人工智能已经广泛应用于很多医疗领域，随着技术的逐渐进步，其在医学影像领域中的应用得到了蓬勃发展。医学影像人工智能肇始于20世纪60年代，但是由于当时技术水平的限制，其发展并未达到预期。20世纪80年代，随着人工神经网络和基于人工智能的计算机辅助诊断(computer-aided diagnosis，CAD)软件的开发应用，人工智能开始逐渐整合到放射科日常工作流程中。进入21世纪以来，随着人工智能技术的飞速发展，其在医学影像尤其是肿瘤影像中的应用日新月异，在肿瘤检出、定性诊断、自动结构化报告、肿瘤提取及肿瘤放疗靶器官勾画等方面已经有较多的临床研究和应用。

人工智能是指具备解决问题能力，同时能够自我学习并解决相关衍生新问题的人工产品。人工智能技术整合入计算机系统，试图在解决某一问题时达到或超过人类的水平。由于医学影像临床工作的复杂性，直到近期人工智能技术才能进行精准的医学影像图像分析。目前学术界普遍接受的观点是，人工智能应用于医学影像日常工作中，可以减少放射科医师的重复简单工作并降低人为错误，但即使其能达到更高的技术水平并能控制成本应用于临床工作，也不能取代放射科医师的全部临床工作，尤其是需要与人沟通交流的相关工作。

人工智能在肿瘤影像中应用较为成熟的领域包括：① 肺部结节和肺癌筛查;② 乳腺癌筛查;③ 前列腺癌影像诊断。

1. 肺部结节和肺癌筛查

与基于人工智能技术的CAD软件和放射科医师分别单独进行诊断相比较，CAD软件与放射科医师共同诊断可以有效提高胸片和CT上肺结节的检出率。2016年进行的一项大规模研究在50台CT扫描设备上使用了4种CAD软件用以检出放射科医师漏诊的肺部结节，发现CAD软件可以检出56%~70%漏诊的结节，其中包括17%的3 mm以下肿瘤和69%~78%的3~6 mm肿瘤，这种大小的肿瘤经常被医师漏诊。使用更加先进的人工智能数据处理技术如多视点卷积网络，可以进一步降低CAD软件筛查肺部结节的假阳性率。如果不同放射科医师对肺部结节性质有争议，CAD软件的诊断意见有助于结节性质的判定。肺部结节和肺癌筛查的人工智能CAD软件可以帮助放射科医师准确检出早期小肿瘤，降低医师工作强度和人为错误的发生率。

2. 乳腺癌筛查

乳腺癌影像筛查是人工智能机器学习较早应用的领域，目前CAD软件已经较好地融入乳腺癌影像诊断的日常工作流程中。在乳腺钼靶X线摄影、超声、MRI及X线断层成像等不同检查方法中，基于人工智能的CAD软件筛查乳腺结节、诊断乳腺癌的准确性均较高。

CAD软件目前广泛应用于X线摄影对乳腺癌的筛查，相关研究主要集中在提高钙化灶和肿块检出的准确性方面。X线摄影对微钙化灶的检出率较高，但对肿块的检出率受腺体密度的影响。2016年，Patel等开发了自然语言处理软件算法，该算法准确获得了543例乳腺癌患者乳腺X线摄影的关键特征，并与乳腺癌亚型进行了相关性分析，其诊断速度是普通医师的30倍，且准确率高达99%。

CAD软件可以辅助乳腺MRI的视觉评估，并提供有用的附加信息。研究发现，CAD软件对MRI评估浸润性乳腺癌对新辅助化疗的反应具有高特异度，可达100%，但灵敏度较低，仅为52.4%，因此尚不能取代视觉成像评估。CAD软件对MRI评估浸润性乳腺癌的多灶性具有明显优势，但对评估淋巴结的转移状态效果不佳。

3. 前列腺癌影像诊断

前列腺癌是西方男性发病率第1位的恶性肿瘤，多参数MRI在前列腺癌的影像检出、定位和分期方面发挥着重要作用，但是前列腺多参数MRI技术较为复杂，序列较多，结果判读时间较长，难度较大。已有研究发现，基于多模态卷积神经网络的人工智能CAD技术，在多参数MRI中可以较准确地自动诊断前列腺癌。使用CAD软件也可以准确地进行前列腺区域自动分割和肿瘤体积测定。

此外，在肿瘤影像诊断临床工作中，基于人工智能的机器学习技术，在肿瘤患者影像学检查方法和流程制订、影像成像、自动化解析影像和结构化报告、图像质量分析、检查放射剂量预估等方面，也有相关的研究报道，在今后的肿瘤影像实际临床工作中可能会起到积极的作用。

随着人工智能技术的发展及其与临床数据的紧密结合，肿瘤影像数据结合临床数据，在人工智能辅助下转换成临床决策，是今后肿瘤临床诊疗路径中的重要发展方向。在肿瘤影像学领域，人工智能技术的介入结合大数据挖掘，使得肿瘤影像大数据在人工智能筛选、梳理和提取后，可能转换成有效的临床决策。2017年7月8日国务院印发的《新一代人工智能发展规划》提出了我国研发人机协同临床智能诊疗方案的计划。肿瘤影像技术的发展、人工智能技术的进步和医疗大数据的不断积累，必将促使肿瘤智能医疗的发展进入新时代。