（chronic atrophic gastritis,CAtG）作出诊断所生成的受试者工作特征（receiver operating characteristic,ROC）曲线的曲线下面积分别为0.882、0.905和0.910。深度学习算法对CSuG、CAcG和CAtG分类的敏感性和特异性分别为0.790和1.000（准确度0.880）、0.985和0.829（准确度0.901）、0.952和0.992（准确度0.986）。对三种不同类型胃炎诊断的总体准确度为 0.867。通过在 WSI 中标记算法识别的可疑区域,可以生成更为透明和可解释的诊断结果。
结论 深度学习算法使用WSI对慢性胃炎进行病理学分型具有较高的准确性。通过预先标记出不同类型胃炎的区域,深度学习算法可以作为辅助诊断工具,提高病理医生的工作效率。

卵巢癌是世界范围内常见的三大妇科恶性肿瘤之一,但病死率居首位。近年来,许多医学及工程技术研究尝试将人工智能（artificial intelligence,AI）技术应用于卵巢癌诊治的多个临床场景中,在医学影像AI技术的开发与应用中取得了较为丰富的进展。AI相关的医学影像研究主要涉及计算机断层扫描、超声成像和磁共振成像。我们对AI在卵巢癌医学影像方面的已发表的研究进行了文献检索和回顾,从卵巢癌的影像诊断、病理分类,靶向活检引导以及预后预测四个方面深入分析了医学影像领域AI相关研究的最新进展,同时对其现状及存在的问题进行了相应阐述。

本期专辑聚焦人工智能在医学领域的最新进展,包括当前人工智能在医学应用中的重要算法和技术的综述、在一些深耕医学领域及疾病的计算机辅助诊断研究现状、人工智能的多种应用范例,以及人工智能与医学合作继而改变常规医疗实践活动的潜在途径。我们希望本专辑能使人工智能专业人士和医学实践者们更全面地了解医学人工智能的现状,启迪更多的思路,助力医学人工智能领域的深入发展。

近年来,人工智能在医学影像领域得到快速发展,但医院、研究机构及企业方面的合作尚不充分,在技术成果转化和产品价值落地方面存在诸多问题。针对医学影像人工智能发展道路上的一些核心问题,中国医学影像AI产学研用创新联盟组织编撰了《中国医学影像AI白皮书》。本文介绍了中国医学影像人工智能的产学研用结合现状、临床需求及AI技术转化过程待解决的关键问题：鲁棒性、易用性和安全性。要真正实现医学影像AI产品应用价值,目前需要面对诸多挑战,如缺乏生产标准、数据脱敏标准、测试评价标准及适宜有效的政策监管等。医学影像AI向更深发展,需要核心算法的突破,需要医生的深度参与,需要资金投入和社会的耐心,更需要政府破解落地等诸多环节的难题。

目前,人工智能正在重塑医学成像技术并迅速发展。在本文中,我们评述了人工智能（Artificial intelligence, AI）赋能医学影像的最新进展。首先,简要回顾了人工智能演进的相关背景;然后,我们讨论了近年来人工智能在医学成像领域取得的成果,特别是在图像分割、配准、检测和识别等方面。此外,我们还介绍了几个具有代表性的 AI支持的医学成像应用场景,包括胸部 CT的肺结节,神经影像学和乳腺X线摄影等。AI在这些方面的应用表现出其在医学实践活动中应用的优势。最后,我们报告了人机交互的方式。我们认为,在未来的发展中,AI不仅会改变传统医学成像和图像阅读方式,也将改变当前的常规诊疗模式,并且介入到医疗领域的其他方面。

人工智能正迅速地应用于包括医学在内的广泛领域,并被认为是一种可以在初级医疗保健中增强或替代专业医务人员的方法。然而,人工智能也同时引发了一些挑战和伦理问题的关注。本文作者从人工智能在医学和健康照护领域应用和前景、人工智能在一些前沿领域的特殊伦理关注、以及一些有参考价值的伦理治理体系三个方面进行了调查和探讨。尽管前沿人工智能在医疗领域的研究与开发具有很大潜力,但其应用所引发的伦理挑战对治理提出了新的要求。为确保医疗和医学领域的人工智能应用“值得信赖”,建议建立全球的伦理治理框架和体系以及医学领域前沿人工智能应用的专门指南。而其中最重要的方面,是应发挥政府在伦理监管中的作用和明确利益相关者在伦理治理体系中的责任。

区域性卫生平台汇集了多家医院的电子健康档案数据，已被用于医疗卫生管理领域。在临床研究中进一步复用这些数据是目前临床科研的公共需求，但是需要面对电子健康档案中医疗术语的不一致性以及区域卫生平台中数据质量和数据格式多样化等方面的挑战。我们提出了基于区域卫生平台电子健康档案半自动构建大规模队列的流程与方法，作为临床流行病学疗效研究的基础。 我们首先构建了一个中文医疗术语图谱，解决了区域医疗健康平台术语多样化的问题。其次，我们建立了利用中文术语知识图谱中的同义词关系和上下位关系归一化医疗术语来构建专病病例库的方法，并描述了构建了一个心力衰竭病例库的方法和步骤。根据一项观察他汀类药物对心力衰竭患者疗效的临床研究需求，我们基于此心力衰竭病例库，利用信息技术自动构建了一个由29647例心力衰竭患者数据构成的大型回顾性队列样本，并通过propensity score匹配获得了临床特征对等的病例组(n=6346)和对照组(n=6346)。以180天内再入院为结局指标，采用logistic回归分析发现，心力衰竭患者服用他汀类药物与180天内再入院有显著相关性（P<0.05）。本文为电子健康档案的大数据挖掘提供了工作流程和应用的范例。