肺炎診治中醫學影像人工智能的價值
前言：想要寫出一篇引人入勝的文章？我們特意為您整理了肺炎診治中醫學影像人工智能的價值范文，希望能給你帶來靈感和參考，敬請閱讀。
[摘要]病毒肺炎（CoronavirusDisease2019，COVID-19）是由病毒感染引發的以肺部感染為主的乙類傳染病。此次COVID-19疫情中的影像學暴發式需求，對醫院影像診斷能力帶來了巨大挑戰，也客觀上推動了人工智能（ArtificialIntelligence，AI）輔助診斷的發展。本文對醫學影像學在COVID-19診治及防控決策中的價值、COVID-19的臨床影像表現、醫學影像學診斷面臨的挑戰、COVID-19AI研發價值與研發現狀、COVID-19AI的不足與對策進行了闡述。
[關鍵詞]病毒肺炎；人工智能；CT；影像診斷
引言
病毒肺炎（CoronavirusDisease2019，COVID-19）是以肺部炎性病變為主的乙類傳染疾病，病原體為新型β型冠狀病毒。COVID-19主要的傳播途徑是經呼吸道飛沫和接觸傳播，人群普遍易感[1-3]。COVID-19診斷依據包括流行病學接觸史、發熱等臨床表現、實驗室檢查、影像學檢查等，疑似病例同時具備病原學或血清學證據之一者是確診的依據。早發現、早隔離、早診斷、早治療是目前防控治療COVID-19的最有效手段。臨床上，影像學診斷貫穿了COVID-19診療的多個環節，發揮了非常重要且不可替代的作用。隨著影像學尤其是CT掃描的廣泛應用，快速、精準的影像診斷成為此次疫情中一項重大挑戰。COVID-19影像人工智能（ArtificialIntelligence，AI）產品的及時研發發揮了重要的作用，取得了一定的效果，但同時也有很多問題有待解決。
1影像學在COVID-19診治及防控決策中的價值
國家衛生健康委員會《病毒感染的肺炎診療方案》已經更新到了試行第七版[4]，其中，影像學診斷貫穿了COVID-19診療的多個環節。在診斷標準中，具有COVID-19的影像表現，是缺乏流行病學證據時疑似病例確定的必備條件。試行第五版中，更是在“疑似病例”和“確診病例”之外增加了“臨床診斷病例”，并將“疑似病例具備肺炎影像特征者”作為其診斷標準（只限于湖北省內），確立了影像檢查在疫情防控中的重要作用。在診斷分型中，特別增加了肺部影像學顯示24~48h內病灶明顯進展>50%者按重型管理，以及影像學顯示雙側或多肺葉浸潤、胸腔積液或短期內病變快速進展者提示重癥或危重癥。在出院標準中，要滿足肺部影像學顯示急性滲出性病變明顯改善等。由此可以看出，影像學在COVID-19的篩查、診斷、病情評估、治療后隨訪中具有重要的價值。
2COVID-19的影像表現
COVID-19影像學檢查可以采用攝片、CT和超聲檢查。其中，CT檢查在此次疫情中應用廣泛。絕大多數確診患者在疾病發展過程中，CT存在不同程度的肺部異常影像改變。基于目前的臨床實踐[5-10]，COVID-19主要CT征象為：①病變分布多以肺外周分布為主，常累及多葉，病程進展可以由外周向中心發展，或胸膜下融合成片；②病變密度多表現為磨玻璃陰影、實變影、結節影或索條影，早期多以磨玻璃影為主，病變進展期則表現為磨玻璃陰影、實變、結節、纖維索條影等多種性質病變共存，存在新發磨玻璃影和前期病變纖維化過程的此起彼伏；③病變內部可見小血管影增粗、空氣支氣管征、細支氣管管壁增厚，鄰近胸膜或葉間胸膜增厚，部分病變內部可見細小網格征；④部分病灶邊界不清；⑤重型及危重型患者可見雙肺彌漫性病變，肺炎病灶占整肺體積的百分比可以達到75%以上，嚴重者呈“白肺”表現，見少量胸腔積液。COVID-19病變進展在影像上主要表現為病灶密度不均勻增高變實、病變范圍擴大等[11-13]，病灶大小密度、進展速度、演變形式等對于輔助臨床治療有重要價值。COVID-19的CT影像具有病毒性肺炎影像的基本特征，不同的臨床階段，在單一時間點呈現形式不相同[14]，并因患者年齡、免疫狀態、臨床治療、基礎病變等因素而略有不同。雖然COVID-19影像有一定特征，但缺乏特異性，和其他病毒引起的病毒性肺炎、部分社區獲得性肺炎、非感染性疾病的肺內浸潤在影像上和/或病理基礎上有重疊之處[15-16]，僅憑影像學特征不能單獨做出確定診斷，必須結合流行病學史、臨床表現、實驗室檢查、既往病史和影像學檢查等資料綜合判斷。
3醫學影像學診斷面臨的挑戰
絕大多數COVID-19確診患者在疾病發展過程中，CT存在不同程度的肺部異常影像改變，多次復查可準確反映病變演變及轉歸，使用定量和重建技術可以進一步評估病變特征和嚴重程度。雖然CT在臨床診治中作用明確，但是在實際應用中存在很多挑戰。（1）快速診斷難。COVID-19傳染力強、短期患病人數眾多，尤其在武漢患病人群相對集中，由此產生了海量的CT數據。而影像工作人員本來就相對缺乏，因此，疫情期間實現傳染病快速診斷是一個挑戰。（2）同質化診斷難。COVID-19是新型傳染病，對疾病的影像學征象認識尚在不斷總結完善之中，且存在影像鑒別診斷的難題，在不同地域不同級別的醫院實現影像診斷同質化存在挑戰。（3）精準量化難。COVID-19影像動態演變和精準量化評估對診療策略和預后有較大的價值，傳統的經驗診斷和模糊的量化評估不能滿足病情演變精準定量的需要。AI技術在這些臨床的難點中卻有著獨特的優勢。既往的醫學影像AI技術在病變的識別、分割、測量中已經展現了非凡的優勢。如果能夠對COVID-19影像進行AI研發必將給疫情防控增添更大的助力。
4COVID-19AI研發價值與研發現狀
基于臨床的需求，AI技術將在以下4個方面發揮著重要作用：①基于人工智能技術快速完成病灶自動檢出、分割、精準量化并自動形成格式化報告；②基于病變的分布、形態、密度等進行病變輔助診斷和鑒別診斷；③實現多期影像中的病灶數量、病灶體積變化、病灶密度變化等量化對比分析功能，預判疾病發展趨勢；④影像、臨床、實驗室檢查的整合建模，不僅可以幫助醫師面對疫情篩查時實現快速診斷，避免漏診，同時可以實現精準分層和對比，提供療效評價和病程監測，從而為臨床治療提供更精確的信息。目前，多家AI公司基于深度學習技術，已經將COVID-19AI產品以云服務的模式接入醫學影像閱片平臺，初步實現了病灶的自動檢查、病灶分割、精準量化、自動比對等功能。如SenseCare、Dr.Wise以及基于CT影像的“肺炎智能評價系統”可自動提示CT中疑似病灶，測算雙肺受累程度，協助醫生精準對病例進行影像學分型及分期。InferReadCTPneumonia對COVID-19診斷的靈敏度超過99%，同時對病灶密度分析可用于治療后隨訪對比，并可生成自動化結構報告。uAICOVID-19智能輔助分析系統，將CT閱片時間從5~10min縮短至1min，可完成初步報告撰寫，在后續的數據分析中其具備一定程度區分細菌性肺炎和病毒性肺炎的能力。數坤科技研發的COVID-19AI輔助診斷系統可同時高效處理多個病例，快速識別炎性病灶、分割定位，并精準高效勾畫感染區域，在2~3s之內對于病灶進行量化評估，輔助臨床醫生快速準確判斷病情及評估療效。此外，該系統可為醫生提供隨訪對比病灶變化，自動為醫生提供可視化評估參考，極大地提高醫院快速診斷的能力，大量節省超負荷工作醫生的時間，為患者贏得寶貴的診治時間。阿里達摩院通過“云+AI”模式，不僅可實現對COVID-19的快速診斷，同時通過病歷質檢算法，評估患者的治療過程和病例質量，進而提高治療質量。其研發的自動化全基因組檢測分析平臺，將原來數小時的疑似病例基因分析縮短至半小時。目前，應用實踐顯示，醫學影像AI技術有助于疾病早期輔助診斷、影像量化分期、隨訪對比及治療評估，可以使影像醫生快速掌握病灶變化，大幅提高醫生分析患者病情變化的效率，同時可有效降低不同級別醫院間的漏診誤診，有效助力當前疫情下COVID-19的排查與分析。
5COVID-19AI的不足與對策
由于COVID-19疫情暴發突然，大部分COVID-19AI研發時間較短，產品成熟度有待提高。雖然能夠實現疾病的AI識別，但其準確性有待臨床驗證，可能存在較小或密度較淡的病灶漏診等，也尚還不能完全實現COVID-19與其它類型肺炎的鑒別診斷。針對COVID-19AI產品的不足，需要在以下4個方面引起關注。（1）明確研發目標。要基于臨床需求，針對明確目標疾病、臨床用途、禁忌癥、預期適用人群（如具有COVID-19流行病學史、臨床表現的患者）、預期使用場所（如定點醫院、方艙醫院）、預期目標用戶（如放射科醫師）、預期兼容的CT設備等進行研發設計。（2）數據集構建與質控。圍繞研發目標，構建恰當的訓練數據集。要滿足此類產品數據庫的基本要求[17]，在訓練數量（原則上不少于2000例COVID-19確診患者CT影像）、區域覆蓋（至少來源于3家醫療機構，其中至少包含1家疫情嚴重地區醫療機構）、設備覆蓋（考慮設備兼容性）、掃描參數覆蓋（考慮圖像質量）、人群特征（性別、年齡等）以及影像分期（早期、進展期、嚴重期）方面進行兼顧。同時，如果提供鑒別診斷模型，在訓練集中需要注意其他類型肺炎等類似病征的占比，保證測試集陽性樣本與陰性樣本的比例合理。明確算法訓練的評估指標、訓練目標及其確定依據，提供訓練數據量-評估指標曲線、ROC曲線等證據。（3）數據標注規則。數據標注一直是醫學影像AI算法落地過程中至關重要的一環。COVID-19的標注面臨許多挑戰，也缺乏業界的標注共識。COVID-19標注難點：①在疾病早期，病變主要表現為磨玻璃密度，病變邊界欠清時勾畫困難；②在疾病的進展期，病變累及中心部，病變與肺門大血管的區分存在困難；③病變成分復雜時，病變內部血管去除和實變成分的勾畫較難；④彌漫性病變或者多發散在小病灶，勾畫的范圍沒有達成共識，同時訓練數據少，會導致機器學習誤差較大；⑤不同的醫生標注不一致性較高。標注的缺陷也導致目前一些產品在實際應用中存在較多的問題，必須進行補充訓練。（4）算法的突破。AI實現技術突破、行業革新、產業化推進，都必須以基礎算法的突破為基石。影像醫學乃至醫學是多維度的數據資源，多模態、多任務動態的醫學數據的處理和建模，毫無疑問要依賴于算法的突破。
6總結
此次疫情中的影像學暴發式需求，對醫院影像診斷能力帶來了巨大挑戰，也客觀上推動了AI輔助診斷的發展。目前，AI在COVID-19的研究主要集中于疾病發現和定量評估，對于病因分析、治療指導及基因檢測仍存在局限。未來應進一步融合AI與COVID-19的臨床信息、流行病學、影像學、預后等多元特征，以期為綜合、智能評估疾病的發病機制、早期篩查預警、指導臨床精準診療提供科學依據。
作者：蕭毅 劉士遠 單位：上海長征醫院影像科