【摘要】" 塵肺是由于吸入無機礦物粉塵而引起的肺部纖維化疾病，塵肺病是我國最常見、危害最大的職業(yè)病之一。塵肺病的診斷很大程度上仍然取決于放射科醫(yī)師和塵肺病診斷醫(yī)師的經(jīng)驗，往往容易造成漏診和誤診，也不利于人群的快速篩檢。當下，人工智能（artificial intelligence，AI）技術(shù)不斷發(fā)展，逐步應(yīng)用于醫(yī)學領(lǐng)域，在遠程會診、影像學圖像識別方面都顯示出巨大的優(yōu)越性。塵肺病是我國影響范圍最廣泛的職業(yè)病，嚴重損害勞動者的身體健康，當下我國塵肺病的診斷主要通過醫(yī)師對X線胸片做出判斷，診斷結(jié)果的準確性和穩(wěn)定性無法保證，隨著人工智能輔助診斷在塵肺病臨床研究中越來越廣泛，考慮可以將人工智能輔助診斷納入國家標準，這在一定程度上可實現(xiàn)塵肺病的早期診斷，實現(xiàn)塵肺病患者早診斷早治療的目的，提高患者生存質(zhì)量，延長生存時長。

【關(guān)鍵詞】" 塵肺；人工智能輔助診斷；人工智能

中圖分類號" R135.2" " 文獻標識碼" A" " 文章編號" 1671-0223（2023）10--04

Artificial intelligence-assisted diagnosis of pneumoconiosis should be incorporated into national standards Pei Shasha， Li Jinlong， Shen Fuhai. School of Public Health， North China University of Science and Technology， Tangshan" 063000， China

【Abstract】" Pneumoconiosis is a group of heterogeneous fibrotic lung diseases that develops through the inhalation of inorganic mineral dusts.1 Until now， pneumoconiosis is the most common occupational disease in China. It not only causes a high level of mortality but is also responsible for the great socio-economic loss. However， providing an accurate diagnosis still largely depends on the experience of the doctor. However， this is not conducive to treatment. In recent years， advances in artificial intelligence （AI） technology have led to the rapid clinical implementation of devices with AI technology in the medical field. In contrast， imaging examinations have shown great advantages in the assessment of Diagnostic imaging and teleconsultation in patients. With the implementation of AI， scholars have lately turned to establish models using AI algorithms to diagnose pneumoconiosis. This would help detect the disease early and thereby help institute appropriate control measures. We are considering the possibility of incorporating AI-assisted diagnosis into national standards， which could， to a certain extent， enable early diagnosis of pneumoconiosis， achieve early diagnosis and treatment of pneumoconiosis patients， and improve the quality and length of survival of patients.

【Key words】" "Pneumoconiosis; Artificial intelligence assisted diagnostic system， Artificial Intelligence

塵肺病是由于在職業(yè)活動中長期吸入生產(chǎn)性粉塵并滯留在肺部而導致的肺組織彌漫性纖維化為主的慢性全身性疾病[1]。在過去的幾十年中，中國已采取多種預防和控制措施，但塵肺的發(fā)病率仍處于較高水平。根據(jù)《2020年我國衛(wèi)生健康事業(yè)發(fā)展統(tǒng)計公報》顯示：2020年全國共報告各類職業(yè)病新病例17064例，其中職業(yè)性塵肺病新發(fā)病例人數(shù)達14367例，占職業(yè)新發(fā)病總?cè)藬?shù)的84.19%，情況仍舊不容樂觀。

GBZ70—2015指出：塵肺病診斷主要手段是高千伏X線胸片以及數(shù)字化攝影（DR）。X線胸片憑借其易普及、易操作、低費用以及結(jié)論客觀等諸多優(yōu)勢，仍舊是塵肺病檢查的主要手段，因而塵肺病診斷的關(guān)鍵在于通過識別X射線后前位胸片對塵肺病進行診斷和分級。在實際操作過程中，病例具有個體化差異，往往和塵肺病X線標準片差異較大，若醫(yī)師經(jīng)驗不足，則很容易出現(xiàn)誤診漏診的情況，再加上診斷醫(yī)師對診斷標準的理解和對標準片的認識不同，在塵肺病患者的早期診斷方面仍存在諸多爭議[3]；加上目前塵肺病診斷醫(yī)師較少，部分偏遠地區(qū)患者仍無法得到及時的診斷，所以延誤塵肺病患者治療時機的情況仍時有發(fā)生[4]，這將嚴重損害患者的身心健康，也不利于我國職業(yè)病防治工作的開展。

當下，人工智能（artificial intelligence， AI）技術(shù)不斷發(fā)展，逐步應(yīng)用于醫(yī)學領(lǐng)域，在遠程會診、影像學圖像識別方面都顯示出巨大的優(yōu)越性，針對塵肺病的診斷，國內(nèi)外學者正在試圖借助人工智能進行肺部疾病的輔助診斷，從而及早發(fā)現(xiàn)機體損傷，并對其嚴重程度進行評價[5]。人工智能輔助診斷技術(shù)結(jié)合了圖像分析、影像學和人工智能等多種手段，結(jié)合計算機的分析運算能力，建立特定疾病診斷的數(shù)學模型，進而對該類型疾病的病灶進行分類、預測或定位。計算機輔助診斷系統(tǒng)能夠?qū)︶t(yī)學影像進行準確且快速的解讀，為醫(yī)生提供可靠的參考意見，在原始影像中發(fā)現(xiàn)疑似病灶并對其類型進行辨別，從而大幅降低放射醫(yī)師人工閱片的工作負擔與難度，并進一步提升醫(yī)務(wù)工作者的閱片準確率與效率。因此人工智能輔助診斷技術(shù)在塵肺病的診斷方面的發(fā)展前景十分可觀，現(xiàn)在這方面的研究已經(jīng)引起國內(nèi)外學者的廣泛關(guān)注[6]，因此，我們將從以下幾個方面對人工智能輔助診斷在塵肺病診斷中的利弊進行分析研究。

1" AI輔助診斷技術(shù)的優(yōu)越性

1.1" 塵肺病診斷現(xiàn)狀

根據(jù)2010年的調(diào)查研究結(jié)果顯示[7]，我國接塵作業(yè)人數(shù)達一千萬，而具有相應(yīng)診斷資格的執(zhí)業(yè)醫(yī)師僅有不到5000人，所以每十萬接塵人員僅擁有診斷醫(yī)師0.65名，所以當前的醫(yī)師數(shù)嚴重不足，所以大量的患者無法得到及時有效地診斷和治療，除此以外，從事職業(yè)病診斷的機構(gòu)和醫(yī)師數(shù)量也呈下降趨勢，致使患者需求和診斷能力之間的不平衡進一步加大，針對這一現(xiàn)狀，每一位診斷醫(yī)師都面臨巨大的工作量，日復一日地機械重復高強度的影像學診斷，不僅會造成醫(yī)師視覺疲勞、工作效率低下，嚴重打擊其工作積極性，也不利于醫(yī)師醫(yī)學素養(yǎng)的提升和創(chuàng)新意識的養(yǎng)成。針對這一問題，國內(nèi)外學者試圖通過AI輔助診斷技術(shù)來尋找新的解決思路，以期提高診療效率，幫助診斷醫(yī)師降低工作壓力；簡化繁重的工作；提高醫(yī)師的診斷信心。在專業(yè)人員不足或者面臨巨大工作量的情況下，可以使用AI輔助診斷技術(shù)提高診斷效率，在偏遠落后地區(qū)可以配備給基層的職業(yè)衛(wèi)生工作者，從而可以直接對接到一線工人，對疾病進行快速篩查，很大程度上節(jié)省了人力物力。

1.2" 提高塵肺病篩查的準確率

塵肺病的正確診斷的關(guān)鍵在于對根據(jù)肺陰影的密集度和分布的肺區(qū)，從而對胸片進行正確解讀。在實際操作過程中，對于貳、叁期塵肺病的診斷較為簡單，而在未患病和塵肺壹期的界定中，往往會存在較多爭議，特別是診斷經(jīng)驗不足的醫(yī)師極易出現(xiàn)漏診和誤診[8]，因而診斷的工作并不簡單。汪偉等[9]通過對比人工診斷和人工智能讀片，對兩者的準確性地進行研究，研究結(jié)果顯示：TMNet模型準確率達95.20%，診斷經(jīng)驗十年以上的塵肺病醫(yī)師診斷準確率為76.00%，診斷經(jīng)驗五年以下的塵肺病醫(yī)師診斷準確率為56.00%。由此可見人工診斷主要依靠肉眼主觀觀察，很容易出錯，此外，當診斷醫(yī)師工作量較大時，醫(yī)生可能會因為疲勞而忽視細微的病理改變，而人工智能不會感到“疲勞”，診斷結(jié)果也不會因人而異，結(jié)果輸出穩(wěn)定，因而使用人工智能輔助診斷可能會得到比人工診斷更準確的診斷結(jié)果。

1.3" 經(jīng)濟性

為彌合患者需求和診斷能力兩者之間的差距，我們需要花費大量時間和心血來培養(yǎng)高素質(zhì)的診斷醫(yī)師。然而專業(yè)醫(yī)師的培養(yǎng)并不是一蹴而就的，培養(yǎng)一位合格的診斷醫(yī)師大約需要花費5～8年時間，這并不代表醫(yī)師立刻就可以勝任這項工作，在實踐中逐漸積累經(jīng)驗方能成就一名優(yōu)秀的醫(yī)師，所以培養(yǎng)出一名優(yōu)秀的職業(yè)診斷醫(yī)師需要投入大量的時間和金錢，這也在無形之中增加了患者治療的成本。AI輔助診斷程序在安裝下載后，可以無限次數(shù)隨時隨使用，因而人工智能輔助也有助于降低診斷的成本。

1.4" 有利于疾病的二級預防

目前針對塵肺病沒有特效的治療手段，但是研究結(jié)果表明塵肺病的早發(fā)現(xiàn)、早診斷、早治療對于改善塵肺病的長期預后具有十分重要的作用，絕大多數(shù)塵肺患者都死于晚期的多種并發(fā)癥，其中呼吸系統(tǒng)并發(fā)癥占51.80%，心血管疾病并發(fā)癥占19.90%，因而塵肺病的早期診斷和治療對于改善塵肺病患者的預后和抑制疾病的進展具有重要的意義[10]。

1.5" 避免人為的干預

當下政府部門對于塵肺診斷要求嚴苛，因此當下塵肺病的確診環(huán)節(jié)十分復雜，雖說這使得塵肺病的誤診率很低，但這無形之中建立了極高的標準體系。在這樣的標準下，執(zhí)業(yè)醫(yī)師在對塵肺病患者進行診斷時，為避免假陽性的出現(xiàn)，也會下意識地提高診斷標準，從而造成漏診病例增加，部分塵肺壹期患者不能得到及時的診斷，從而延誤其治療時機。AI輔助診斷技術(shù)地應(yīng)用于塵肺病診斷，則可以有效地避免人為因素對于診斷結(jié)果的影響，從而得到更加客觀的診斷結(jié)果。

2" 關(guān)于AI輔助診斷技術(shù)的爭議

人工智能是一項具有歷史性意義的深刻變革，但是與此同時關(guān)于它的質(zhì)疑聲仍然存在[11]，因而在看待人工智能作用時，不僅應(yīng)該看到通過高質(zhì)量數(shù)據(jù)和計算機運算能力在提升診斷的靈敏度和特異度方面的作用，也應(yīng)該考慮其可能產(chǎn)生的不良后果。

2.1" 過度依賴

對AI輔助診斷技術(shù)的主要擔憂是它可能會導致診斷醫(yī)師的專業(yè)能力下降，醫(yī)師過于依賴人工智能而不是臨床實踐經(jīng)驗，從而無法獨立地對病情進行正確診斷，Topol將這種現(xiàn)象描述為“直覺偏誤”，這是指：即使在機器得出錯誤的結(jié)論時，我們也會傾向于接受它的結(jié)論[12]，尤其是經(jīng)驗較少的醫(yī)生更有容易接受機器給他們的建議，從而無法識別機器得出的假陰性和假陽性結(jié)果[13]，造成健康者的醫(yī)療資源浪費和患者治療時機的延誤。然而這一弊端并不是不可規(guī)避的，我們可以通過診斷醫(yī)師的規(guī)范培訓提高他們在獨立決策的能力[14]。

2.2" 隱私泄露

人工智能應(yīng)用程序的機器學習基礎(chǔ)是大量的研究數(shù)據(jù)，因此能否維護這些數(shù)據(jù)的隱私和安全的問題十分關(guān)鍵。大量個人健康數(shù)據(jù)的數(shù)據(jù)泄露表明，數(shù)據(jù)的隱私和安全問題并沒有得到有效解決[15]。加拿大放射科醫(yī)師協(xié)會人工智能工作組在談到放射學中與人工智能相關(guān)的倫理和法律問題時強調(diào)：大量醫(yī)療數(shù)據(jù)的收集、存儲和使用對加強立法、技術(shù)進步和數(shù)據(jù)安全保障提出了新的要求[16]。

2.3" 偏倚的存在

當前針對AI輔助診斷技術(shù)的研究仍存在數(shù)據(jù)集過小、數(shù)據(jù)代表性不強等問題，數(shù)據(jù)集成不良或驗證不足，使得研究的穩(wěn)健性和可重復性仍有待考證。此外，一些機器學習模型可能會出現(xiàn)過擬合和欠擬合的偏差。研究也可能受到發(fā)表偏倚影響，研究者往往傾向于只發(fā)表表現(xiàn)良好的算法。在接下來的研究中，使用更大的數(shù)據(jù)集（包括臨床信息）執(zhí)行算法，可以克服一些技術(shù)問題，例如過度擬合。此外，為了避免選擇偏倚的限制，應(yīng)該設(shè)定嚴格的納入排除標準，對于人工智能診斷的金標準也需要反復考證其準確性，當標準本身不正確時后續(xù)的研究也勢必無法準確。

2.4" 技術(shù)問題

當下，AI輔助診斷應(yīng)用于塵肺病診斷這項技術(shù)仍不成熟，主要表現(xiàn)在：①不同機構(gòu)胸片拍攝水平有高有低，這在一定程度上限制了人工智能的應(yīng)用；②人工智能對塵肺小陰影的鑒別方式仍有所欠缺；③醫(yī)師人工閱片水平良莠不齊，不能作為塵肺病診斷的金標準，即使是頂級專家的判斷也不一定完全正確；④關(guān)于當前人工智能診斷效能的可信度，仍需要進一步確定[17]。所以仍舊需要大量研究使其具有可行性。在接下來的研究中，應(yīng)該對人工智能系統(tǒng)進行調(diào)整和優(yōu)化，克服技術(shù)難題，使其可以更好地造福人類。

2.5" 數(shù)據(jù)損失

常見的計算機輔助診斷胸片算法主要有兩類：基于規(guī)則的算法和基于機器學習的算法，前者是基于肺部的位置、紋理等特征設(shè)立一些啟發(fā)式規(guī)則來實現(xiàn)分類正常區(qū)域與陰影區(qū)域，而后者是基于圖像中的各個像素進行分類，這種方法需要通過訓練集訓練來提取圖像特征。由此可見，當下人工智能輔助塵肺病診斷從理論上講都是通過讀取患者的DR胸片，然后對胸片進行接下來的數(shù)據(jù)分析，而不是直接讀取DR胸片的原始數(shù)據(jù)。胸片由數(shù)字轉(zhuǎn)換為影像，再由影像轉(zhuǎn)為數(shù)字的過程中會造成信息損失，使得到結(jié)果存在爭議。因此，在接下來的研究中我們可以考慮是否可以直接讀取胸片的原始數(shù)據(jù)，從而避免信息損失，進而得到更準確地分析結(jié)果。

3" 針對塵肺病診斷標準的建議

塵肺病作為我國當前發(fā)病率排名第一的職業(yè)病，其診斷和治療都值得我們引起重視。因此我們倡議針對塵肺病診斷的國家標準應(yīng)該進行規(guī)范化調(diào)整。

當下塵肺的診斷標準制定十分嚴格，要求全面，但在實際應(yīng)用中，屢屢出現(xiàn)“不適用”和悖于“以人為本”的情況；尤其是社會底層的邊緣人群，負面影響可能會更明顯，塵肺病極高的門檻，將部分患者阻隔在診斷之外，使其合法權(quán)利無法得到維護，這部分人大多是經(jīng)濟水平和文化水平均不高的農(nóng)民工，他們需要救助，卻苦于沒有途徑，從而貽誤治療時機。

職業(yè)病診斷并不是單純的醫(yī)學問題，而是醫(yī)學與法律的綜合性判斷。根據(jù)《職業(yè)病診斷與鑒定管理辦法》規(guī)定，在勞動關(guān)系存在爭議時，可以提起上訴，這個過程會使正常的職業(yè)病診斷程序因受到訴訟影響而中止，和用人單位勞動關(guān)系的認定也較為困難也導致其無法盡快完成職業(yè)病診斷。但實際上職業(yè)病的診斷過程中，證明勞動雇傭關(guān)系并不必要，所以我們認為對塵肺病職業(yè)病相關(guān)標準的修改十分必要。

根據(jù)《塵肺病診斷標準》規(guī)定，塵肺病只有在塵肺病確診之后方能對塵肺病進行賠償和治療，而實際上在塵肺病診斷之前纖維化就已經(jīng)存在了，因此診斷后才對其進行治療，實際上已經(jīng)延誤了塵肺病的早期治療時機，因而在塵肺病表現(xiàn)出臨床指征前就應(yīng)該對其進行治療。但是根據(jù)當前醫(yī)療政策，塵肺病不包括在職工醫(yī)保和居民醫(yī)保的報銷范圍內(nèi)，因此即使在塵肺未確診之后，在用人單位沒有為勞動者辦理工傷保險的情況下，仍需要自己先行墊付醫(yī)藥費進行纖維化的治療，以后還會因為用人單位的自己緊張而延誤報銷，給塵肺病患者帶來經(jīng)濟與心理的巨大負擔。因此我們認為應(yīng)將塵肺病分為疾病診斷與職業(yè)病鑒定兩個階段，而人工智能輔助診斷在第一階段將發(fā)揮重要作用。

AI輔助診斷技術(shù)應(yīng)用于塵肺病診斷不僅僅只是一個技術(shù)問題，人工智能的發(fā)展最終應(yīng)該促進所有生物的福祉，人工智能的發(fā)展成果應(yīng)當被全人類所共享，改善人類賴以生存的社會和環(huán)境，推動人類和社會繁榮進步，增進人民和社會福祉[18]，因此我們可以借助人工智能促進社會醫(yī)療資源公平，從而實現(xiàn)人工智能的發(fā)展成果被全人類所共享。所以我們倡議將AI輔助診斷技術(shù)納入職業(yè)病診斷標準，這對于AI輔助診斷技術(shù)的落地具有重要意義。

4" 參考文獻

[1] 金凡力，張藍熙，陳鍇，等.細胞因子在塵肺發(fā)病機制中的研究進展[J].中華勞動衛(wèi)生職業(yè)病雜志，2020，38（12）：948-952.

[2] Karkhanis VS， Joshi JM.Pneumoconioses[J]. Indian J Chest Dis Allied Sci， 2013，55（1）：25-34.

[3] 張磊，朱磊，李志恒，等.煤工塵肺住院患者疾病負擔及其影響因素分析[J].北京大學學報（醫(yī)學版），2014，46（2）： 226-231.

[4] 張鎦琢，李智民，羅軍，等.塵肺病診斷讀片差異性分析[J].職業(yè)衛(wèi)生與應(yīng)急救援， 2019， 37（5）：425-428，40.

[5] 汪偉.基于深度卷積神經(jīng)網(wǎng)絡(luò)的塵肺病DR影像診斷研究[D].唐山：華北理工大學， 2021.

[6] 季冰，劉伶俐.人工智能在醫(yī)學影像領(lǐng)域的應(yīng)用與挑戰(zhàn)[J].中國醫(yī)學倫理學，2019，32（8）：981-985.

[7] Singh R，Kalra MK，Nitiwarangkul C，et al.Deep learning in chest radiography：Detection of findings and presence of change[J].PLoS one，2018，13（10）：e0204155.

[8] 張敏，陳鈞強.人工智能技術(shù)在塵肺病診斷中的應(yīng)用研究進展[J].環(huán)境與職業(yè)醫(yī)學，2020，37（2）：192-196.

[9] 汪偉，李寶平，沈福海，等.塵肺胸片人工智能讀片三種模型效能比較研究[J].環(huán)境與職業(yè)醫(yī)學，2022，39（1）：41-46.

[10] Hao C，Jin N，Qiu C，et al.Balanced Convolutional Neural Networks for Pneumoconiosis Detection[J].Int J Environ Res Public Health，2021，18（17）：9091.

[11] Spiegel JM，Ehrlich R，Yassi A，et al.Using Artificial Intelligence for High-Volume Identification of Silicosis and Tuberculosis：A Bio-Ethics Approach[J].Ann Glob Health，2021，87（1）：58.

[12] Topol EJ.High-performance medicine：the convergence of human and artificial intelligence[J].Nat Med，2019，25（1）：44-56.

[13] Carter SM，Rogers W，Win KT，et al.The ethical， legal and social implications of using artificial intelligence systems in breast cancer care[J].Breast，2020，49：25-32.

[14] Coiera E.The fate of medicine in the time of AI[J].Lancet，2018，392（10162）：2331-2332.

[15] Liu V，Musen MA，Chou T.Data breaches of protected health information in the United States[J].JAMA，2015，313（14）：1471-1473.

[16] Winfield AFT，Jirotka M.Ethical governance is essential to building trust in robotics and artificial intelligence systems[J].Philos Trans A Math Phys Eng Sci，2018，376（2133）：20180085.

[17] 王崢，張建芳，錢青俊.我國職業(yè)性塵肺病診斷標準的演變和發(fā)展 [J]. 中國工業(yè)醫(yī)學雜志，2017，30（01）：69-71.

[18] Okumura E，Kawashita I，Ishida T.Computerized classification of pneumoconiosis on digital chest radiography artificial neural network with three stages[J].J Digit Imaging，2017，30（4）：413-426.

[2023-02-09收稿]