趙俠 賀軻

人工智能（artificial intelligence，AI）技術延伸至醫(yī)學領域，給近代醫(yī)學的發(fā)展進步提供了強有力的動力，AI通過將臨床醫(yī)學相關診療共識、指南等信息納入計算機系統(tǒng)協(xié)助解決了臨床醫(yī)生諸多臨床問題[1]?，F(xiàn)階段，“實體醫(yī)療”和“深度學習”是AI的主要應用領域，前者主要包括參與醫(yī)療服務的機器人、醫(yī)療設備和物理對象，后者主要是一種基于經(jīng)驗的數(shù)學算法，可醫(yī)療影像工作中展示出人意料的表現(xiàn)。病理學和影像學圖片是臨床醫(yī)師診斷病情的重要依據(jù)，亦是人工智能的絕佳應用場景[2]。近年來，計算機輔助檢測（computer-aided detection，CAD）在影像學圖片的識別中表現(xiàn)出較高臨床價值，可通過影像學、醫(yī)學圖像處理技術以及其他可能的生理、生化手段并結合計算機分析計算，以此高特異性和敏感性的識別圖像的異常，從而為醫(yī)師的診斷提供信息參考，以降低假陰性率、誤診率、漏診率和提高病變檢出率[3]。但現(xiàn)階段國內對于智能醫(yī)師助理的關鍵技術和應用仍缺乏系統(tǒng)報道。基于此背景，本次研究以胸部平片為對象，擬搭建胸部X線平片智能醫(yī)生助理診斷生成系統(tǒng)，現(xiàn)將結果進行如下報道。

1 資料與方法

1.1 一般資料

對本院2018年 1 月—2020 年 1 月所有胸部X線檢查圖像及其對于報告進行收集，本次研究數(shù)據(jù)集中總納入圖像及其對于中文報告1 100份，報告涵蓋：肋骨骨折、縱隔占位、心臟病、食管裂孔疝、胸腔積液、氣胸、肺部腫塊和肺部感染等。所有報告均由本院兩名副主任及以上醫(yī)師進行雙盲審片。以符合審核標準的圖像及其報告建立數(shù)據(jù)集，并以GDSGRYY123為數(shù)據(jù)集名稱，并按10%、10%和80%的比例將數(shù)據(jù)集進行分類，其中80%用于訓練、剩下各10%分別用于測試和驗證。

1.2 方法

1.2.1 網(wǎng)絡的主體框架 視覺信息編碼器采用了一個121層深度聯(lián)系的DenseNet以從X線圖像中提取相關信息，編碼器包括4個部分，每部分均由多個卷積層組成，而4個部分之間均由過渡層連接。DenseNet增強特征增值，激勵特征再利用，同時降低了梯度消失的問題，這有利于將該網(wǎng)絡向更小的數(shù)據(jù)集中推廣應用。DenseNet的最終結果將輸入長短期記憶網(wǎng)絡（long short-term memory network，LSTM），由模塊對特定的X線圖像所代表的結果進行生成對應的描述。采用的注意機制為柔性的，即將圖像不同部分的線性組合作為網(wǎng)絡的注意區(qū)域。源于DenseNet的輸出結果，模塊在計算過程中會生成一套注意權重，將注意權重與對應向量相乘，可獲得一個可以對圖像進行解釋的附有權重信息的數(shù)據(jù)表示，而這些權重又將再次進入下一次的循環(huán)來對下一條詞句進行預測。開頭和結尾分別以兩種特殊的標記來進行標記，以＜unknown＞來對頻率小于3的詞語進行標記。

1.2.2 訓練步驟 本次試驗的預訓練數(shù)據(jù)集采用了ChestX-ray8數(shù)據(jù)集，ChestX-ray8數(shù)據(jù)集包含了14種疾病的標記和共計11萬張X線圖像，將原始X線圖調整為了256×256的大小來對報告生成模塊進行訓練，LSTM的植入值設置為256，其隱藏單元設置參數(shù)為512，并采用了Adam優(yōu)化器進行全局優(yōu)化，亦通過設置相關標準來對原始報告和程序生成的報告進行了質控比較，方案為：首選在本院影像科挑選2名具有豐富閱片經(jīng)驗的醫(yī)生來對最終形成報告進行質量評估，報告選擇為隨機于原始數(shù)據(jù)集中隨機選取100份由本院影像科醫(yī)生給出報告（專家組）和由訓練完成的系統(tǒng)給出報告（模型組）100份。其中2名具有豐富閱片經(jīng)驗的醫(yī)生與專家組醫(yī)生互為不同的人。

1.3 觀察指標

參考Iacobas等[4]的方法，采用CIDEr對圖像進行評價，并由評價結果對系統(tǒng)所出報告和醫(yī)師人工給出報告的一致性進行評價。

本次圖像報告均采用5級評分制，既1～5分，得分越高代表報告越能準確描述實際病情。具體評分依據(jù)為：1分報告對主要異常情況描述丟失或不準確；2分報告含有但未能準確的描述主要異常情況；3分報告能準確描述主要異常情況，但對動脈鈣化、心影變化、胸腔外科術后、纖維條索影和陳舊性病變等胸內次要異常描述丟失；4分報告能準確描述主要異常情況，但對體外異物或脊柱側凸等胸外次要異常的描述丟失；5分報告能準確描述所有異常情況。根據(jù)報告評分進行診斷價值分析。

1.4 統(tǒng)計學處理

應用SPSS 19.0軟件處理數(shù)據(jù)。計量資料用（±s）表示，兩組間比較用t檢驗；計數(shù)資料以率（%）表示，組間比較用χ2檢驗。P＜0.05為差異有統(tǒng)計學意義。采用受試者工作曲線（ROC）根據(jù)報告評分進行診斷效能分析。

2 結果

2.1 兩組生成報告評分結果對比

本次評分結果中，5分報告模型組有79份，專家組有83份，組間比較差異無統(tǒng)計學意義（P＞0.05）；4分報告模型組有10份，專家組有6份，組間比較差異無統(tǒng)計學意義（P＞0.05）；3分報告模型組有6份，專家組有5份，組間比較差異無統(tǒng)計學意義（P＞0.05）；2分報告模型組有0份，專家組有3份，組間比較差異無統(tǒng)計學意義（P＞0.05）；1分報告模型組有5份，專家組有3份，組間比較差異無統(tǒng)計學意義（P＞0.05），兩組生成報告評分平均分值比較差異無統(tǒng)計學意義（P＞0.05），見表1。

表1 兩組生成報告評分結果對比

2.2 專家組和模型組診斷價值比較

專家組報告的靈敏度和特異度分別為90.57%和89.36%，AUC 值為 0.889，95%CI（0.810 ～ 0.943），模型組報告的靈敏度和特異度分別為88.68%和87.23%，AUC值為0.852，95%CI（0.767 ～ 0.915）。見表2 和圖1。

表2 專家組和模型組診斷價值比較

圖1 專家組和模型組ROC曲線

3 討論

醫(yī)療數(shù)據(jù)中有90%來自于醫(yī)學影像，眼底鏡圖像、病理圖像、CT圖像、X線圖像等圖像作為輔助檢查的重要手段，已在臨床疾病的診斷中得到了廣泛的應用，為臨床醫(yī)師的診斷提供了重要的信息參考[5-6]。隨著影像成像設備和技術的長足發(fā)展，更小的異常、解剖結構的可視化和獲取更高分辨率圖像逐漸成為可能，然而增加每位受試者的平均圖像數(shù)量是獲取更高分辨率圖像的重要前提，這預示著未來影像科將面臨更復雜和更龐大的圖像解讀工作，而現(xiàn)階段臨床影像數(shù)據(jù)的處理仍主要依靠影像科醫(yī)生進行，而圖像的日趨復雜、病變細微和疲勞勢必會影響影像科醫(yī)師的工作效率，加之需處理的影像數(shù)據(jù)日趨遞增而醫(yī)生增長速度不足恐將難以應對臨床實際需求[7-9]。人工智能（artificial intelligence）是一門涵蓋數(shù)學和計算機科學的綜合科學，其目的是為了擴展、延伸和模擬人的智能技術、方法、理論和應用系統(tǒng)，操作自動化，可有效減少人力成本，并提高效率。而近來隨著AI和醫(yī)學交叉學科的發(fā)展基于AI的智能醫(yī)生助理在各種影像任務的治療反應中和風險評估、檢測、診斷中的價值逐漸受到臨床醫(yī)生的關注[10-11]。

人工智能的算法種類眾多，主要包括抗生成網(wǎng)絡[12]、隨機森林[13]、支持向量機[14]和人工神經(jīng)網(wǎng)絡[15]等。本次模型的開發(fā)采用了結合注意力機制和結合注意力機制的遞歸神經(jīng)網(wǎng)絡，該模型可依據(jù)患者臨床胸部X線報告自動生成診斷報告，以作為輔助診斷依據(jù)為臨床醫(yī)生的臨床診斷判別提供參考。在模型訓練過程中，模型輸出報告在5分區(qū)間內的占比達到79.00%，這與本院經(jīng)驗豐富的影像科醫(yī)生83.00%的水平基本一致，且在實踐過程中發(fā)現(xiàn)本次系統(tǒng)尚具備優(yōu)化空間，屆時可更好地為臨床醫(yī)生的診斷提供信息支持。Schena等[16]開發(fā)的人工智能工具確定了因IgAN易患ESKD的個體，并預測了事件發(fā)生時間的終點。Sa等[17]回顧了人工智能在放射學的應用現(xiàn)狀，發(fā)現(xiàn)深度學習人工智能技術可為影像科的發(fā)展帶來巨大幫助。而模型組AUC為0.852，特異度達到87.23%，這與上述研究結果基本類似，表明模型組可為臨床醫(yī)師的診斷提供富有價值的影像學報告?？紤]原因可能為模型具有下述優(yōu)勢：（1）隨著影像學的發(fā)展，更高清晰度的影像檢查結果勢必會增加閱片工作量，而更加復雜的影像結果呈現(xiàn)，亦對會影像學醫(yī)師的判斷增加諸多干擾，而模型當輸入足夠的訓練數(shù)據(jù)集后，模型可獲取較高的特異度和靈敏度，這有利于為影像科醫(yī)師提供更佳的信息參考，以便降低因個人經(jīng)驗或情緒、疲勞等客觀因素帶來的誤差，從而有效提升報告的可信性和科學性，亦為臨床醫(yī)生的判斷和治療方案的制定提供了更佳的信息參考；（2）基層醫(yī)院由于醫(yī)生的技術水平有限，而大醫(yī)院重復勞動強度大、診療中信息負載高是現(xiàn)階段我國醫(yī)療資源分布極度不平衡的現(xiàn)實問題，而模型可自動生成與人類專家水平相似的圖像報告，從而可以為基礎醫(yī)院醫(yī)生提供更佳的信息支持和同時減輕大醫(yī)院影像科醫(yī)生的重復勞動；（3）模型具有較優(yōu)質的擴展性，模型可通過對院內每日生產(chǎn)的影像學報告進行學習，從而進一步提升模型診斷的靈敏度和特異性。

綜上所述，通過開發(fā)智能醫(yī)生助理可有效減輕影像科醫(yī)生工作量，可提供接近于人類專家水平的影像報告，從而為臨床醫(yī)師的臨床鑒別診斷和后續(xù)的方案制定提供更加科學、系統(tǒng)的信息支持，值得臨床推廣應用。但由于數(shù)據(jù)樣本量的限制未能饋入更大樣本的數(shù)據(jù)集以訓練模型，故在今后的工作中仍需繼續(xù)對模型進行進一步擴展和完善。