文献速递胸部CTDR

人工智能辅助技术在胸部影像学中的新趋势

New trend in artificial intelligence-based assistive technology for thoracic imaging.
PubMed 文献 · Radiol Med · 2023-08-28

本文综述了截至2023年4月30日PubMed数据库中228篇关于人工智能在胸部影像(肺结节检测、肺结节良恶性诊断、肺癌预后预测、COVID-19肺炎及肺栓塞)中临床应用的研究。AI在肺结节检测和COVID-19鉴别诊断中表现出较高性能,但存在过拟合、可解释性不足和标注数据不足等挑战,AI是医师的辅助系统,最终决策应由医师做出。

要点

  • AI辅助CAD系统在胸片和CT肺结节检测中敏感度分别达79.0–91.1%和61.6–98.1%,但假阳性率范围宽(胸片每扫描0.02–0.34,CT每扫描0.125–32)。
  • AI作为第二读者可提升医师肺结节检出性能,骨抑制技术能提高锁骨和肋骨后方结节的可见性。
  • AI是医师辅助系统,最终诊断决策应由医师在理解AI局限性的前提下做出。

核心结论

  • AI在胸部影像的病灶检测、定性诊断和预后预测中已有临床应用,但过拟合、可解释性不足和标注数据不足仍是主要挑战,AI仅作为医师辅助系统。

研究设计与样本

  • 叙述性综述,检索PubMed数据库截至2023年4月30日的文献,排除综述、病例报告、社论、信件及体模/动物/健康个体研究等,最终纳入228篇文献。
  • 检索关键词包括肺影像、人工智能/深度学习/神经网络/机器学习/计算机辅助与CT的组合,并排除超声、PET、SPECT。

关键影像表现/征象

  • 胸片AI辅助CAD系统检测肺结节的敏感度为79.0–91.1%、特异度为93–100%,每扫描假阳性0.02–0.34。
  • CT AI辅助CAD系统检测肺结节的敏感度为61.6–98.1%,每扫描假阳性0.125–32。
  • 带骨抑制技术的AI辅助CAD系统较原始模型对胸片肺结节检测更敏感,改善了锁骨和肋骨后方结节的可见性。
  • AI辅助CAD系统在胸片和CT结节检测上已优于医师,作为第二读者时能提升医师性能。
  • 基于CNN的AI模型预测肺腺癌病理侵袭性的准确率为74.2%、敏感度80.3%、特异度67.1%、AUC 0.74。

诊断标准与关键数值

  • 胸片AI辅助CAD检测肺结节:敏感度79.0–91.1%,特异度93–100%,每扫描假阳性0.02–0.34。
  • CT AI辅助CAD检测肺结节:敏感度61.6–98.1%,每扫描假阳性0.125–32。
  • AI预测肺腺癌病理侵袭性:准确率74.2%、敏感度80.3%、特异度67.1%、AUC 0.74。
  • AI联合医师与医师单独诊断肺腺癌侵袭性:内部数据集AUC 0.819 vs. 0.606,外部数据集AUC 0.893 vs. 0.693。
  • AI鉴别COVID-19与其他肺炎的Meta分析:合并AUC 0.96(95%CI 0.94–0.98)、合并敏感度0.92(95%CI 0.88–0.94)、合并特异度0.91(95%CI 0.87–0.93)。

临床应用与阅片要点

  • AI辅助CAD系统可用于医学检查和日常临床实践,帮助防止医师漏诊肺结节,并可作为医师短缺地区的诊断支持。
  • AI作为第二读者使用时可提升医师的结节检出性能。
  • AI是医师辅助系统,最终决策应由医师在理解AI局限性的前提下做出。

局限性

  • AI存在过拟合问题,对已知训练数据有效但对未知数据拟合不佳。
  • AI存在可解释性不足和标注数据不足的挑战。
  • AI检测肺结节的假阳性率报告范围宽,可能源于所用AI模型、研究人群和评价指标的差异,降低假阳性率是提高准确性和有效性的关键挑战。
  • CNN模型的隐藏分层可能导致其在某些子集上性能更好或更差。
  • 需要进一步研究调查AI辅助CAD系统在胸片和CT上的泛化性和临床实用性。
全文中译9 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Med. 2023 Aug 28;128(10):1236–49. doi: 10.1007/s11547-023-01691-w

引言

回顾人工智能(AI)的历史[1–3],第一次AI热潮出现于20世纪50年代,当时计算推理与探索蓬勃发展,对AI的期望不断增长。下一次热潮是20世纪80年代的第二次AI热潮。通过以规则形式向AI传授知识而作出条件反射式响应的系统,称为专家系统,被投入实际应用。机器学习是一种技术,程序从数据中学习、提取模式,并对未知数据进行预测和判断。典型算法包括支持向量机、随机森林和决策树。深度学习是机器学习的一个分支,基于分层和多层人工神经网络。深度学习出现于2006年,自第三次AI热潮因计算能力的提升、算法的发展以及大数据的利用而被引发以来,已过去10余年。近年来AI的进展,尤其是深度学习方面的进展,彻底改变了医学图像分析领域。过去,医学图像分析严重依赖由人类领域专家创建的系统,利用需要手动选择图像特征或感兴趣区域的统计或机器学习模型[4]。然而,近期的深度学习模型能够在极少人工干预的情况下自动学习这些图像特征,从而实现更高效、更节省资源的图像分析任务[5]。目前,AI技术已被开发用于医学影像的多个领域,包括胸部X线摄影、计算机断层扫描(CT)、磁共振成像(MRI)、正电子发射断层扫描(PET-CT)和超声检查[6–23]。特别是在胸部,AI已应用于临床环境,如结节检测支持、良恶性诊断支持、自动量化等图像处理,以及通过降噪处理改善图像质量。

本文主要概述检测、诊断和预后,重点关注图像识别,以肺癌作为代表性肺部肿瘤、2019冠状病毒病(COVID-19)作为感染性疾病、肺栓塞(PE)作为非肿瘤/非感染性疾病。本综述可帮助读者了解胸部影像领域AI的近期趋势,以及随着AI的发展如何使用AI。

材料与方法

在文献调查中,使用PubMed数据库(截至2023年4月30日)检索与利用人工智能评估胸部临床应用相关的研究。检索关键词包括:{肺成像 “English”[Language] AND (“artificial intelligence” OR “deep learning” OR “neural network” OR “machine learning” OR “computer aided”) AND (“CT”) NOT (“ultrasonography” OR “PET” OR “SPECT”)}。本综述尤其主要关注肺癌、COVID-19和PE的检测、诊断和预后。检索所得研究的引文和参考文献被用作文献综述的补充来源,并进行了手动检索。综述文章、病例报告、社论和通讯被排除。排除标准如下:(a) 主题领域之外的研究;(b) 体模或动物或健康个体的研究;(c) 仅关注方法学方面的研究;(d) 采用多种方法的研究;(e) 关于肺以外器官的研究;(f) 未评估临床结局的研究。图1展示了筛选过程的流程图。最终,228篇文章被纳入本叙述性综述。

图1 研究筛选过程流程图 查看原图 ↗

常用于图像识别的人工智能机制

图像识别中常用的模型是卷积神经网络(CNN),其中卷积层和池化层重复进行以产生输出,同时执行图像模式匹配、数据压缩和错位校正。CNN已被用于许多人工智能研究中[6–22],这些研究在医学影像上检测和诊断疾病方面显示出良好性能,有时优于放射科医师[7, 19, 24]。然而,人工智能的问题之一是过拟合[25]。也就是说,人工智能对已知的训练数据有效,但由于数据分布偏移下变量泛化性所造成的局限,对未知数据不适用。此外,隐藏层设计的高度自由度是神经网络具有优异表达能力的一个因素,但隐藏分层可能导致CNN模型在某些子集上表现更好或更差[26, 27]。CNN模型提供了优异的输出,但仍有改进空间。

作为一种相对较新的图像识别模型,一种不使用卷积运算的模型——视觉Transformer(ViT)已经出现[28, 29],并在通用图像数据集上表现出有前景的性能。ViT模型不是将图像作为像素处理,而是通过将自然语言处理中使用的技术应用于图像处理,将图像作为一定大小的图像块进行处理,其采用类似的方法,将输入图像划分为若干像素块并将其投影为线性嵌入。该序列被输入到Transformer编码器中,该编码器包含多头自注意力层和多层感知机模块,并在层归一化之后以减少训练时间并提高泛化性能。Transformer编码器输出与输入图像块对应的特征向量,随后经过softmax激活。由于多头自注意力层和多层感知机模块的并行处理,在计算成本方面具有优势,并且即使模型规模较大性能也不会下降,这也是一个优势。最近,Murphy等人[30]比较了ViT和CNN在胸部X线片上进行疾病分类的表现。CNN模型始终优于ViT模型,尽管性能的绝对差异很小,可能不具有临床意义。另一方面,ViT对已知会影响CNN模型的特定类型的隐藏分层不太敏感。目前,ViT在胸部X线片疾病诊断中取代CNN可能还为时过早。尽管ViT在通用影像数据集上已显示出优于CNN的改进[29, 31],但ViT的实用性未来仍需进一步研究。

肺部肿瘤的临床应用:肺结节的检出能力

癌症相关死亡的首要原因是肺癌[32],在我国,降低肺癌死亡率的主流方法是通过胸部X线摄影进行筛查。2011年美国国家肺筛查试验(NLST)[33]和2020年欧洲荷兰-比利时肺癌筛查随机试验(NELSON)[34]两项随机对照试验的结果提示,低剂量CT筛查可能有效降低重度吸烟者的肺癌死亡率。因此,应在国际范围内考虑低剂量CT筛查的必要性。在筛查和常规临床实践中,在胸部X线片或胸部CT上检出大量肺结节是医生的一项重要任务。然而,工作负荷增加可能导致医生职业倦怠[35]。

近期研究表明,人工智能在检测胸部X线片和CT扫描中的肺结节方面具有高性能[36–41]。在采用基于人工智能的计算机辅助检测/诊断(CAD)系统[37, 39, 40]的胸部X线片检测研究中,灵敏度范围为79.0%至91.1%,特异度范围为93%至100%。每次扫描的假阳性(FP)值在0.02至0.34之间。此外,与原始模型相比,采用骨抑制技术的基于人工智能的CAD系统通过提高隐藏于锁骨和肋骨后方肺结节的可见度,对胸部X线片上肺结节的检测更为敏感(图2)[42]。另一方面,在采用基于人工智能的CAD系统[37, 38, 43]的CT检测研究中,灵敏度范围为61.6%至98.1%,每次扫描的FP值范围为0.125至32。肺结节已被检测出接近1的高曲线下面积(AUC)值。然而,如上所示,研究报道了基于人工智能的胸部X线片和CT扫描肺结节检测的FP率范围较宽[36–40]。所报道FP率的变异性可能归因于所用人工智能模型、研究人群以及所用特定评价指标的差异。值得注意的是,降低FP率是提高基于人工智能的结节检测系统准确性和有效性的关键挑战。

基于人工智能的CAD系统在胸部X线片和CT上的结节检测性能已超过医师,并且当作为第二读片者使用时,可提高医师的判读性能[40, 44]。基于人工智能的CAD系统在医学检查和日常临床实践中有助于防止医师漏诊肺结节,并且在医师短缺地区也可作为诊断支持工具(图3)。然而,仍存在许多挑战和局限性,包括过拟合、缺乏可解释性以及标注数据不足。Goodfellow等人[45]提出的一种通过对抗性设置训练的生成模型——生成对抗网络(GAN),已被广泛用于生成合成图像以开发医学模型。Madani等人[46]证明,半监督GAN在使用较少训练数据的情况下,可实现优于传统监督卷积神经网络(CNN)的性能。尽管GAN较不易发生过拟合,但其训练过程可能因生成器与判别器之间的纳什均衡而不稳定。在医学领域使用GAN可能引发伦理问题。为了使人工智能具备与人类相同的伦理意识,关键在于通过事先审查用于训练的知识和信息中的偏倚来改进流程。必须注意确保看似积极的结果不会导致有偏的结果和判断。需要进一步研究来探讨基于人工智能的CAD系统在胸部X线片和CT上的泛化性和临床实用性。

图2 使用市售人工智能模型进行骨抑制后胸部X线片上的结节检测。一名42岁女性。右侧锁骨上骨可见一低透亮区(箭头,A)。然而,难以区分肺部与骨性病变。使用市售人工智能模型进行骨抑制的胸部X线片可检测到隐藏于右侧锁骨后的肺结节(箭头,B)。右肺上叶可见一直径约3 cm的部分实性磨玻璃结节(箭头,C)。该结节术后证实为肺腺癌。AI 人工智能 查看原图 ↗
图3 使用市售基于人工智能的计算机辅助检测系统在胸部X线片上检测结节。一名70岁男性。右中肺野可见一结节,左下肺野可见一与心影重叠的肿块(箭头,A)。市售基于人工智能的计算机辅助检测系统可突出显示该结节和肿块。CT上右肺上叶可见一直径2 cm的结节(箭头,C)。CT上左肺下叶可见一直径5 cm的肿块(箭头,D)。该肿块活检后证实为肾细胞癌肺转移。AI 人工智能,CAD 计算机辅助检测/诊断 查看原图 ↗

肺肿瘤的临床应用:肺结节的可诊断性

通过筛查、分类和医疗护理在早期结节阶段检测肺癌已被证明对降低肺癌相关死亡率非常有益且有效。使用图像的定性和定量评估在包括肺癌在内的胸部肿瘤诊断中发挥重要作用[47–61]。判断肺结节的恶性或良性也是医生的关键任务之一,但普遍认为,仅基于CT图像在判断结节恶性或良性方面实现100%准确率是无法达到的。因此,在许多情况下,无组织病理学诊断的CT图像诊断需要依赖随访观察。因此,如果医生在定性诊断方面拥有AI支持,将会令人安心。对于肺癌的早期发现和诊断,已开发出多种基于AI的CAD系统来对良性和恶性肺结节进行分类[62–65]:采用二维(2-D)或三维(3-D)CNN网络的基于AI的CAD系统在肺结节的恶性怀疑方面取得了良好的分类性能,分类准确率接近90%。在过去的报告中[62–65],大多数现有的基于CNN的方法使用2D-CNN网络,原因是网络复杂度低和计算速度快。然而,与2D-CNN网络相比,3D-CNN网络能够编码更丰富的空间信息,并通过其使用3D样本训练的分层架构提取更具代表性的特征,这也有助于通过降低CT上自动肺结节检测中的假阳性(FP)率来有效检测需要定性诊断的结节[66],同时需要大量数据并且计算耗时长。ViT模型[28, 29]的并行处理预计将在未来改善诊断性能,因为它在计算成本方面具有优势,而且即使模型规模增大,其性能也不容易下降,但为模型训练准备海量数据的需求与CNN模型相同。ViT在提高诊断准确性方面的潜在益处应在未来进一步研究。

与结节检测一样,基于人工智能的计算机辅助诊断(CAD)系统至少可以对医师诊断产生一定影响。一个基于285例小数据集构建的预测肺腺癌病理侵袭性的人工智能模型,其诊断性能显示准确率为74.2%,敏感度为80.3%,特异度为67.1% [7],AUC值为0.74。当该模型被三名分别具有9年、14年和26年经验的医师使用时,敏感度提高而以特异度降低为代价。总体诊断性能无显著差异,但经验较少的医师的准确率显著提高。尽管医师难以预测CT图像上表现为磨玻璃结节的肺腺癌的侵袭性,但医师联合使用基于卷积神经网络(CNN)网络的AI-CAD系统在内部数据集(AUC值,0.819 vs. 0.606)和外部数据集(AUC值,0.893 vs. 0.693)中均可优于单独医师[67]。此外,CNN可能有助于提高计算机检测体积测量的准确性以及在CT扫描上鉴别肺结节患者结节的能力[68]。Wataya等[69]证明,市售的基于人工智能的CAD系统可以以高观察者间一致性测量结节/肿块的影像特征准确性,从而提高良性或恶性诊断的准确性。特别是,基于人工智能的CAD系统对经验较少的放射科医师有价值。用于诊断的基于人工智能的CAD系统在未来将非常有前景。

在肺部肿瘤中的临床应用:预后预测

已研究了许多方法来利用CT扫描开发肺癌患者的深度学习预后模型。特别是,使用CT数据预测术前结局的能力对于被诊断为早期肺癌的个体将极为有益,因为这有助于确定适当的治疗策略[70–72]。

在临床环境中,在TNM肺癌分类第8版中,通过CT测量侵袭性大小以确定T描述符大小非常重要,因为T描述符大小与患者预后相关[73, 74]。为确定肺癌的T描述符,应在肺野条件下(推荐)以1 mm或更薄的层厚,以厘米为单位(保留一位小数)测量CT上的实性成分。测量通常在横断面上评估,但缺乏标准化的肿瘤表征和测量方法仍是一个问题。因此,测量依赖于观察条件和观察者,从而导致变异性。使用3D体积测量法的定量分析在测量的客观性和可重复性方面更有优势[75, 76]。Wormanns等[76]证明,测得体积增加25%时,有95%的概率反映的是真实结节生长而非测量变异性。然而,软件性能和结节特征等条件的差异会在测量中造成一些误差,无论是同一观察者之间还是不同观察者之间。即使软件相同,比较测量结果时也必须谨慎。另一方面,最近一种市售的基于人工智能(AI)的计算机辅助诊断(CAD)系统[69]已在我国临床使用,该系统可以自动提供定量值,并且无论显示条件和观察者如何,都能提供完全相同的值(图4)。这种基于AI的CAD系统可以提供极高准确性和可重复性的定量值。体积测量,如实性体积和实性体积百分比,已被发现是与肺癌患者复发和/或死亡可能性增加相关的独立指标[77]。使用基于AI的CAD系统进行高精度定量分析,可能在临床实践中实现高度可重复的预后预测。

最近的一项研究提出了一种深度学习模型,该模型利用术前CT数据直接预测诊断为早期肺腺癌患者的累积生存概率[72]。多因素分析数据表明,吸烟状态(风险比[HR],3.4;p = 0.007)和深度学习模型的输出(分类形式:HR,3.6;p = 0.003)是临床I期肺腺癌患者无病生存的唯一独立预后因素。然而,这种方法在用于训练模型的时间-事件数据以及删失的存在等方面存在一些局限性,尤其是在早期肺癌患者中。直接从图像预测预后可能输出高度可重复的结果,但由于AI的本质——其分析过程是一个黑箱,有时可能难以接受AI的最终结果。Zhong等[78]报道了一种基于原发肺癌CT图像数据计算出的AI评分来进行淋巴结转移预后分层的AI,这可能更容易为我们所接受。未来,我们希望通过学习大量形态学评估和组织学特征等临床数据来构建更准确的预后预测模型。此外,所谓的消融研究——即故意删除构成模型的要素以评估这些要素对模型性能的贡献——在模型构建中也被认为是重要的。

图4 使用市售基于AI的CAD系统进行定量分析。市售的基于AI的CAD系统可以自动分割部分实性磨玻璃结节,提供无论观察者是谁都完全相同的定量值。AI 人工智能,CAD 计算机辅助检测/诊断 查看原图 ↗

传染病的临床应用:聚焦于COVID-19

尽管有许多呼吸道感染,许多传染病AI自然以COVID-19为靶向,COVID-19正式名称为严重急性呼吸综合征冠状病毒2 [79, 80]。一般来说,胸部X线摄影和CT对于包括传染病在内的胸部疾病的诊断成像不可或缺[81, 82]。胸部X线摄影和CT对COVID-19在诊断、疾病严重程度和预后方面的有用性已有报道[83–90]。放射科医师在通过评估胸部CT扫描识别COVID-19肺炎方面表现出显著的高水平[91]。为应对COVID-19的快速传播,世界范围内已开发了许多利用影像学表现的AI模型[12, 80]。Ito等证明,评估AI在COVID-19患者诊断成像中的应用有可能作为一项初步研究,用于确定在未来新发疾病初期阶段应采用理想AI系统,为数据集大小需求和AI在此类场景中的适当应用提供了有价值的见解[80]。

作为使用胸部CT的早期代表性论文,Li等[92]创建了一个使用CT扫描来识别COVID-19肺炎个体的AI程序。该程序在诊断COVID-19肺炎方面表现出90%的敏感性、96%的特异性和0.96的AUC。使用包含400例COVID-19患者、1396例社区获得性肺炎患者和1173例CT扫描正常或无肺炎患者的数据集来训练该程序。该程序的性能使用一个单独的数据集进行评估,该数据集由68例COVID-19患者、155例社区获得性肺炎患者和130例CT扫描正常或无肺炎患者组成。数据集中的COVID-19病例通过逆转录聚合酶链反应检测确认。尽管数据集的具体细节未披露,但源代码已公开,并可使用梯度加权类激活映射(Grad-CAM)进行可视化。该研究涵盖了大型数据集并达到了高水平的准确性。然而,自COVID-19早期以来出现的使用胸部X线摄影和胸部CT进行COVID-19肺炎分类的各种AI模型一直处于混杂状态,数据库和分析方法存在显著差异[80, 93]。早期AI结果可能更多受到发病率而非影像学发现的影响。因此,与其他AI创建研究相比,敏感性和特异性均从高到低不等,这似乎表明实际AI操作的困难。另一方面,近期的COVID-19肺炎AI模型通过使用高精度病灶分割技术、包括放射组学方法在内的定量方法以及与临床信息的结合,提高了诊断和严重程度预测的准确性。荟萃分析[94]显示,基于胸部影像的AI模型可将COVID-19与其他肺炎区分开来:汇总AUC为0.96(95%置信区间[CI] 0.94–0.98),汇总敏感性为0.92(95% CI 0.88–0.94),汇总特异性为0.91(95% CI 0.87–0.93)。与其他领域一样,未来研究者应更加关注研究方法学的质量,并进一步提高所开发预测模型的泛化性,同时考虑数据库建设的重要性、评估方法的一致性以及评估数据库基准测试的必要性。

非肿瘤/非感染的临床应用:聚焦于肺栓塞

本节聚焦于PE,尽管有许多关于胸部影像在非肿瘤性和非感染性疾病中有用性的报道[95–97]。PE具有很高的发病和死亡负担。还有一份报告表明,在分期CT扫描上检测到偶然性PE与进行性恶性肿瘤的极高风险相关[98]。及时准确的诊断能够加速治疗,这是可能降低死亡率和改善患者预后的关键因素[99–101]。CT肺动脉造影(CTPA)是无创确认PE的诊断标准。双能量或单能量CT均可 comparably 用于急性PE的检测[102, 103]。然而,通过CTPA识别PE是一项繁琐的程序,需要放射科医生的专业知识。因此,判读过程容易出错,并可能导致诊断延迟。

已开发出一种利用人工智能进行肺栓塞(PE)检测的创新方法,该方法包括三个主要任务:分类,用于标注整幅图像;检测,用于定位图像中的单个目标;分割,用于勾勒栓子的像素级边界。荟萃分析结果[104]表明,基于人工智能的肺栓塞计算机辅助诊断(CAD)系统每次扫描的合并灵敏度为0.88(95% CI 0.803–0.927),每次扫描的特异度为0.86(95% CI 0.756–0.924),与放射科医师的灵敏度0.67–0.87、特异度0.89–0.99相比,显示出更好的灵敏度与特异度平衡。有效的人工智能模型将通过降低漏诊率来支持医师,从而有助于最大限度减少审阅CT扫描所需的时间。Cheikh等[105]证明,在急诊放射学实践中,用于肺栓塞检测的人工智能似乎可作为安全网,而非放射科医师的替代品。这归因于其高灵敏度和阴性预测值(NPV),从而增强了放射科医师的信心。Batra等[106]回顾性评估了一种人工智能算法在2555例患者增强胸部CT检查中检测偶发性肺栓塞的性能。该人工智能算法应用于图像,并使用自然语言处理(NLP)算法分析临床报告。实施了多阅片者裁决流程,以建立偶发性肺栓塞的参考标准。人工智能检测出4例临床报告漏诊的偶发性肺栓塞,而临床报告识别出7例人工智能漏诊的偶发性肺栓塞。人工智能的阳性预测值(PPV)和特异度低于临床报告,但灵敏度和NPV无显著差异。人工智能在检测偶发性肺栓塞方面显示出高NPV和中等PPV,通过识别一些放射科医师漏诊的病例对其发现进行补充。人工智能模型的潜在应用是作为第二阅片者,帮助实现更早的肺栓塞检测和干预,并通过理解人工智能的误分类来改进模型。

COVID-19肺炎患者易发生深静脉血栓形成和肺栓塞。预防性使用低分子肝素并不能降低COVID-19肺炎中静脉血栓栓塞症的风险[107, 108]。因此,研究者探讨了一种市售人工智能算法在因COVID-19住院患者增强CT上进行肺栓塞检测的性能[109]。该人工智能算法在COVID-19患者增强CT扫描中检测肺栓塞表现出高灵敏度93.2%(95% CI 0.906–0.952)和特异度99.6%(95% CI 0.989–0.999),无论肺实质病变如何。然而,准确度受肺血管平均衰减值的显著影响,这可能值得未来进一步研究。

对未来人工智能的说明与展望

人工智能(AI)技术在胸部CT成像中的应用已被证明在检测、诊断和预后等多个方面具有益处。与主观分析和传统定量相比,AI能够以更客观、可重复和稳健的方式提供这些信息。过拟合作为AI的问题之一,即在训练数据上学习但未适应未知数据,仍然存在。通过在大量数据上训练来构建AI模型是理想的,但很难创建一个完美的模型。当标注数据有限,或目标是理解数据的特征和结构或获得新见解时,使用无监督学习。然而,与监督学习相比,无监督学习在评估预测性能和优化方面存在挑战。另一方面,简单地增加更多训练数据似乎并不总是合适的。在适量前瞻性标注数据集合上训练的卷积神经网络(CNN)在将其数据分类为正常或异常方面可能达到高诊断性能[110]。在丰富数据以提高泛化性时也应谨慎。方法学缺陷有可能产生表面上表现良好的AI模型,因为在将数据分为训练、测试和验证数据之前进行过采样或增强数据违反了数据独立性[111]。

AI的另一个问题是分析过程的黑箱化。

通过使用梯度加权类激活映射(Grad-CAM)、注意力图和局部可解释模型无关解释(LIME),可以识别图像中深度学习(DL)所关注的特征。

这些热图不能告诉我们AI具体分析了什么,但至少告诉我们它关注了哪里(图5),这可能防止由于AI过程中的黑箱而将意外发现用于做出最终决定的可能性。对关注病灶的进一步定量分析以及与病理学的相关性可能有助于构建可解释的AI。构建一个整合各种功能的端到端可解释AI是理想的。

胸部领域的成像需要广泛的作用,不仅是形态学诊断,还包括功能分析和预后预测。人工智能(AI)在胸部成像方面具有更大的贡献潜力。此外,借助光子计数CT等新成像技术,进一步AI技术的开发和验证或将成为可能[112, 113]。基于生成式预训练变换器模型(ChatGPT)的AI聊天机器人由Open AI于2018年创建,可针对广泛多样的主题提供答案。尽管新版本GPT-4减少了生成不准确回答的情况,但目前仍阻碍其在医学教育和实践中的实用性[114, 115]。未来,GPT-4与基于AI的CAD系统的结合可能提供结构化报告,这在临床和研究支持中可能都有用。此外,与传统AI不同,Hippocratic AI作为一种在患者诊断、治疗和回答医学问题等医学信息相关任务方面具有专业知识的大语言模型,正受到大量关注。Hippocratic AI旨在保护患者数据并采取安全措施以确保患者个人信息的适当处理,这可能为医疗专业人员和患者提供准确信息和最新医学知识作为有价值的支持[116]。AI有望实现更准确的医疗护理,并为患者提供更好的个性化医疗服务。最后,必须记住,AI是辅助医生的工具,最终决策应由医生在理解AI局限性的情况下做出。

图5 肺结节诊断中注意力图的差异。这是一例术后证实为浸润性腺癌的病例(a和d,轴位图像;b和e,冠状位图像;c和f,矢状位图像)。a、b和c中的红色区域是AI在浸润性腺癌诊断中关注的部分。即使对于同一结节,当诊断为非浸润性腺癌时,d、e和f中的红色区域是其关注的部分。上排数字表示AI计算的浸润性腺癌诊断概率(最大值为1)。根据诊断目的和图像横截面,AI关注的部分和结果概率可能不同。AI 人工智能 查看原图 ↗

引用

  1. Yanagawa M, Ito R, Nozaki T, et al. New trend in artificial intelligence-based assistive technology for thoracic imaging. Radiol Med. 2023. PMID: 37639191. doi:10.1007/s11547-023-01691-w
  2. 全文:PMC10547663(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10547663/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。