人工智能醫學影像輔助診斷系統在肺結節診斷上的應用研究

萬 云

（廣州市第一人民醫院，廣東 廣州 510000）

1 背景

隨著現代科學技術的飛速發展，人工智能技術不斷涉足工作生活的各個領域，醫療健康正在人工智能應用快速發展的重要領域，目前AI技術與醫學影像成像方法的結合已經成為領域內的研究熱點，相關的研究成果呈爆發式增長[1]。人工智能輔助診斷系統提供一個基于深度學習的智能醫學影像輔助診斷系統，深度融合入影像科醫生的工作流程中，在醫生閱片過程中提供智能輔助診斷信息，輔助醫生完成影像診斷，減少誤診和漏診，提高工作效率。肺癌是世界上對人類健康威脅最大的惡性腫瘤之一，發病率和病死率居所有惡性腫瘤首位[2]，薄層CT技術有助于檢測早期的肺癌，但薄層CT增加了CT成像數量和影像科醫師的閱片量，可能出現對肺結節的漏檢和誤診[3]。我院成立了人工智能輔助診斷中心，利用醫學影像輔助診斷系統輔助醫師進行肺結節篩查，提升醫生診斷效率和準確性。

2 基于多模態3D-CNN特征提取技術

CNN（卷積神經網絡）是一種針對分類對象特異性學習的一種有監督特征提取方法，已在很多領域有成功的應用[4-5]，1988年，Wei Zhang提出了第一個二維卷積神經網絡：平移不變人工神經網絡（SIANN）并將其應用于檢測醫學影像。但經典的2D-CNN應用于肺部腫瘤多模態圖像，同一病人的不同模態強調的信息不同，不同病人的腫瘤位置、大小、灰度差異等也各不同，將經典卷積神經網絡運用到CT肺部腫瘤分割會出現如下問題：首先，要對肺部腫瘤圖像進行分割，必須對單個像素點進行分類，所以原始輸入只能是單個像素點的鄰域，而這個鄰域的大小難以把握；其次，不同病人肺部腫瘤大小不一，同一病人不同圖像層肺部腫瘤的大小也不一樣，即使通過訓練層確定了原始輸入層的鄰域值，也難以保證此鄰域適合這個病人所有的腫瘤點。

多模態3D-CNN原始輸入層由四個模態共同構成，通過3D卷積自動提取各個模態之間的差異信息，最后的特征向量作為像素屬性特征，用分類器對像素進行分類，有監督學習方法實現了針對不同病人差異信息提取不同的分類特征；下采樣使得特征提取包含更多的結構邊緣信息，同時剔除冗余信息和噪聲；多模態共同輸入使得原始輸入需要更少的鄰域信息，以適應不同圖像層的腫瘤點，提高肺部腫瘤的分割精度。

結合肺部CT圖像的特點，采用多模態3DCNN特征提取方法，充分利用各個模態的差異信息，同時兼顧腫瘤大小的差異變化，可以提取更豐富的鄰域信息及邊界信息，更好的區分邊界模糊的腫瘤點與非腫瘤點，快速準確地分割肺部腫瘤。基于多模態3D-CNN特征提取方法以及圖像識別和深度學習技術開發的人工智能醫學影像輔助診斷系統，結合權威醫學專家診斷經驗和大量樣本數據，能自動從醫學影像中檢出病灶并對良惡性作出判斷，輔助醫生快速、準確地完成影像診斷[6-7]。

3 系統應用

本院自2017年起成立人工智能輔助診斷中心，采用基于多模態3D-CNN特征提取技術對肺部CT影像進行肺結節進行篩查。人工智能影像輔檢系統通過接口對接醫院PACS系統，將PACS系統上肺部CT的DICOM圖像導入到人工智能影像輔檢系統，通過多模態3D-CNN特征提取技術對DICOM影像數據進行分析。在醫生完成診斷并提交影像報告后，在線比較系統診斷意見和醫生診斷意見，系統對不一致的病例提出輔檢意見，提交給診斷醫生，由其在系統檢出結果的意見指導下完成復核，達到減少漏診的目的。人工智能檢查的結果嵌入到PACS系統閱片界面中，并將結果以列表、結節框、詳細信息、右鍵屬性、幀色塊方式展示；在結節列表顯示結節坐標、良惡性、詳細屬性等信息，可按照坐標、良惡性、關注程度排序。

4 效果分析

為了評價人工智能的學習提升能力，分析人工智能診斷肺結節的靈敏度及特異度，評估人工智能在臨床醫學影像診斷的可利用價值。在近半年內進行胸部CT檢查的患者中選取樣本進行分析。

4.1 調查方法

人工智能與專家組分別對胸部CT片子進行閱讀，互不干擾，出診斷報告結果即刻封存鎖定，比對人工智能診斷與專家組肺結節定位結果，同時記錄完成時間。在人工智能診斷與醫生診斷結果不一致時，邀請專家進行二次討論。最終判定統計出人工智能對實際存在的肺結節的識別及漏診情況，對未存在的非肺結節誤診情況。

4.2 結果判定

對兩組結果進行判定，對實際存在的肺結節能否分辨出來，而對未存在的非肺結節是否會誤判。在人工智能診斷與醫生診斷結果不一致時，邀請專家進行二次討論。因肺結節的“金標準”一般為活檢或手術發現，金標準結果不易獲取，故如有分歧時，以專家二次討論為金標準，更加科學客觀。

4.3 統計方法

對人工智能組、臨床醫生組及院外專家組（金標準組）的診斷結果整理匯總，數據呈現見表1。

表1 人工智能和專家組診斷結果匯總

靈敏度=A/(A+C)×100%； 假陰性率=C/(A+C)×100%=1-靈敏度。靈敏度表示實際存在的肺結節被正確地鑒別出來的百分比，即真陽性率。假陰性率即漏診率。特異度=D/(B+D)×100%；假陽性率=B/(B+D)×100%=1-特異度，表示實際未存在的肺結節被錯誤地判定為肺結節的百分比，即誤診率。

4.4 結果分析

基于真實病例30例肺部CT進行實際評測，經專家組反復認證，共有結節106個，系統的結節總敏感度達到84.9%，平均每例CT假陽性結節約0.53個；醫生獨立完成診斷效率為4.8分鐘/例，在機器幫助下完成診斷效率為1.9分鐘/例；系統幫助專家找回初診時漏檢的8個有臨床意義的結節。評估該系統確實能夠在實際應用中幫助醫生提高工作效率、減少漏診。建議系統應該繼續就臨床重點關注的磨玻璃結節進行優化，胸膜附近結節檢出水平不太穩定，需要做好階段性計劃，持續提升檢出效果。

5 討論

人工智能輔助診斷中心系統能有效提升影像科醫生診斷的準確率，減少誤診、漏診情況，通過系統的輔助能加快提升低年資醫生的診斷水平，由于人工智能醫學輔助診斷系統可7×24h持續穩定運行、無疲勞累積，可以有效降低影像科醫生的工作強度。

依托遠程醫療服務網絡，能夠將人工智能醫學影像輔助診斷中心承載的優質醫療資源普及到整個區域，緩解醫療資源緊張和分布不均的現狀。另外，大力發展人工智能醫學影像輔助診斷中心，通過協同創新促進各產業鏈的資源整合，推進醫療健康服務新模式的發展，可有效帶動區域內信息技術、醫療器械裝備制造、醫學影像診斷與醫學檢驗服務等相關的產業發展，提升區域經濟和社會的可持續發展力。