《最新：胸部影像人工智能在新型冠状病毒肺炎诊断中的应用及展望（全文）.docx》由会员分享，可在线阅读，更多相关《最新：胸部影像人工智能在新型冠状病毒肺炎诊断中的应用及展望（全文）.docx（9页珍藏版）》请在三一办公上搜索。
1、最新：胸部影像人工智能在新型冠状病毒肺炎诊断中的应用及展望（全文）摘要人工智能（AI）在医学领域的应用研究越来越多，影像AI是最受关注的热点之一。鉴于临床表现缺乏特异性、病原检测率低等因素，肺炎的精准诊疗面临巨大挑战。新型冠状病毒肺炎（简称新冠肺炎）疫情暴发以来,胸部影像AI展示了其在新冠肺炎快速识别、病灶定量分析、疾病严重程度及预后评估等方面的价值，但仍存在一些不足，如研究样本量小，模型缺乏多模式评估，肺炎分类欠精细等。本文在此基础上，对影像AI辅助肺炎诊断的今后研究提出一些建议，强调高质量数据集的采集、影像数据标注的标准化、技术创新、算法优化和A1.模型的验证，以及重视A1.在其他类型肺炎
2、中的研究，期待影像AI为肺炎的临床决策提供更多参考。人工智能（artificia1.inte1.1.igence,A1.）概念诞生于1956年,是指模拟、延伸和扩展人的智能的理论、方法、技术及其应用系统，其核心技术是机器学习（machine1.earning）和深度学习（deep1.earning随着计算机与信息技术的快速发展，AI在医学各个领域的应用研究越来越多，例如基于循证医学原理、为医生推荐规范化肿瘤治疗方案的机器人WatSoN1,能诊断多种J困常见疾病、准确度与经验丰富的医生相媲美的病历AI系统2,准确识别糖尿病视网膜病变的AI系统3等。而在呼吸系统领域，胸部影像AI是最受关注的热点之
3、一，常应用于鉴别肺结节/肺肿瘤、肺结核、肺炎、间质性肺病、慢性阻塞性肺疾病、肺栓塞等疾病45,60肺炎是呼吸系统常见病、多发病，多由病原微生物感染所致，得益于抗感染药物的使用，其病死率已显著下降。然而，鉴于临床表现缺乏特异性、病原检测率低等因素，肺炎的精准诊断仍面临巨大挑战。及早诊断、明确病原体对于肺炎（尤其具有快速进展或传播风险的肺炎）的治疗，具有重要的指导意义，而影像AI有望在鉴别不同类型肺炎方面发挥重要作用。在新型冠状病毒肺炎（简称新冠肺炎）疫情暴发之前，肺炎的AI研究较少，且多数基于胸部X线5,7,8;自新冠疫情暴发以来，基于胸部CT的AI发展迅速，展示了其在肺炎诊断方面的良好应用前景
4、。本文重点介绍影像AI在新冠肺炎诊断中的应用，并对其未来发展提出一些建议。一、传统方法、影像组学与AI诊断肺炎的对比胸部影像学检查是确诊肺炎不可或缺的手段，对于缩小肺炎病原体鉴别范围、指导抗感染治疗也有着重要的价值。传统影像诊断方法是放射科医师基于自身经验，通过阅读胸部X线/CT,分析病灶的相关特征（包括病灶密度、位置、分布、大小、形态等），再结合其他临床资料，做出相应诊断。多数情况下仅对肺炎病变特征进行描述而难以精确诊断，而且诊断的准确性会受到医生经验不足、疲劳度、注意力等主观因素的影响。影像组学的概念于2012年由荷兰学者1.ambin首次提出，最早、最常应用于肿瘤领域9,但也逐渐开始用于
5、肺炎的研究,如新冠肺炎的诊断101细菌性肺炎与支原体肺炎的鉴别Uo利用影像组学技术可将影像图像转化为大量可挖掘的高通量影像学信息，筛选比对后选取最优特征进行单独分析，或者结合流行病学、临床特征等数据建立相应的模型，用于肺炎的辅助诊断、分类或预测。与传统方法相比，影像组学对图像内部信息进行数字化处理，提取人眼难以识别的特征，避免了因医师的经验和主观判断造成的差异，有助于提高诊断的准确性。然而，影像组学受制于原始数据质量、算法模型优劣等因素，目前主要处于科研阶段，尚未在临床推广应用。A1.诊断肺炎的基本流程包括：（1）采集影像图像；（2）从图像中找出肺炎有关的征象，分割感兴趣区域；（3）提取影像组
6、学或深度学习特征;（4）利用机器学习，建立应用模型，进行辅助鉴别诊断12,13o由此可见，AI和影像组学关系密切，可建立在影像组学的基础上，兼并影像组学的优点。此外，AI还可以利用各种深度学习算法，在处理大量医疗数据和图像方面更具优势。深度学习隶属于神经网络体系，可通过建立、模拟人脑的神经结构来实现对外部输入信息的处理与学习，因具有多个隐藏层神经网络又被称为深度神经网络，代表了机器学习最前沿的技术。卷积神经网络（works,CNN）作为最有效的深层神经网络14,比传统机器学习性能显著提升，在解决更复杂的问题上表现更优异，已经被越来越多地应用到影像学诊断当中。有研究表明15,CNN抽象的深层特征
7、（deepfeatures）可与影像学的语义特征（如肿瘤位置、毛刺征、胸膜牵拉等定量特征（如纹理特征、直方图特征等）关联起来。二、胸部影像AI在新冠肺炎诊断中的应用新冠疫情早期，由于核酸检测试剂的缺乏和核酸结果的假阴性，胸部CT是重要的筛查手段16o然而，在人员匮乏的情况下，放射科医生和临床医生要在短时间内阅读和分析大量的CT图像，无疑是一个巨大的挑战。影像AI因有望提高新冠肺炎诊断效率而迅速成为研究热点。在诊断效能方面，几乎所有AI模型都能快速将新冠肺炎从普通病毒性肺炎、社区获得性肺炎、肺部其他病变或者正常CT中识别出来，但不同研究入组参数不同，诊断效能差异较大。如基于521例新冠肺炎和66
8、5例非新冠肺炎数据建立的AI模型，识别新冠肺炎的准确性、敏感度、特异度均超过95%17;一项基于79例新冠肺炎和180例普通病毒性肺炎的AI模型准确性、敏感度、特异度分别为89.5%.88%、87%180尽管不同AI模型诊断效能存在差异，但均有助于提高放射科医师诊断的准确性17,19,200此外，部分研究显示，基于深度学习特征模型的诊断效能优于基于影像特征（或影像组学）模型。如MortaniBarbosa等21发现深度学习模型识别新冠肺炎的AUC值、敏感度、特异度均高于影像特征模型；另一项研究结果类似，两个模型在验证集的AUC值分别为0.98和0.91,敏感度为91.8%和80%,特异度为93
9、.4%和87.2%,在外部验证集的AUC值则为0.84和0.86,敏感度为75.7%和76.5%,特异度为76.8%和80.9%190除了识别新冠肺炎，AI还可以对病灶定量分析、评估严重程度及预后。如AI辅助诊断软件测定的定量指标（全肺感染体积、磨玻璃密度体积和实性密度体积）与肺炎临床分型具有较好的相关性22;动态测量CT肺炎病灶体积比有助于评价疾病的严重程度和预判疾病的发展趋势，病灶体积快速增长的患者更容易转变为重型或危重型23o综合CT图像和临床数据的AI系统可以成功预测患者进展到重症的时间，识别出高风险患者，为临床及早干预提供依据20,24,对降低重型及危重型患者病死率有重要意义。在数据
10、模态方面大部分研究采用薄层CT但厚层CT辐射剂量相对较低，价格低廉，更广泛应用于基层医疗机构，因此有学者构建了基于厚层CT的AI系统，显示其在肺组织分割、感染灶容积变化评估方面与两位经验丰富的放射科医生具有较好的一致性250王伟军等26发现AI软件测量的非实性成分占比在不同临床类型肺炎中有较明显差异，层厚对AI软件测量病灶内非实性成分占比有一定影响，但对具体病例而言影响有限。在算法模型方面，多数研究使用深度学习模型加VGGNet.Inception.ResNetsDenseNetxEfficientNet和CapsNet等。而在肺炎区域分割方面，多采用监督学习的算法，需要手工对图像目标区域进行
11、标注，以训练模型对后续图像进行自动分割。由于标注工作耗费大量时间，部分学者还提出了少样本学习、弱监督学习、迁移学习和对抗生成等方法。基于少量的数据和标注建立初始模型，将初始模型用于新数据的预标注，再由人工修改，大大节省了时间；经过几轮的快速迭代，模型能够达到一定的性能。采用弱监督学习模型无需对病变进行标注，同样可以发现胸部CT的病变区域，准确预测新冠肺炎的概率27o止匕外，采用迁移学习策略让DenseNet1.21-FPN模型自动挖掘新冠肺炎的病灶特征，也展现了良好的诊断效能13Jo但值得注意的是，这些方法可能会导致模型的可解释性降低。尽管AI在新冠肺炎诊断方面取得了一定的进展，但仍存在一些不
12、足，包括：研究样本量偏小18,27;引起肺炎的病原体种类较多，多数研究仅能粗略分类，如新冠肺炎与普通病毒性肺炎，新冠肺炎与非新冠肺炎，部分研究甚至没有纳入其他类型肺炎25;不同研究异质性较大，预测结果存在较大偏差，难以直接比较模型的优劣；基于回顾性数据建立的AI模型，缺乏多模式评估，未能真正在临床场景中落地，临床价值有限；面临伦理与法律困境28等。表1对20202021年部分文献进行了汇总、对比。*I2020-2021年影像A1.诊断新抵肺炎的部分文献时比作者数第*旅最算纳入的患符人群及仔今信8tKW4j莫法除If1.AI诊断效能-不是等E中国多军医院1数据集1；胸郃常见攸族的14S202张X
13、线胸片；2数据集2：16196米肺炎X8片,包括新建肺炎I407谏.修通病治性“炎55K.Jt他“炎10961X线构片DFjb3.FCN.UNrt区分Jft症新式帅炎1I1.9.0的A1.c0.87：区分刘M肺炎件通病毒性或I1.机称性肺炎的M1.CW0.87-0.97纳人的总并绝大多数郁行亦状WM1.I等Z中国多个中心I数据集1:4106例帅川丁浮度也习廉统做回绿;2数据集m.M2H他*炎IHftCr1.nMNr1.12!FPN在训燥集中的A1.C为0.XI.在两个外部验比集的AUC分别为0.87和0.1.I1.识别住院时间K的高风险想并不同中心CT炭好松致.没力与死亡.人住ICI等值后IS
14、你Bui等“，国9宗灰院.英国2*医院521例新树肺肉和665M1.firfWCTWrir1.1.1.r1.识1新用肺炎的淮确nJ6Jgft0.95”0.79)、特异度10.96”OMO均优于放射“K厮冠肺炎中内邮,i作新液施炎生均盯较大异质性Wjng写H3*KRI-CT(HH1.rr1.内邮检证的净性.Ift想度.特H度分别为0.89.0.88,0.87提Jk的影像学特征主蹙来n疾过展机的法敏薜炎WW73%.度75%,使Hj联合模型qI1.提高放时科国M论断的府件.侦感度和1$K度分别增加16.51.%1U.6%惮本址小.探度学习得衽事乏可解纣性ZJW呻等”中国多个中心训嫌集：752例新冠肺
15、炎.797例IE新冠M.697WCTiEHtI*U集：27:,；I,薄茗试：260例,外“测认：”博；前In件队列：791例CTIMeP1.aIN3做别新HiW炎的Mc(ft在内即证.外部夕漆均出过0.97.结(MJittf1.4Wif行雄入的作新一师炎.没行父代足台I1.fi明偷的病整体依批MortdniKiiHmmi等”北美和Ift洲16个中心I161例新设帅炎.238例疗通病戊性物炎.437询问质性物快.610冏肺部Cr正常CT聚美分析.Orn1.Ne1.影像特征懵制和探It学习IfiiWU!别新U“炎的A1.：fft.tt狼度.特讣度分JW足0.83，、0.93.0740.90.0.7
16、9r0,K3训练集也就依的炎.CT正常为主.JftiE熏样本小,弃舄产牛偏M1.i等“中家医院196例新联肺炎原屋CT(IOInm)INrI.R*net在薛病灶怀记.培染灶容机殳化评法方面一网住经aawttWMK好的软性没有纳入共他Ji赞M爽;Bf吸及心融运动伪影ft1口助琮注病奸的以国性W1.m1.1.等E中国I京医院313例新冠肺炎和229例宗新f病例JwecrINrt()HnNr1.识别新冠肺炎的ROC-A1.C.PR-AUC俏分别为0.959.0.976没右纳人CAP:故据来自单中心.没有交乂我证1.i等2M6Kft468例后冠腑炎.I551MCAP.I303例第肺炎薄t!C3-D探度
17、学R.COVNri四明新:UiM炎的AuC值为0.96.UUJIcap的A1.C值为0.95没有评估抑炎产求程度.诊Rfi效能没日与IR修作对比注:AI：人r曾健;AIC：曲线卜囱枳:RoC:受成衣工作杨AF曲线;PR：缺畸率例率;CAP：社区共科性X炎三、对影像AI辅助肺炎诊断今后研究的建议新冠疫情暴发以来，影像AI辅助肺炎诊断迅速成为研究热点，但随着疫情防控常态化开展，新冠病毒感染的早期检出率极大提高，影像AI的热度逐渐有所消退。然而，无论是新冠疫情流行之前、流行期间，还是后疫情时代，肺炎的病原体鉴别、精准治疗都是临床面临的巨大挑战。如何在已有研究基础上，总结经验，推进影像AI辅助肺炎诊断
18、的未来发展，更好地服务于临床，值得思考。1 .重视高质量数据集的构建：AI模型要具有强大的诊断效能，必须建立在高质量数据集的基础上。收集大规模的代表性样本，充分考虑数据来源的多元化、数据内容多样化29,除了肺炎样本，还应纳入肺结核、肺肿瘤、正常人群等各种非肺炎样本。由于涉及患者隐私、伦理、法律等问题，目前临床数据共享不足，不同来源的数据异质性较大（如CT参数不一致），获取高质量数据难度较大。希望国家和政府层面能够加强不同医疗中心大数据平台的搭建，实现医疗图像资源共享，为研究提供更优质的数据集。2 .重视肺炎影像数据标注的标准化：数据预标注是构建AI模型的重要环节。理论上,需对肺炎病灶边缘进行精
19、确勾画,并避开血管等非病灶区域，但肺炎病灶多呈片状影，其边界往往模糊不清，人工分割标注不仅费时、费力，而且具有主观性，可重复性较差，这将影响后续的定量分析、严重程度评级,最终削弱AI模型的稳定性。因此，有必要优化标注系统、提高手工标注效率,并对数据标注规则、标注流程设计、标注人员管理、过程质控等方面建立严格的标准规范。3 .重视AI技术的创新、算法的优化以及AI模型的验证：AI效能的提升离不开技术的创新及算法的优化。目前机器自主学习能力仍相对有限，同时也面临诸如泛化能力、速度、可理解性以及数据利用能力等技术性难关，有待更大的突破。AI模型的建立及优化，就是模拟临床诊断的过程，由于肺炎的影像表现
20、复杂多变，同病异影异病同影的现象较为普遍，除了分析图像特征，还应该考虑患者特殊的流行病学史和环境暴露史、潜在的免疫缺陷类型、临床表现进展的速度和方式等，并结合实验室检查、微生物培养等检查资料。此外，AI模型的准确性和泛化性，必须进行严格的内部验证和外部验证。例如，部分AI系统的诊断效能并没有与放射科医生作对上口30,31,这就很难确定AI相对于传统方法的优势或增量价值。4 .重视AI在其他类型肺炎中的研究：值得注意的是,目前影像AI在肺炎诊断方面的研究，大多聚焦于新冠肺炎，忽视了其他同样值得关注的病原体肺炎，如肺真菌病。随着自身免疫性疾病、恶性B中瘤、器官移植等患者数量的增多，抗生素、激素、免
21、疫抑制剂、化疗等药物的广泛使用，肺真菌病发病率呈现逐年增高趋势32,但其早期诊断较为棘手。为改善预后，临床上存在过度诊断及经验性抗真菌治疗的倾向，可能会造成宝贵的医疗资源浪费、真菌耐药以及器官损害等。尽管部分新冠肺炎的研究包含了真菌性肺炎的数据，但样本量均较小，如Wang等13和Zhang等33研究分别只纳入74例、11例肺真菌病的CT图像。真正以影像AI辅助肺真菌病诊断为主题的文献数量有限，仅包括基于影像组学的AI模型可准确区分组织胞浆菌病和非小细胞肺癌结节341能够识别慢性肺曲霉病的3种征象及预测患者的5年病死率35,而临床危害性更大的侵袭性肺曲霉病则未见报道。止的卜，细菌性肺炎和非典型肺
22、炎是临床常见的肺炎，但目前尚未见影像A1.鉴别如葡萄球菌性肺炎、链球菌性肺炎、肺炎支原体肺炎、军团菌肺炎等各类肺炎的报道。其中，多重耐药菌是影响细菌性肺炎治疗效果的重要因素。在肿瘤领域，已有学者利用影像AI模型预测磨玻璃肺癌的EGFR突变状态36,能否借鉴该思路，应用于耐药菌肺炎的早期识别，值得进一步探索。四、展望从长远来看，AI与呼吸影像的深度融合，有助于优化当前医疗实践模式,促进区域医学影像诊断同质化，实现多点智能实时远程诊断及提高呼吸科医疗水平。未来发展上，肺炎的影像AI有赖于呼吸科医生、放射科医生、算法工程师等多方合作，在借鉴已有研究或其他学科先进经验的基础上，充分融合大样本高质量CT图像及其他临床资料，不断优化算法模型，真正实现落地的目标，期待在鉴别各种病原体肺炎、准确评估肺炎的严重程度及预后、判读混合感染等方面为临床决策提供更多参考。
