萬 云

（廣州市第一人民醫(yī)院，廣東 廣州 510000）

1 背景

隨著現(xiàn)代科學技術(shù)的飛速發(fā)展，人工智能技術(shù)不斷涉足工作生活的各個領(lǐng)域，醫(yī)療健康正在人工智能應(yīng)用快速發(fā)展的重要領(lǐng)域，目前AI技術(shù)與醫(yī)學影像成像方法的結(jié)合已經(jīng)成為領(lǐng)域內(nèi)的研究熱點，相關(guān)的研究成果呈爆發(fā)式增長[1]。人工智能輔助診斷系統(tǒng)提供一個基于深度學習的智能醫(yī)學影像輔助診斷系統(tǒng)，深度融合入影像科醫(yī)生的工作流程中，在醫(yī)生閱片過程中提供智能輔助診斷信息，輔助醫(yī)生完成影像診斷，減少誤診和漏診，提高工作效率。肺癌是世界上對人類健康威脅最大的惡性腫瘤之一，發(fā)病率和病死率居所有惡性腫瘤首位[2]，薄層CT技術(shù)有助于檢測早期的肺癌，但薄層CT增加了CT成像數(shù)量和影像科醫(yī)師的閱片量，可能出現(xiàn)對肺結(jié)節(jié)的漏檢和誤診[3]。我院成立了人工智能輔助診斷中心，利用醫(yī)學影像輔助診斷系統(tǒng)輔助醫(yī)師進行肺結(jié)節(jié)篩查，提升醫(yī)生診斷效率和準確性。

2 基于多模態(tài)3D-CNN特征提取技術(shù)

CNN（卷積神經(jīng)網(wǎng)絡(luò)）是一種針對分類對象特異性學習的一種有監(jiān)督特征提取方法，已在很多領(lǐng)域有成功的應(yīng)用[4-5]，1988年，Wei Zhang提出了第一個二維卷積神經(jīng)網(wǎng)絡(luò)：平移不變?nèi)斯ど窠?jīng)網(wǎng)絡(luò)（SIANN）并將其應(yīng)用于檢測醫(yī)學影像。但經(jīng)典的2D-CNN應(yīng)用于肺部腫瘤多模態(tài)圖像，同一病人的不同模態(tài)強調(diào)的信息不同，不同病人的腫瘤位置、大小、灰度差異等也各不同，將經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)運用到CT肺部腫瘤分割會出現(xiàn)如下問題：首先，要對肺部腫瘤圖像進行分割，必須對單個像素點進行分類，所以原始輸入只能是單個像素點的鄰域，而這個鄰域的大小難以把握；其次，不同病人肺部腫瘤大小不一，同一病人不同圖像層肺部腫瘤的大小也不一樣，即使通過訓練層確定了原始輸入層的鄰域值，也難以保證此鄰域適合這個病人所有的腫瘤點。

多模態(tài)3D-CNN原始輸入層由四個模態(tài)共同構(gòu)成，通過3D卷積自動提取各個模態(tài)之間的差異信息，最后的特征向量作為像素屬性特征，用分類器對像素進行分類，有監(jiān)督學習方法實現(xiàn)了針對不同病人差異信息提取不同的分類特征；下采樣使得特征提取包含更多的結(jié)構(gòu)邊緣信息，同時剔除冗余信息和噪聲；多模態(tài)共同輸入使得原始輸入需要更少的鄰域信息，以適應(yīng)不同圖像層的腫瘤點，提高肺部腫瘤的分割精度。

結(jié)合肺部CT圖像的特點，采用多模態(tài)3DCNN特征提取方法，充分利用各個模態(tài)的差異信息，同時兼顧腫瘤大小的差異變化，可以提取更豐富的鄰域信息及邊界信息，更好的區(qū)分邊界模糊的腫瘤點與非腫瘤點，快速準確地分割肺部腫瘤?；诙嗄B(tài)3D-CNN特征提取方法以及圖像識別和深度學習技術(shù)開發(fā)的人工智能醫(yī)學影像輔助診斷系統(tǒng)，結(jié)合權(quán)威醫(yī)學專家診斷經(jīng)驗和大量樣本數(shù)據(jù)，能自動從醫(yī)學影像中檢出病灶并對良惡性作出判斷，輔助醫(yī)生快速、準確地完成影像診斷[6-7]。

3 系統(tǒng)應(yīng)用

本院自2017年起成立人工智能輔助診斷中心，采用基于多模態(tài)3D-CNN特征提取技術(shù)對肺部CT影像進行肺結(jié)節(jié)進行篩查。人工智能影像輔檢系統(tǒng)通過接口對接醫(yī)院PACS系統(tǒng)，將PACS系統(tǒng)上肺部CT的DICOM圖像導入到人工智能影像輔檢系統(tǒng)，通過多模態(tài)3D-CNN特征提取技術(shù)對DICOM影像數(shù)據(jù)進行分析。在醫(yī)生完成診斷并提交影像報告后，在線比較系統(tǒng)診斷意見和醫(yī)生診斷意見，系統(tǒng)對不一致的病例提出輔檢意見，提交給診斷醫(yī)生，由其在系統(tǒng)檢出結(jié)果的意見指導下完成復核，達到減少漏診的目的。人工智能檢查的結(jié)果嵌入到PACS系統(tǒng)閱片界面中，并將結(jié)果以列表、結(jié)節(jié)框、詳細信息、右鍵屬性、幀色塊方式展示；在結(jié)節(jié)列表顯示結(jié)節(jié)坐標、良惡性、詳細屬性等信息，可按照坐標、良惡性、關(guān)注程度排序。

4 效果分析

為了評價人工智能的學習提升能力，分析人工智能診斷肺結(jié)節(jié)的靈敏度及特異度，評估人工智能在臨床醫(yī)學影像診斷的可利用價值。在近半年內(nèi)進行胸部CT檢查的患者中選取樣本進行分析。

4.1 調(diào)查方法

人工智能與專家組分別對胸部CT片子進行閱讀，互不干擾，出診斷報告結(jié)果即刻封存鎖定，比對人工智能診斷與專家組肺結(jié)節(jié)定位結(jié)果，同時記錄完成時間。在人工智能診斷與醫(yī)生診斷結(jié)果不一致時，邀請專家進行二次討論。最終判定統(tǒng)計出人工智能對實際存在的肺結(jié)節(jié)的識別及漏診情況，對未存在的非肺結(jié)節(jié)誤診情況。

4.2 結(jié)果判定

對兩組結(jié)果進行判定，對實際存在的肺結(jié)節(jié)能否分辨出來，而對未存在的非肺結(jié)節(jié)是否會誤判。在人工智能診斷與醫(yī)生診斷結(jié)果不一致時，邀請專家進行二次討論。因肺結(jié)節(jié)的“金標準”一般為活檢或手術(shù)發(fā)現(xiàn)，金標準結(jié)果不易獲取，故如有分歧時，以專家二次討論為金標準，更加科學客觀。

4.3 統(tǒng)計方法

對人工智能組、臨床醫(yī)生組及院外專家組（金標準組）的診斷結(jié)果整理匯總，數(shù)據(jù)呈現(xiàn)見表1。

表1 人工智能和專家組診斷結(jié)果匯總

靈敏度=A/(A+C)×100%； 假陰性率=C/(A+C)×100%=1-靈敏度。靈敏度表示實際存在的肺結(jié)節(jié)被正確地鑒別出來的百分比，即真陽性率。假陰性率即漏診率。特異度=D/(B+D)×100%；假陽性率=B/(B+D)×100%=1-特異度，表示實際未存在的肺結(jié)節(jié)被錯誤地判定為肺結(jié)節(jié)的百分比，即誤診率。

4.4 結(jié)果分析

基于真實病例30例肺部CT進行實際評測，經(jīng)專家組反復認證，共有結(jié)節(jié)106個，系統(tǒng)的結(jié)節(jié)總敏感度達到84.9%，平均每例CT假陽性結(jié)節(jié)約0.53個；醫(yī)生獨立完成診斷效率為4.8分鐘/例，在機器幫助下完成診斷效率為1.9分鐘/例；系統(tǒng)幫助專家找回初診時漏檢的8個有臨床意義的結(jié)節(jié)。評估該系統(tǒng)確實能夠在實際應(yīng)用中幫助醫(yī)生提高工作效率、減少漏診。建議系統(tǒng)應(yīng)該繼續(xù)就臨床重點關(guān)注的磨玻璃結(jié)節(jié)進行優(yōu)化，胸膜附近結(jié)節(jié)檢出水平不太穩(wěn)定，需要做好階段性計劃，持續(xù)提升檢出效果。

5 討論

人工智能輔助診斷中心系統(tǒng)能有效提升影像科醫(yī)生診斷的準確率，減少誤診、漏診情況，通過系統(tǒng)的輔助能加快提升低年資醫(yī)生的診斷水平，由于人工智能醫(yī)學輔助診斷系統(tǒng)可7×24h持續(xù)穩(wěn)定運行、無疲勞累積，可以有效降低影像科醫(yī)生的工作強度。

依托遠程醫(yī)療服務(wù)網(wǎng)絡(luò)，能夠?qū)⑷斯ぶ悄茚t(yī)學影像輔助診斷中心承載的優(yōu)質(zhì)醫(yī)療資源普及到整個區(qū)域，緩解醫(yī)療資源緊張和分布不均的現(xiàn)狀。另外，大力發(fā)展人工智能醫(yī)學影像輔助診斷中心，通過協(xié)同創(chuàng)新促進各產(chǎn)業(yè)鏈的資源整合，推進醫(yī)療健康服務(wù)新模式的發(fā)展，可有效帶動區(qū)域內(nèi)信息技術(shù)、醫(yī)療器械裝備制造、醫(yī)學影像診斷與醫(yī)學檢驗服務(wù)等相關(guān)的產(chǎn)業(yè)發(fā)展，提升區(qū)域經(jīng)濟和社會的可持續(xù)發(fā)展力。