AI醫療“助手”在影像科應用真實情況：效果因放射科臨床醫生而異

醫療人工智能（AI）最受“吹捧”的承諾之一，就是它們能夠幫助人類臨床醫生更精確地解讀X光和CT掃描等圖像，從而作出更準確的診斷報告，增強影像科醫生的表現。

但實際情況確實如此嗎？

美國哈佛大學醫學院、麻省理工學院和斯坦福大學的合作研究表明，使用AI工具進行圖像解讀的效果，似乎因臨床醫生而異。

換句話說，有益還是無用，現階段還是人類說了算。因為研究結果表明，個體臨床醫生的差異，會以AI專家們尚未完全理解的關鍵方式影響著人與機器之間的互動。該分析近日發表在《自然·醫學》雜志上。

考慮醫生個人因素

研究表明，在某些情況下，AI的使用可能會干擾放射科醫生的表現，并影響他們解釋的準確性。

雖然之前的研究表明，AI助手確實可以提高醫生的診斷表現，但這些研究將醫生視為一個整體，而沒有考慮不同醫生之間的差異。在臨床上，每一位醫生的判斷，對患者來說都是100%的。

相比之下，這項新研究著眼于臨床醫生的個人因素——專業領域、實踐年限、之前使用AI工具的經驗，并分析這些因素如何在人機協作中發揮作用。

研究人員分析了AI如何影響140名放射科醫生在15項X射線診斷任務中的表現，即醫生需要可靠地發現圖像上的明顯特征并作出準確診斷。該分析涉及324名罹患15種病癥的患者病例。

為了確定AI如何影響醫生發現和正確識別問題的能力，研究人員使用先進的計算方法來獲取使用AI和不使用AI時的表現變化。

結果顯示，AI輔助的效果在放射科醫生之間不一致且各不相同，一些放射科醫生的表現因AI而提高，而另一些醫生的表現則“惡化”。

英國皇家醫學院布拉瓦尼克研究所生物醫學信息學助理教授帕蘭納福·拉普科爾確認了研究團隊這一發現，并表示“我們不應該將醫生視為一個統一的群體，只考慮AI對其表現的‘平均’影響”。

不過，這一發現并不意味著應該阻止醫生和診所采用AI。相反，結果表明需要更好地了解人類和AI如何互動，并設計精心校準的方法來提高而不是損害人類的表現。

AI“助手”尚難預測

鑒于影像科被認為是能得到AI最大助力的臨床醫學領域，本次研究結果頗具代表意義。

此次發現中值得注意的是，在放射科，AI以令人驚訝的方式產生著影響人類醫生的表現。

例如，與研究人員預期相反，放射科醫生有多少年的經驗、他們是否專門從事胸部放射科，以及他們之前是否使用過AI設備等因素，并不能可靠地預測AI工具對他們工作表現的影響。

另一項挑戰普遍觀點的發現是：基線表現不佳的臨床醫生，并不能持續穩定地從AI中得到幫助。總體而言，無論有或沒有AI，基線表現較低的放射科醫生的表現還是較低。對于基線表現較好的放射科醫生來說也是如此——無論有沒有AI，他們的總體表現始終良好。

但可以肯定的是，更準確的AI提高了放射科醫生的表現，而水平一般的AI則會降低人類臨床醫生的診斷準確性。

這一發現的重要意義也在于：在臨床部署之前，必須測試和驗證AI工具的性能，以確保劣質AI不會干擾人類臨床醫生的判斷，從而延誤患者病情。

AI在醫學影像科全流程應用場景中的研究進展

診斷前、診斷中及診斷后，這3個階段貫穿患者在醫學影像科就診的整個流程，國內外學者均有開展部分研究，系統地將AI應用到這3個階段中的研究尚不多見。

 

（一）AI在醫學影像科“診斷前”流程中的應用研究

該階段主要包含了預約登記、報到候診、護理服務、圖像采集、數據傳輸與存儲、對比劑不良反應的預防與處理6個一級流程。AI的應用使得該階段的工作更加高效，大大縮短病患就醫的時間，同時也將降低服務人員和護理人員的工作量。

1.預約登記、報到候診、護理服務及對比劑不良反應的預防和處理：高效的預約登記、及時的報到候診及優質的護理服務是縮短患者就診時間、提高患者就診效率和提升服務質量的關鍵因素。Chong等［5］利用機器學習技術預測和減少門診MRI預約缺席情況，并對缺席風險最高的患者進行電話提醒，結果顯示在成功預測高風險缺席患者的同時，就診患者的缺席率由19.3%下降至15.9%。Li等［6］開發了一種AI輔助模塊，可以幫助門診患者根據主訴自動安排影像檢查，可顯著減少患者檢查等待時間，從而改善醫院的門診服務質量。對比劑在醫學影像檢查中應用廣泛，然而不良反應的風險、對敏感器官的潛在損害及最近報道的釓對比劑在大腦中的沉積無法避免［7］。AI在對比劑領域的應用主要體現在虛擬增強技術。為了避免使用釓對比劑，Kleesiek等［8］應用貝葉斯深度學習架構來預測不同級別膠質瘤患者和健康對照組的虛擬對比增強圖像，在定性和定量評估方面獲得了良好的結果（靈敏度和特異度約為91%）。最近，Wang等［9］開發了一種生成對抗網絡（generative adversarial network，GAN），從185例不同腦腫瘤患者的2D非對比增強液體衰減反轉恢復（FLAIR）序列圖像堆疊合成3D各向同性對比增強FLAIR圖像，并且增加了超分辨率和抗鋸齒任務，以解決MR偽影并創建各向同性3D圖像，從而更好地顯示腫瘤，合成圖像與源圖像具有良好的結構相似性指數。AI虛擬對比增強技術的應用成熟，可有效減少對比劑的暴露，尤其在兒科影像檢查領域。AI已經廣泛應用在臨床護理工作中，然而，目前對于影像檢查前的護理工作AI的應用尚為空白，筆者認為AI在影像護理服務方面的應用具有較廣闊的研究空間。

2.圖像采集與質控：快速、高效獲取高質量的圖像是影像診斷的前提。Li等［10］提出優化的人工智能神經網絡模型進行輔助“一站式”高分辨血管壁成像檢查，不僅大幅度提高成像速度，而且信噪比亦較大提升。Wang等［11］在CT設備上安裝2D或3D攝像頭，通過計算機視覺結合區域生成網絡（region proposal network，RPN）在胸部CT掃描時實現自動識別起止點，減少不必要的掃描曝光范圍，從而降低輻射劑量；更重要的是，在新型冠狀病毒肺炎疫情期間，這一技術支撐了“隔室掃描技術”的實現，有助于降低醫患交叉感染風險，緩解影像科工作人員的工作壓力。同時，圖像質控是醫學影像科全流程管理中必不可少的環節，王繼元等［12］利用深度學習在胸部DR自動判斷患者體位是否正確、是否存在體外偽影及對圖像進行評級，本研究可以向全身各系統推廣，并有希望建立完整的影像AI質控體系。

3.數據傳輸與存儲：當前，各家醫院引進和自主開發了大量的醫學影像人工智能平臺，在影像數據交互上如果完全依靠醫院臨床影像歸檔與通信系統（picture archiving and communication system，PACS），會嚴重增加醫院信息系統負擔，影響正常的臨床工作；另外，每個AI應用產生的結構化結果也不統一。為了解決這一問題，可以利用醫學影像科現有的存儲服務器，采用開源輕量化的PACS軟件，打通各掃描機器的壁壘，搭建專用PACS，進一步構建影像數據平臺，實現多中心數據分享，AI模型部署、數據流獲取及結果匯總一體化，為醫學影像AI推行提供有利條件。DICOM圖像分析和歸檔（DICOM image analysis and archive，DIANA）系統是一個開源、輕量級和可擴展的Python接口，使用戶能夠與醫院PACS交互以訪問此類數據。研究表明，DIANA可以可靠地集成到現有的醫院基礎設施中，并改進研究人員/臨床醫師訪問圖像庫數據的過程，這將簡化大數據檢索和AI模型臨床集成的工作流程［13］。胡佳迎等［14］通過分析診斷報告中的關鍵信息并構造關鍵詞對，使用3D-UNet神經網絡將原始影像數據根據解剖學結構分割為不同的子區域，通過關鍵詞對和預先設定的評分標準對子區域進行打分，按照優先級分數將其依次傳輸至用戶前端，結果表明該方法能夠在僅傳輸約1/10原始數據量的情況下滿足醫師的閱片、診斷需求，有效優化傳統的傳輸流程。

（二）AI在醫學影像科“診斷中”流程中的應用研究

該階段主要包含了圖像后處理與排版、輔助診斷和結構化報告生成。

1.圖像后處理與排版：AI圖像后處理與排版已在多個系統中得到應用。在神經系統中，利用AI技術對腦腫瘤進行精確分割和特征提取，不僅提高了診斷準確度，減少了漏診，也為影像組學和AI研究提供了基礎［15］。在宮內胎兒腦發育和疾病的應用中，Li等［16］提出了一種新的基于深度學習的兩步法框架，淺層全卷積網絡（fully convolutional networks，FCN）和超深多尺度FCN對二維胎兒腦MRI圖像自動提取和分割，結果表明這種框架優于其他提取胎兒大腦的方法。在呼吸系統中，利用AI輔助對肺結節的良惡性分類，顯著提高早期肺癌的檢測率［17］。在循環系統中，Mu等［18］首次將深度學習方法應用在能譜CT冠狀動脈CTA檢查中，通過自動量化鈣化積分，可以省去CTA前平掃，既降低了輻射劑量又可對CTA進行風險分類，具有重大的臨床應用價值。

2.輔助診斷與結構化報告生成：AI在醫學影像科全流程應用中，在影像診斷和報告生成流程中的應用最廣泛、最成熟。在出血性腦卒中患者中，AI輔助診斷可自動分割血腫和周圍腦組織，準確計算血腫體積及判斷中線偏移程度［19］。在神經退行性疾病中，Hu等［20］利用基于深度學習方法區分額顳葉癡呆和阿爾茨海默病，這兩種疾病的準確鑒別診斷對針對性干預和治療具有重要的意義。在腦腫瘤領域，AI可以實現膠質瘤亞區的自動勾畫、關鍵基因的預測、風險分層、治療反應評估等方面。vander Voort等［21］通過膠質瘤患者多模態MRI影像，運用AI預測腫瘤的IDH基因突變和1p19q共缺失狀態，在多中心外部驗證中曲線下面積（AUC）可達0.90和0.85。在呼吸系統中，肺結節是早期肺癌篩查的著重點，AI技術在肺結節的精準檢出、肺結節良惡性的鑒別、肺結節的分類及肺結節的組學分析已非常成熟，并且可自動生成結節位置、大小、性質及良惡性等的結構化報告，極大地提高了肺結節的檢出率，減少了早期肺癌的漏診和誤診。Xin等［22］基于深度學習提取肺部病灶的定量特征，構建模型，該模型在區分新型冠狀病毒肺炎和社區獲得性肺炎中有很好的鑒別診斷價值。AI技術在心血管系統的應用主要在心肌灌注、心功能評估、斑塊成分分析、冠狀動脈狹窄和心肌活動等方面［23,24］。在骨關節系統中的應用主要集中在肋骨骨折的自動檢測、脊柱退變、關節畸形、骨密度測定、骨齡預測、骨轉移瘤檢測等方面［25,26］。Savage等［27］使用AI算法能夠快速對患者的椎體CT影像進行直接標注以及骨密度測量，不僅能對骨質疏松高風險患者進行準確提示，而且省去了醫師手動測量比對的麻煩。AI在該流程中的應用最廣泛、最成熟，然而，目前大多數僅局限在單一疾病的輔助診斷方面，研發普適的算法、建設統一的平臺將為AI更廣泛、更方便的應用提供便利。

（三）AI在醫學影像科“診斷后”流程中的應用研究

AI在醫學影像科“診斷后”的應用主要包括圖像和報告瀏覽打印、設備管理，可以進一步提高患者的就診效率及患者的滿意度。

1.圖像和報告瀏覽打印：影像檢查和診斷結束后，患者及時、有效地獲取影像檢查圖像和報告是減少患者就診時間、提高患者就診滿意度的有效途徑。Wang等［28］利用深度學習方法開發了胸部CT膠片、圖文報告系統，從肺結節篩查、膠片打印到最后關鍵圖像的獲取，全流程自動完成，將查找肺結節時間從平均16.86 s縮短至6.92 s，并且準確度接近100%，這項研究首次實現了膠片排版中自動排布肺結節關鍵圖像，極大方便了臨床醫師和患者。將AI標注的關鍵圖像發送至多媒體報告中，臨床醫師和患者可以及時、直觀地在移動端查看報告和圖像［29］，極大提高了臨床醫師和患者的體驗。

2.設備管理：醫學影像設備是醫療器械中極其重要的組成部分，更是醫院綜合實力的重要體現，大型醫療設備的智能化管理和維護是保證影像科正常運轉的前提。有研究者采用粗糙神經網絡數據挖掘技術進行大型醫療設備故障智能化預警，可準確及時地甄別設備故障模式并進行預警［30］。

影響臨床醫學未來

臨床醫生擁有不同水平的專業知識、經驗和決策風格，因此確保AI能反映這種多樣性，對于有針對性地實施治療至關重要。個體因素及變化，應成為確保AI進步的關鍵，而不是干擾并最終影響診斷的因素。

有意思的是，這一發現并沒有解釋AI為何會對人類臨床醫生的表現產生不同的影響，但隨著AI對臨床醫學的影響越來越深遠，理解其中原因就顯得至關重要。關于這一點，AI專家依然在努力。

AI在醫學影像科全流程應用場景中的研究進展

診斷前、診斷中及診斷后，這3個階段貫穿患者在醫學影像科就診的整個流程，國內外學者均有開展部分研究，系統地將AI應用到這3個階段中的研究尚不多見。

（一）AI在醫學影像科“診斷前”流程中的應用研究

該階段主要包含了預約登記、報到候診、護理服務、圖像采集、數據傳輸與存儲、對比劑不良反應的預防與處理6個一級流程。AI的應用使得該階段的工作更加高效，大大縮短病患就醫的時間，同時也將降低服務人員和護理人員的工作量。

1.預約登記、報到候診、護理服務及對比劑不良反應的預防和處理：高效的預約登記、及時的報到候診及優質的護理服務是縮短患者就診時間、提高患者就診效率和提升服務質量的關鍵因素。Chong等［5］利用機器學習技術預測和減少門診MRI預約缺席情況，并對缺席風險最高的患者進行電話提醒，結果顯示在成功預測高風險缺席患者的同時，就診患者的缺席率由19.3%下降至15.9%。Li等［6］開發了一種AI輔助模塊，可以幫助門診患者根據主訴自動安排影像檢查，可顯著減少患者檢查等待時間，從而改善醫院的門診服務質量。對比劑在醫學影像檢查中應用廣泛，然而不良反應的風險、對敏感器官的潛在損害及最近報道的釓對比劑在大腦中的沉積無法避免［7］。AI在對比劑領域的應用主要體現在虛擬增強技術。為了避免使用釓對比劑，Kleesiek等［8］應用貝葉斯深度學習架構來預測不同級別膠質瘤患者和健康對照組的虛擬對比增強圖像，在定性和定量評估方面獲得了良好的結果（靈敏度和特異度約為91%）。最近，Wang等［9］開發了一種生成對抗網絡（generative adversarial network，GAN），從185例不同腦腫瘤患者的2D非對比增強液體衰減反轉恢復（FLAIR）序列圖像堆疊合成3D各向同性對比增強FLAIR圖像，并且增加了超分辨率和抗鋸齒任務，以解決MR偽影并創建各向同性3D圖像，從而更好地顯示腫瘤，合成圖像與源圖像具有良好的結構相似性指數。AI虛擬對比增強技術的應用成熟，可有效減少對比劑的暴露，尤其在兒科影像檢查領域。AI已經廣泛應用在臨床護理工作中，然而，目前對于影像檢查前的護理工作AI的應用尚為空白，筆者認為AI在影像護理服務方面的應用具有較廣闊的研究空間。

2.圖像采集與質控：快速、高效獲取高質量的圖像是影像診斷的前提。Li等［10］提出優化的人工智能神經網絡模型進行輔助“一站式”高分辨血管壁成像檢查，不僅大幅度提高成像速度，而且信噪比亦較大提升。Wang等［11］在CT設備上安裝2D或3D攝像頭，通過計算機視覺結合區域生成網絡（region proposal network，RPN）在胸部CT掃描時實現自動識別起止點，減少不必要的掃描曝光范圍，從而降低輻射劑量；更重要的是，在新型冠狀病毒肺炎疫情期間，這一技術支撐了“隔室掃描技術”的實現，有助于降低醫患交叉感染風險，緩解影像科工作人員的工作壓力。同時，圖像質控是醫學影像科全流程管理中必不可少的環節，王繼元等［12］利用深度學習在胸部DR自動判斷患者體位是否正確、是否存在體外偽影及對圖像進行評級，本研究可以向全身各系統推廣，并有希望建立完整的影像AI質控體系。

3.數據傳輸與存儲：當前，各家醫院引進和自主開發了大量的醫學影像人工智能平臺，在影像數據交互上如果完全依靠醫院臨床影像歸檔與通信系統（picture archiving and communication system，PACS），會嚴重增加醫院信息系統負擔，影響正常的臨床工作；另外，每個AI應用產生的結構化結果也不統一。為了解決這一問題，可以利用醫學影像科現有的存儲服務器，采用開源輕量化的PACS軟件，打通各掃描機器的壁壘，搭建專用PACS，進一步構建影像數據平臺，實現多中心數據分享，AI模型部署、數據流獲取及結果匯總一體化，為醫學影像AI推行提供有利條件。DICOM圖像分析和歸檔（DICOM image analysis and archive，DIANA）系統是一個開源、輕量級和可擴展的Python接口，使用戶能夠與醫院PACS交互以訪問此類數據。研究表明，DIANA可以可靠地集成到現有的醫院基礎設施中，并改進研究人員/臨床醫師訪問圖像庫數據的過程，這將簡化大數據檢索和AI模型臨床集成的工作流程［13］。胡佳迎等［14］通過分析診斷報告中的關鍵信息并構造關鍵詞對，使用3D-UNet神經網絡將原始影像數據根據解剖學結構分割為不同的子區域，通過關鍵詞對和預先設定的評分標準對子區域進行打分，按照優先級分數將其依次傳輸至用戶前端，結果表明該方法能夠在僅傳輸約1/10原始數據量的情況下滿足醫師的閱片、診斷需求，有效優化傳統的傳輸流程。

（二）AI在醫學影像科“診斷中”流程中的應用研究

該階段主要包含了圖像后處理與排版、輔助診斷和結構化報告生成。

 

 

 

1.圖像后處理與排版：AI圖像后處理與排版已在多個系統中得到應用。在神經系統中，利用AI技術對腦腫瘤進行精確分割和特征提取，不僅提高了診斷準確度，減少了漏診，也為影像組學和AI研究提供了基礎［15］。在宮內胎兒腦發育和疾病的應用中，Li等［16］提出了一種新的基于深度學習的兩步法框架，淺層全卷積網絡（fully convolutional networks，FCN）和超深多尺度FCN對二維胎兒腦MRI圖像自動提取和分割，結果表明這種框架優于其他提取胎兒大腦的方法。在呼吸系統中，利用AI輔助對肺結節的良惡性分類，顯著提高早期肺癌的檢測率［17］。在循環系統中，Mu等［18］首次將深度學習方法應用在能譜CT冠狀動脈CTA檢查中，通過自動量化鈣化積分，可以省去CTA前平掃，既降低了輻射劑量又可對CTA進行風險分類，具有重大的臨床應用價值。

2.輔助診斷與結構化報告生成：AI在醫學影像科全流程應用中，在影像診斷和報告生成流程中的應用最廣泛、最成熟。在出血性腦卒中患者中，AI輔助診斷可自動分割血腫和周圍腦組織，準確計算血腫體積及判斷中線偏移程度［19］。在神經退行性疾病中，Hu等［20］利用基于深度學習方法區分額顳葉癡呆和阿爾茨海默病，這兩種疾病的準確鑒別診斷對針對性干預和治療具有重要的意義。在腦腫瘤領域，AI可以實現膠質瘤亞區的自動勾畫、關鍵基因的預測、風險分層、治療反應評估等方面。vander Voort等［21］通過膠質瘤患者多模態MRI影像，運用AI預測腫瘤的IDH基因突變和1p19q共缺失狀態，在多中心外部驗證中曲線下面積（AUC）可達0.90和0.85。在呼吸系統中，肺結節是早期肺癌篩查的著重點，AI技術在肺結節的精準檢出、肺結節良惡性的鑒別、肺結節的分類及肺結節的組學分析已非常成熟，并且可自動生成結節位置、大小、性質及良惡性等的結構化報告，極大地提高了肺結節的檢出率，減少了早期肺癌的漏診和誤診。Xin等［22］基于深度學習提取肺部病灶的定量特征，構建模型，該模型在區分新型冠狀病毒肺炎和社區獲得性肺炎中有很好的鑒別診斷價值。AI技術在心血管系統的應用主要在心肌灌注、心功能評估、斑塊成分分析、冠狀動脈狹窄和心肌活動等方面［23,24］。在骨關節系統中的應用主要集中在肋骨骨折的自動檢測、脊柱退變、關節畸形、骨密度測定、骨齡預測、骨轉移瘤檢測等方面［25,26］。Savage等［27］使用AI算法能夠快速對患者的椎體CT影像進行直接標注以及骨密度測量，不僅能對骨質疏松高風險患者進行準確提示，而且省去了醫師手動測量比對的麻煩。AI在該流程中的應用最廣泛、最成熟，然而，目前大多數僅局限在單一疾病的輔助診斷方面，研發普適的算法、建設統一的平臺將為AI更廣泛、更方便的應用提供便利。

（三）AI在醫學影像科“診斷后”流程中的應用研究

AI在醫學影像科“診斷后”的應用主要包括圖像和報告瀏覽打印、設備管理，可以進一步提高患者的就診效率及患者的滿意度。

1.圖像和報告瀏覽打印：影像檢查和診斷結束后，患者及時、有效地獲取影像檢查圖像和報告是減少患者就診時間、提高患者就診滿意度的有效途徑。Wang等［28］利用深度學習方法開發了胸部CT膠片、圖文報告系統，從肺結節篩查、膠片打印到最后關鍵圖像的獲取，全流程自動完成，將查找肺結節時間從平均16.86 s縮短至6.92 s，并且準確度接近100%，這項研究首次實現了膠片排版中自動排布肺結節關鍵圖像，極大方便了臨床醫師和患者。將AI標注的關鍵圖像發送至多媒體報告中，臨床醫師和患者可以及時、直觀地在移動端查看報告和圖像［29］，極大提高了臨床醫師和患者的體驗。

2.設備管理：醫學影像設備是醫療器械中極其重要的組成部分，更是醫院綜合實力的重要體現，大型醫療設備的智能化管理和維護是保證影像科正常運轉的前提。有研究者采用粗糙神經網絡數據挖掘技術進行大型醫療設備故障智能化預警，可準確及時地甄別設備故障模式并進行預警［30］。

研究團隊補充說，下一步，放射科醫生與AI的交互，應該在模擬現實場景的實驗環境中展開測試，測試結果需要反映實際患者群體的情況。而除了提高AI工具的準確性之外，培訓放射科醫生去及時檢測不準確的AI、審查并質疑AI工具的診斷，也很重要。

換言之，在AI幫你之前，你需要先提高自身。

文章來源： 科技日報、中華放射學雜志

來源：賢集網