人工智能在腹部与盆腔超声成像中的应用现状
该综述检索PubMed、FDA与ClinicalTrials.gov数据库,最终纳入57篇文献,梳理人工智能在腹部与盆腔超声中的解剖与方法学应用分布。主要应用为多器官检测(28%)、妇科(26%)、肝胆系统(23%)与肌骨(14%),方法以深度学习为主(65%)。作者结论认为早期结果有前景,但仅少数经前瞻性多中心验证或获FDA许可,偏倚风险仍高。
要点
- 纳入57篇文献中深度学习占65%、机器学习占23%、自然语言处理占9%、机器人占4%。
- 43篇(75%)为单中心研究,56篇(98%)为回顾性研究,偏倚风险被作者评为仍高。
- FDA批准的AI超声设备共17款,仅少数专用于腹部/盆腔成像(不孕监测与卵泡发育)。
核心结论
- 作者结论认为AI在腹部/盆腔超声中对疾病诊断、监测与报告润色显示出有前景的早期结果。
- 作者同时指出偏倚风险仍高,因极少数应用经过前瞻性多中心验证或获得FDA许可。
研究设计与样本
- 叙述性综述,检索PubMed、FDA官方报告(2023年10月更新)与ClinicalTrials.gov数据库。
- 纳入2013至2024年同行评议的英文论文,排除社论、读者来信、叙述性或系统性综述及摘要、无法获取全文者,并排除特指胎儿健康监测的文章。
- 数据库初检获128条题录,经题目、摘要、全文筛选及2篇全文不可获取排除后,最终纳入57篇文稿。
- 每篇文章由两名评审者筛选,纳入文献的参考文献由一名评审者手工检索。
诊断标准与关键数值
- 肝胆系统:最大单中心数据集含2020例患者的21,855张腹部超声图像,区分临床异常脂肪变性与临床正常者的AUC为0.996。
- 肝胆系统:ResNet-50与MobileNet V2诊断急性胆囊炎的验证集AUC分别为0.92与0.94(10,971张图像、7348例患者)。
- 肝胆系统:DETR模型检测局灶性肝病灶的验证集特异度90%、敏感度97%,显著优于两名专家(开发集1026例患者2551张图像,验证集48例患者155张图像)。
- 腹部多器官:ResNet-152模型在儿童FAST视频中总体准确率97.8%、图像中93.5%,其中腹上象限视图95.2%、耻骨上视图96.0%(699例患者、4925段视频、1,062,612张图像)。
- 妇科:卵巢癌诊断CNN模型在10家医院数据中获得最佳AUC 0.88(3755例卵巢癌患者34,488张图像与101,777例对照541,442张图像)。
临床应用与阅片要点
- 原文未据此给出推荐。
局限性
- 多数研究为单中心(43篇,75%)与回顾性(56篇,98%)。
- 极少数应用经过前瞻性多中心验证或获得FDA许可,偏倚风险仍高。
- 肝胆系统部分研究无独立验证集,如肝肾指数定量模型与两名放射科医师的组内相关系数分别为0.919、0.916与0.734。
- KI-67状态预测研究仅纳入36例患者,其中1例为验证病例。
- 儿童肠套叠诊断研究训练集中20%阳性病例被共享至测试集,造成数据泄漏。
全文中译14 节 · 点击展开
引言
近年来,人工智能(AI)技术融入医学影像已显示出良好前景,并可能具有改变诊断流程的巨大潜力[1]。在各种模态中,腹部/盆腔超声成像可对内部器官和结构进行无创可视化。AI技术的进步显著增强了超声成像的能力,彻底改变了医疗专业人员分析和解读这些图像的方式。
本文旨在全面综述AI在腹部和盆腔超声成像中当前最先进的应用现状。我们探讨了针对该领域特定挑战的各种AI算法和应用。我们旨在分析关于AI在腹部/盆腔超声成像中应用的现有文献,并讨论这一快速发展的领域的优势、局限性和未来方向。
方法
我们使用以下关键词组合检索了PubMed数据库:
((((abdominal[Title/Abstract] OR pelvic[Title/Abstract]).
AND (ultrasound[Title/Abstract])).
AND (machine learning[Title/Abstract] OR deep learning[Title/Abstract] OR artificial intelligence[Title/Abstract] OR intelligent[Title/Abstract] OR natural language processing[Title/Abstract]))).
NOT (Review[Publication Type]).
每篇文章均由两名评审者筛选以决定纳入或排除。2013年至2024年间所有经同行评审的英文论文均符合条件。社论、致编辑信、叙述性或系统性综述论文以及摘要被排除。无全文可得的文章被排除。由于本综述主要关注腹部/盆腔超声,专门针对胎儿健康监测的文章被排除。由一名评审者手工检索纳入论文的参考文献列表,若符合纳入标准则予以纳入。
除对已发表文章进行叙述性综述外,我们通过官方报告(2023年10月更新)审查了美国食品药品监督管理局(FDA)批准的AI设备,[2]我们还使用以下关键词组合从ClinicalTrials.gov数据库审查了正在进行的相关临床试验:
Artificial intelligence OR machine learning OR deep learning.
AND abdominal OR pelvic.
AND ultrasound.
结果
从数据库检索中共识别出128条符合条件的标题供筛选。其中,阅读标题后排除8项研究,阅读摘要后排除55项研究,阅读全文后排除6项研究,另有2项研究因全文手稿不可得而排除。最终综述共纳入57篇手稿。(图1)。
基于57篇纳入的全文文章以及对FDA批准设备和正在进行的临床试验的额外检索,我们将这些研究归纳为以下类别:(图2)。
(1) 肝胆系统;
(2) 腹部多器官;
(3) 肌肉骨骼系统;
(4) 妇科/盆腔;
(5) 用于报告润色的自然语言处理(NLP);
(6) 新技术;
(7) 图像处理;
(8) FDA批准设备;
(9) 当前正在进行的相关临床试验。
肝胆系统
人工智能在肝胆系统超声成像中最常见的应用是诊断肝脂肪变性。一项拥有最大单中心数据集的研究[3]纳入了来自2020例患者的21,855张腹部超声图像。报告的性能为曲线下面积(AUC)0.996,用于区分临床异常脂肪变性与临床正常。Cha DI等人开发了一种卷积神经网络(CNN,一种深度学习模型,专门设计用于处理结构化网格状数据)模型来定量测量肝肾指数(HRI)[4],与两名经验丰富的放射科医生的评估性能进行比较,组内相关系数(ICC)分别为0.919、0.916和0.734,但没有独立验证集。Yang Y等人发现临床变量(年龄、性别、体重指数、糖尿病、纤维化-4指数、安卓脂肪比例和通过双能X射线吸收测定法测量的骨骼肌)对神经网络模型没有显著影响[5]。他们纳入了928例患者,开发了一个两段式神经网络,用于分类非酒精性脂肪肝严重程度的AUC为0.880。
另一个常见用例是癌症诊断。然而,这些研究的样本量相对较小。Oezdemir I等人开发了一种距离加权判别算法用于肝细胞癌KI-67状态预测[6],该算法类似于支持向量机(SVM,是一种监督机器学习算法,主要用于分类),仅纳入36例患者,其中一例为验证病例,在开发集中达到了86%的准确率。Qian H等人开发了一种基于放射组学特征的机器学习模型,这些特征由经验丰富的放射科医生手动获取[7],用于肝细胞癌经动脉化疗栓塞治疗反应的预测。他们纳入了118例患者,包含瘤内和瘤周放射组学特征,联合逻辑回归(LR)模型取得了最佳性能,AUC为0.870。Karako K等人开发了一种更快的基于区域的CNN,使用一名患者的术中超声图像进行肝脏肿瘤检测[8],在开发集中以平均平均精确率0.549和平均灵敏度0.627取得了优于经验丰富医师的性能。
对于肝胆系统的其他常见疾病,Yu CJ等人开发了深度学习模型,利用大型单中心数据集诊断急性胆囊炎[9],该数据集包括来自7348例患者的10971张超声图像,ResNet-50(一种属于残差网络家族的深度神经网络模型,具有50层)和MobileNet V2(一种主要为移动端和资源受限环境设计的卷积神经网络(CNN)架构,是MobileNet V1的改进版本)在验证集中分别达到了0.92和0.94的AUC。Intharah T等人开发了一个用于胆道异常检测的CNN模型[10],使用了来自817例患者的6569张图像,这些图像取自胆管癌筛查与关怀计划(CASCAP)数据集。他们使用该模型辅助四组专家级放射科医师,该模型显著提高了所有放射科医师的表现,平均准确率从0.50提高到0.74,平均精确率从0.46提高到0.61。Dadoun H等人开发了一个使用多中心数据的检测Transformer(DETR)模型用于局灶性肝脏病变检测[11],包括开发集中来自1026例患者的2551张图像和验证集中来自48例患者的155张图像,DETR取得了最佳性能,特异度为90%,敏感度为97%,显著优于两位专家。Kim T等人开发了一个由ResNet-152、Inception v3(一种属于Inception家族的深度卷积神经网络架构,具有第三代Inception架构)和DenseNet-161(一种属于密集连接网络家族的深度神经网络模型,具有161层)组成的集成模型,用于诊断胆囊息肉[12]。他们纳入了来自501例患者的1460张图像的多中心数据,该集成模型在五折交叉验证中达到了0.908的AUC、87.61%的准确率、88.35%的特异度。
研究人员也致力于肝囊型棘球蚴病的诊断。Wu M等人使用来自967例患者的1820张图像开发了算法[13]。VGG-19(一种属于视觉几何组家族的深度卷积神经网络架构,具有19层)在五折交叉验证中表现最佳,准确率为90.6%。Wang Z等人开发了一种由VGG-19、ResNet-18、ViT-Base(一种属于视觉Transformer家族的模型)和ConvNeXt-T(ConvNeXt家族中最小的深度卷积神经网络架构,T表示tiny)模型组成的普通集成方法(NEA)堆叠模型[14],包括来自972例患者的3083张图像。该堆叠集成模型在验证集中达到了0.971的AUC,而堆叠NEA模型的AUC为0.948。
腹部多器官
对于腹部多器官,人工智能在超声中最常见的应用是创伤检测。一项最大的多中心研究旨在获取儿科创伤超声重点评估(FAST)视图,纳入699例患者,包含4925个视频和1,062,612张图像[15]。他们开发了一个ResNet-152模型,对视频的总体准确率为97.8%,对图像的总体准确率为93.5%,具体而言,腹部右上象限视图为95.2%,耻骨上视图为96.0%。Hernandez-Torres SI等人开发了一个预训练的深度学习ShrapML模型,用于在增强FAST视图中检测创伤[16],在检测腹腔出血、血胸和阴性结果方面分别达到超过97.0%的准确率。Leo MM等人纳入94例接受FAST检查的患者,构建了一个YOLO v3(一种基于先前版本You Only Look Once构建的实时目标检测模型)模型[17],在五折交叉验证中达到0.97的AUC,但未进行独立验证。Sjogren AR等人开展了一项放射组学机器学习研究[18]。纳入20例患者开发了一个SVM模型,在十折交叉验证中达到100%的敏感度和90.0%的特异度,未进行独立验证。
另一个主要应用场景是阑尾炎诊断。Stiel C等人利用多中心数据开发了一个随机森林模型,基于四种经典阑尾炎评分——海德堡阑尾炎评分、Alvarado评分、儿童阑尾炎评分和Tzanakis评分——开发了一种新的阑尾炎人工智能评分[19]。该模型对单纯性阑尾炎的阳性预测值(PPV)为95.0%,阴性预测值(NPV)为70.0%;对穿孔性阑尾炎的PPV为34.4%,NPV为93.8%。Marcinkevičs R等人开发了多视图概念瓶颈模型(MVCBM)的半监督扩展[20],一种自编码器,使用579例儿科患者的1709张图像,在验证集中达到0.80的AUC和0.92的精确率-召回率曲线下面积(AUPR)。
Kanauchi Y等人使用来自1444例患者的2664张图像开发了一个YOLO v5模型用于肾囊肿诊断[21],其精确率为0.85、召回率为0.86,性能与两名经验丰富的放射科医师相当。Li Z等人开发了一个区域卷积神经网络(RCNN)模型用于小儿肠套叠诊断[22]。他们纳入440例病例共2325张图像,准确率、召回率和特异度分别为93.0%、92.0%和94.1%,但训练集中20%的阳性病例被共享至测试集,导致数据泄漏。Zhong W等人开展的一项多中心大型数据集研究纳入两个公共数据集,从孕妇心电图中提取胎儿心电图[23]。胎儿心电图合成数据库(FECGSYNDB)用于训练,PhysioNet/计算心脏病学挑战数据库(PCDB)中的2475例和腹部及直接胎儿心电图数据库(ADFECGDB)用于验证,他们开发了一个基于自编码器的深度学习模型,在ADFECGDB中达到96.1%的敏感度和92.3%的PPV,在PCDB中达到92.6%的敏感度和94.6%的PPV。
肌肉骨骼系统
许多研究利用腹部超声图像开发了用于呼吸运动追踪的人工智能模型。呼吸运动是由胸部、膈肌和腹部肌肉的协调运动产生的。Huang P等人开展了一项多中心研究,使用自由呼吸状态下27个腹部超声序列获取的57个特征[24],采用主成分分析和慢特征分析(SFA)进行特征提取,通过K近邻(KNN,一种简单而强大的监督机器学习算法,用于分类和回归任务)找到最相似的追踪运动,实现了1.14 ± 1.42 mm的平均误差。Mezheritsky T等人开发了一种基于自编码器的卷积神经网络(CNN)模型[25],纳入20名健康志愿者,用于对吸气中期、吸气期和呼气中期呼吸相位进行分类。其平均误差为3.5 ± 2.4 mm。Yao C等人开发了一种用于特征提取的CNN[26],纳入58名个体的肝脏呼吸运动数据,数据采集自临床超声图像。其性能优于参考模型达76.5%。Chen A等人使用由胸壁和腹壁超声组成的无线可穿戴传感器接收距离-时间衰减超声波[27],纳入11例病例,每例1200个切片。他们开发了三种随机森林(RF,一种常用于分类和回归任务的监督机器学习算法)算法,个体RF表现最佳,准确率为98.9%。除正常呼吸运动追踪外,Molnár V等人开发了一种用于预测阻塞性睡眠呼吸暂停的RF模型[28]。他们纳入100例患者,使用超声图像测量颈部、胸部和腹部皮下脂肪组织,在开发集中达到了97.0%的精确率,但未进行进一步验证。
Petrovsky DV等人记录了3661名运动员的腹腔和盆腔器官超声检查记录,用于监测其运动恢复情况[29]。他们开发了RF和广义线性模型(GLM,线性回归模型的一种灵活扩展,允许响应变量具有非正态分布的误差分布)用于分类分解代谢、合成代谢和肝脏代谢,RF表现最佳,准确率为99.0%,召回率为98.0%。Saleh A.等人开发了一种基于全卷积网络(FCN-8,一种主要用于语义分割任务的深度学习架构,最终分割图通过8倍上采样获得)模型骨干的深度学习模型,用于测量腹肌厚度以监测背痛[30]。他们纳入400张腹部超声图像,通过十折交叉验证实现了0.31的平均绝对误差(表1、2、3、4、5、6)。
妇科
人工智能在盆腔/经阴道超声图像中的主要应用是癌症诊断。Gao Y等人开展了一项用于卵巢癌诊断的大型多中心数据集研究[31],纳入来自10家医院的3755例卵巢癌患者的34,488张超声图像和101,777例对照者的541,442张图像。他们开发了一种卷积神经网络(CNN)模型,并在经验丰富的放射科医师辅助评估下,CNN模型达到了最佳AUC 0.88。Deeparani M等人开展了一项用于盆腔肿块检测的大型多中心数据集研究[32],包括23,965张盆腔肿块超声图像用于训练,15,977张盆腔肿块超声图像用于验证。他们开发了多种深度学习模型,CNN模型表现最佳,准确率达99.8%。Nero C等人基于超声影像组学特征开发了多种机器学习模型,用于种系(乳腺癌基因)BRCA 1–2状态预测[33],共纳入255例患者,自动机器学习表现最佳,特异度为87.0%,阴性预测值(NPV)为73.0%,准确率为72.0%。
另一个主要应用是盆腔康复功能评估。Zhu Y等人开发了一种双线性CNN模型,用于腹腔镜子宫切除术后疼痛程度分类[34],在开发集的80例患者中达到了最高准确率97.3%。Abdel Hady DA等人开发了多种机器学习模型,用于预测骨盆倾斜和腰椎角度[35],这是评估盆腔功能的关键因素。他们纳入92例患者,AdaBoost模型通过交叉验证表现最佳,决定系数(R2)为0.98。
Otjen JP等人开发了一种决策树模型,用于儿童卵巢扭转预测[36]。他们纳入450例患者,该模型在开发集中达到AUC 0.96,未进行独立验证。Maicas G等人开发了一种基于ResNet的模型,用于道格拉斯窝(POD)检测,这是子宫内膜异位症诊断的关键征象[37]。他们纳入749个视频,在验证集中达到AUC 0.97。Chen T等人开发了多种机器学习模型,用于中枢性性早熟检测[38]。他们纳入455例患者,极端梯度提升(XGBoost,一种强大、可扩展且高效的机器学习算法,广泛用于监督学习任务)模型表现最佳,敏感度为81.0%,特异度为72.0%,F1分数为0.80。
除了人工智能在疾病诊断和健康监测中的应用外,人工智能还极大地增强了腹部超声技术的应用,包括用于超声报告精炼的自然语言处理(NLP,人工智能的一个领域,专注于计算机与人类通过自然语言进行交互。它使机器能够以有意义且有用的方式理解、解释和生成人类语言),以及图像处理中的新技术。
用于报告精炼的NLP
Garla V 等开发了一种基于拉普拉斯文本的支持向量机(SVM)模型,用于腹部超声、CT 和 MRI 报告的癌症预警检测 [39]。除训练参考标准外,他们还使用了 19,485 份随机抽样的未标注记录,并在 520 份标注报告上进行评估。算法达到了 87.7% 的阳性预测值(PPV)、94.3% 的灵敏度和 0.77 的 F1 分数。Morioka C 等开发了一种基于文本的特征向量,结合决策表分类器算法和文本工程通用架构(GATE)开发系统,用于腹主动脉瘤(AAA)报告分类 [40]。他们纳入 1,402 份超声报告,在没有独立验证集的情况下达到了 99.0% 的精确率和 99.0% 的召回率。Cheng JJ 等开发了一种基于规则的分类器,用于多囊卵巢形态分类 [41]。他们纳入来自 25,535 名女性的 39,093 份报告,在验证集中达到了 97.6% 的准确率。Yazdani A 等开发了一种 N-gram 模型,用于腹部和盆腔超声报告中波斯语的拼写错误检测和纠正 [42]。他们纳入 3,531 份报告(包含 106,084 个词)和 1,509 个拼写错误用于训练,428 份报告(包含 19,264 个词)和 187 个拼写错误用于验证,N-gram 算法检测出 90.3% 的拼写错误,纠正准确率达到 88.6%。Xie F 等开展了一项多中心研究,使用自然语言处理(NLP)算法检测早产报告 [43]。他们纳入 441,673 名患者,其中 103,139 名患者为早产,该算法在独立验证集中达到了 97.0% 的 PPV。
新技术
超声检查易受操作者使用探头操作水平的影响,所获图像的可重复性可能成为问题。Housden J 等开展了一项使用双探头机器人获取标准化超声图像的前瞻性研究 [44]。该机器人具有 17 个自由度,用两条臂夹持和控制两个探头,与人类专家(100%)相比,其获得了 95% 的良好或可接受的超声图像质量。
慢性背痛患病率高,严重影响患者的生活质量。Perotti L 等使用可穿戴智能超声设备实时监测腹部肌肉活动 [45],为患者和医生提供视觉生物反馈。他们纳入 15 名慢性背痛患者,患者佩戴该设备两小时,然后完成问卷和量表以评估其使用体验和接受度。他们报告患者高度愿意将该系统作为反馈工具用于物理治疗实践和家中。与触诊等传统方法提供的更主观的反馈相比,肌肉收缩状态的自动检测和评估被强调为该系统的主要优势。
图像处理
人工智能在超声图像处理中的主要应用是自动分割。自动分割是指从图像中自动勾画出感兴趣区(ROI)以供进一步研究。Kim KB等开展了一项逐步流程来提取阑尾轮廓以进行定量测量[46],包括二值化、插值、去除噪声以及模糊自适应共振理论(ART,一种用于无监督学习和聚类的神经网络模型)算法。他们的方法在未进行单独验证的情况下达到了95.0%(40例中38例)的准确率。Lei Y等开发了一种基于全卷积单阶段目标检测器(FCOS)主干的卷积神经网络(CNN)[47],用于自动分割盆腔器官。他们纳入了83例病例,在多个盆腔器官中,该模型在五折交叉验证中分割前列腺的最佳Dice相似系数(DSC)为0.94,分割直肠的最佳95%豪斯多夫距离(HD95)为1.65 mm。Ashkani Chenarlogh V等开发了一种基于U-Net的算法,用于从孕妇腹部超声图像中自动分割胎儿头部和腹围[48]。他们共纳入694例患者,胎儿头部分割获得的DSC和Jaccard系数分别为97.6%和95.4%;胎儿腹部分割分别为95.07%和91.99%;在公开的HC18-Grand challenge数据集上分别为97.5%和95.0%。Singh VK等开发了一种基于U-Net的模型用于分割卵巢和窦卵泡[49]。他们纳入了197例患者,该模型对卵巢的DSC为90.0%,对窦卵泡的DSC为81.0%。Szentimrey Z等开发了一种基于U-Net的模型用于分割盆腔多器官[50],纳入来自135例患者的248个容积,该模型在单独验证集中的DSC为87.4%。Peng T等开发了一种CNN模型用于分割肾脏[51]。他们纳入了来自115例患者的1380幅图像,该模型的DSC为94.6%。
另一个主要应用是图像分类。Cheng PM等开发了一种基于CaffeNet的模型,将腹部超声图像分为11个类别[52]。他们纳入来自136项研究的4094幅图像作为训练集,来自49项研究的1423幅图像作为验证集。该模型在验证集中的准确率为90.4%。Chen L等开发了一种CNN模型用于多种任务的图像分类[53],并通过在2694幅孕妇腹部超声图像中对13类胎儿扫查切面进行分类来测试其性能。该模型的精确率为89.4%,召回率为89.7%,F1分数为89.4%。Lawley A等开发了多种深度学习模型,将常规上腹部超声扫查分为16个类别[54],并在26,294幅图像上验证了模型性能。InceptionV3模型表现最佳,准确率为95.1%。Camps SM等开发了一种基于DenseNet的模型[55],他们纳入了三个不同的数据集,共来自36例患者的11,148幅图像。该模型的准确率为94.0%,特异度为95.0%,灵敏度为92.0%。
学习超声图像的特征并生成指定的超声图像视图也是一项有前景的应用。Gibson E等人利用Tensorflow中的内置应用程序开发了一个智能流水线[56],包括分割、分类、检测、配准、重建、增强、模型表示和生成。该模型展示了在不同数量的超声阴影伪影之间的平滑变化。Vitale S等人开发了一个具有两个生成器的CycleGANs模型[57],一个U-Net(一种专为图像分割设计的卷积神经网络,尤其在生物医学应用中)和一个ResNet,以提高从CT扫描进行腹部超声模拟的真实感。他们获得了由21名技术人员或医生评估的有前景的真实感评分。Cammarasana S等人开发了一个最先进的DNN模型用于提高超声图像的质量[58]。该模型将腹部超声原始图像的PSNR值提高了4.4%。Mezheritsky T等人开发了一个自编码器模型,通过2D腹部图像生成3D超声图像以跟踪呼吸行为[25]。他们纳入了20名健康志愿者,该模型实现了3.5 mm的平均跟踪误差。
FDA批准的设备
截至2023年10月,美国食品药品监督管理局(FDA)已批准692个人工智能(AI)和机器学习(ML)算法[2]。692个中有17个是超声AI设备,17个中有16个由GE Medical Systems Ultrasound and Primary Care Diagnostics公司支持,另一个由Philips Ultrasound支持。所有17个设备均可应用于腹部超声图像,其主要用途包括人体和液体的测量与分析;专门用于心脏成像;超声图像的诊断审查与分析、患者记录管理与报告;腹部成像(妇科、盆腔及不孕症监测/卵泡发育);以及多模式诊断成像。表7总结了FDA批准的AI超声设备。
正在进行的临床试验
目前有几项关于AI在腹部/盆腔超声成像中应用的正在进行的临床试验。Ambroise Grandjean G等人正在开展一项前瞻性试验,使用深度学习算法从腹部超声成像中自动提取3D超声体积中的胎儿成像和生物测量数据(NCT03812471)。Carlos Robles-M等人打算构建一个CNN算法,在线性和径向内镜超声评估过程中识别腹部解剖结构(NCT05151939)。Jan D等人正在开展一项单中心研究,使用智能算法基于经会阴超声图像和患者自我报告症状评估和预测分娩一年后的盆底恢复情况(NCT05530681)。Theo R等人开发了一种能够从超声图像中自动分割盆腔血管的算法,并将对其进行前瞻性验证(NCT05637346)。
讨论
在这篇综述中,我们概述了当前人工智能在腹部/盆腔超声成像中的应用。我们根据解剖部位(肝胆系统、腹部多器官、肌肉骨骼系统以及妇科/盆腔)对研究进行了检索和分类。目前人工智能在腹部超声成像中的主要应用包括疾病诊断(42.1%,57项中的24项)、癌症诊断(7.0%,57项中的4项)、健康监测(15.8%,57项中的9项)、胎儿健康监测(1.8%,57项中的1项)、用于超声报告润色的自然语言处理(NLP)(5.3%,57项中的3项)以及图像处理(28.1%,57项中的16项)。我们还介绍了美国食品药品监督管理局(FDA)批准的腹部超声成像人工智能设备以及相关的正在进行的临床试验。
人工智能已广泛应用于腹部/盆腔超声,并显示出令人鼓舞的结果。尽管相关研究不断涌现,但在方法学、前瞻性验证、数字基础设施和种族多样性方面仍有很大的改进空间。
首先,需要一个外部或独立验证集来评估模型的性能。在我们的综述中,我们看到肝胆系统有2项研究[12, 13]、肌肉骨骼系统有1项研究[30]、妇科有1项研究[35]未使用独立验证集,它们直接使用交叉验证来评估模型性能。这可能导致阳性偏倚,因为对于k折交叉验证,我们将数据分成k份(k折交叉验证),使用k份中的一份进行验证,其余k-1份用于训练模型,该过程将重复k次。通过重复交叉验证的过程,模型从数据中学习相互关系和代表性特征并调整其参数,一旦交叉验证完成,模型已经学习了数据的特征和结局(所谓的数据泄漏)[59],需要一个外部验证集来评估微调后的模型。并不是模型越复杂性能越好,较简单的模型更易于解释、节省运行时间,且过拟合风险更低(模型在训练集和内部验证中表现良好,但在外部验证中表现较差)[60]。Wang等[14]构建了VGG19、ResNet18、ViT-Base模型以及一个堆叠模型来集成上述所有模型以诊断肝囊型棘球蚴病,而集成模型显示出相当或更优的性能,但无统计学显著性。
其次,前瞻性验证对于可信且可靠的人工智能开发至关重要。多中心设置的目的是通过尽可能多地学习不同的数据模式来提高模型的泛化能力。然而,在我们纳入的大量研究中,只有一项图像处理研究进行了前瞻性验证[44],没有任何疾病诊断或健康监测研究进行了前瞻性验证。只有25%(57项中的14项)的研究是多中心研究。对于某些基于大型单中心数据集开发的模型[3, 9],前瞻性验证将非常必要。已注册的相关临床试验数量也有限。Gulshan等人开发了一种用于检测糖尿病视网膜病变的深度学习模型[61],在回顾性设置下的两个独立的美国验证集中达到了0.99的AUC值,而在泰国11家农村诊所进行前瞻性验证时性能下降[62],原因是缺乏能够拍摄高质量图像的专用筛查室、宽带连接不稳定,以及患者对必须到医院随访的担忧。在开发过程中,人工智能模型在历史和现有数据上进行训练和验证,与其他回顾性临床研究一样,数据本身可能是在某些偏差或模式下产生的。前瞻性验证是为了确保模型在未见过的真实世界数据上具有良好的泛化能力,这些数据可能具有训练数据中未捕获的新模式、变异和偏移[63]。
第三,在本综述中,纳入的研究均未报告种族群体的构成。[62]不同种族群体可能包含人工智能模型能够捕获的未见的趋势或模式。[64]例如,Obermeyer等人[65]发现证据表明,被算法判定为相同风险水平的黑人患者比白人患者病情更重,这使得被识别为需要额外护理的黑人患者数量减少了超过一半。Hsu等人开发了一种用于乳腺钼靶筛查的集成深度学习模型[66],并分别在山谷大学(加州大学洛杉矶分校)队列、凯撒永久华盛顿队列和卡罗林斯卡研究所队列中验证了其性能,发现用于自动筛查乳腺钼靶判读的集成深度学习模型的高性能并不能推广到更多样化的筛查队列。最近一项放射组学研究开发了一种算法,使用治疗前MRI放射组学特征来预测乳腺癌患者对新辅助化疗的反应[67],该算法在德国队列中开发,并分别在美国队列和中国队列中验证,在美国队列中显示出非劣效性能(AUC:0.75 vs. 0.81,p = 0.543),但在中国队列中性能较低(AUC:0.61 vs. 0.81,p = 0.004)。单一的种族构成可能导致模型性能出现正向偏倚。
第四,仅5.3%(57项中的3项)的研究报告了其算法的计算时间[9, 17, 21],这在某些紧急情况下可能是一个关键因素,报告这些算法的成本也很重要。数字基础设施将成为农村地区应用的障碍[68]。大数据机器学习研究需要高容量的中央处理器(CPU)内存;深度学习研究在进行图像处理和训练时,尤其是数据增强(一种通过翻转、旋转和裁剪图像来增加数据量的技术)会产生指数级增长的图像,需要高容量的图形处理器(GPU)内存,而目前这些设备价格昂贵。当将人工智能算法作为医疗器械投入临床实践时,欧洲药品管理局(EMA)和美国食品药品监督管理局(FDA)均要求人工智能设备满足一定的性能和安全性标准,其中可能包括在与临床应用相关时及时提供结果[69, 70]。我们建议在未来的研究中报告CPU和GPU的类型、用于开发人工智能算法的设备内存大小,以及计算AUC值和进行个体预测的计算时间。
第五,随着智能算法开发的经典指南已经发布[71],这些指南在入组、分配、随访和分析方面为设计人工智能研究提供了透明且严谨的建议。我们呼吁研究人员严格遵循这些指南,以尽可能减少偏倚。
结论
总之,人工智能在腹部/盆腔超声中的应用显示出令人鼓舞的结果,在更新临床诊断和管理方面具有巨大潜力。然而,偏倚风险仍然很高,因为迄今为止这些应用中很少有经过前瞻性验证(在多中心研究中)或获得FDA批准的。
引用
- Cai L, Pfob A. Artificial intelligence in abdominal and pelvic ultrasound imaging: current applications. Abdom Radiol (NY). 2024. PMID: 39487919. doi:10.1007/s00261-024-04640-x
- 全文:PMC11947003(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11947003/
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。