人工智能在呼吸疾病診治中的應(yīng)用進展(全文)

1、人工智能在呼吸疾病診治中的應(yīng)用進展（全文）摘要隨著計算機技術(shù)的發(fā)展，以專家系統(tǒng)和深度學(xué)習(xí)為代表的人工智能技術(shù)逐 漸應(yīng)用于呼吸疾病的診治中，特別是以卷積神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)技 術(shù)。在呼吸系統(tǒng)領(lǐng)域，人工智能技術(shù)在疾病流行預(yù)測、協(xié)助診斷、指導(dǎo)治 療、慢性病管理和預(yù)測預(yù)后等方面應(yīng)用成效斐然，成為了臨床醫(yī)生的有力 診斷工具。本文就人工智能技術(shù)在呼吸系統(tǒng)疾病診治中的應(yīng)用、挑戰(zhàn)和展 望進行綜述。隨著計算機技術(shù)與大數(shù)據(jù)的快速發(fā)展，人工智能（ artificial intelligence ， AI ）取得了很大的進步，并在各個領(lǐng)域得到了廣泛的應(yīng)用，其中最常見的 就是以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的深度學(xué)習(xí)（ dee

2、p learning ，DL） 1。 近年來 AI 技術(shù)在呼吸疾病中的應(yīng)用，促進了智能化和多樣化的疾病診治 方法，為臨床診療提供了有效的決策依據(jù)。本文對 AI 技術(shù)在呼吸疾病診 治中的應(yīng)用綜述如下。一、專家系統(tǒng)2000 2010 年，整合醫(yī)療專家經(jīng)驗、以輔助診療流程為主的專家系統(tǒng)得 到了廣泛應(yīng)用。專家系統(tǒng)是根據(jù)專家們提供的大量專門知識和經(jīng)驗，進行 推理和判斷，模擬人類專家的決策系統(tǒng)。它由 5 部分組成：儲存專家知識 和規(guī)則的知識庫；儲存原始數(shù)據(jù)和中間數(shù)據(jù)的綜合數(shù)據(jù)庫；用于決策的推理機；向用戶解釋系統(tǒng)行為的解釋器和輸入輸出數(shù)據(jù)的接口2, 31. 協(xié)助診斷： Fontenla-Romero等 4

3、開發(fā)了一個基于前饋型人工神經(jīng)網(wǎng)絡(luò)的專家系統(tǒng)對睡眠呼吸暫停綜合征進行分類。 訓(xùn)練資料為 120 例確 診病例，通過測試集獲得的平均準(zhǔn)確率為 (83.78 ±1.90 ) %。Burge等5 開發(fā)了一個基于測量峰流速變化輔助診斷支氣管哮喘(簡稱哮喘)的Oasys 系統(tǒng)，敏感度低于傳統(tǒng)算法( 69% vs 100% )，精確度高于傳統(tǒng)算 法( 60% vs 86% )。陳建榮等 6開發(fā)了一個包括血氣及酸堿平衡自動 判斷的模塊，可以有效分析酸堿平衡紊亂的類型。2. 慢病管理： Shegog 等 7 開發(fā)了一個包括判斷哮喘嚴(yán)重程度、指導(dǎo) 藥物使用、患者康復(fù)鍛煉及隨訪督促的慢性病管理系統(tǒng)。3.

4、預(yù)測預(yù)后： Smith 和 Smith 8 開發(fā)了一個用來預(yù)測肺癌患者生存期 的專家系統(tǒng)，以 100 例患者為資料來源進行編程?；仡櫺灶A(yù)測這 100 例 患者，發(fā)現(xiàn)預(yù)期生存和實際生存時間的平均誤差為341 d，其中有35例誤差 <100 d 。4. 預(yù)測并發(fā)癥：Santos-Garc a等9幵發(fā)了一個非小細(xì)胞肺癌根治術(shù)后，預(yù)測心肺并發(fā)癥發(fā)生率的模型，采集了患者的一般情況、合并癥、肺98% 。功能數(shù)據(jù)作為預(yù)測依據(jù)，與術(shù)后實際情況比較，準(zhǔn)確率為二、深度學(xué)習(xí)專家系統(tǒng)主要用于臨床分診，對于單一疾病的大規(guī)模數(shù)據(jù)分析能力不強。 2012 年以后，以圖像識別、語音識別、卷積神經(jīng)網(wǎng)絡(luò)技術(shù)為基礎(chǔ)的深度 學(xué)

5、習(xí)診療系統(tǒng)開始在臨床中廣泛應(yīng)用。1. 疾病流行預(yù)測： 2007 2008 年，“谷歌流感趨勢”10 通過分析數(shù)十 億搜索詞中的 45 個與流感相關(guān)的關(guān)鍵詞，比美國疾控中心提前兩周預(yù)報 流感發(fā)病率， 甚至可以具體到特定的地區(qū)和州。 2013 年， “谷歌流感趨勢” 跌下神壇，因為它在很長的一段時間內(nèi)一直高估流感的流行， 1 月份比實 際數(shù)據(jù)高兩倍，被高估的總周數(shù)達(dá) 100 周。 2014 年， Lazer 等11 指 出絕大部分大數(shù)據(jù)與經(jīng)過嚴(yán)謹(jǐn)科學(xué)實驗得到數(shù)據(jù)有著很大的不同，因為大 數(shù)據(jù)的匹配算法可能存在過度擬合的可能性，并提示數(shù)據(jù)價值不僅體現(xiàn)在 “大小”，更在于創(chuàng)新的數(shù)據(jù)分析方法。 2018

6、年， Huang 和 Kuo 12將 卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶應(yīng)用于 PM2.5 預(yù)測系統(tǒng)，可以為哮喘、慢性 阻塞性肺疾病等患者以及醫(yī)療衛(wèi)生單位提供有效預(yù)警。2. 協(xié)助診斷（尤其是圖像和聲音分析領(lǐng)域）： Ciompi 等13 將基于結(jié) 節(jié)像素的分析法用于小結(jié)節(jié)篩查， 檢測了 639 個結(jié)節(jié)， 獲得了較為滿意的 效果。 Trajanovski 等 14將 PanCan 風(fēng)險模型和卷積神經(jīng)網(wǎng)絡(luò)用于小 結(jié)節(jié)篩查，檢測了 8 000 張 CT 圖片，準(zhǔn)確率在 82%90% 。張正華等15 研發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)檢測模型，檢測了5 520 枚結(jié)節(jié)，結(jié)果 顯示 AI 組肺結(jié)節(jié)檢出率略高于主治醫(yī)師(

7、 94.3% vs 89.4% )。Anthimopoulos等 16將肺 CT 圖像標(biāo)注為正常、肺內(nèi)磨玻璃密度影( ground-glass opacity，GGO )、微小結(jié)節(jié)、 占位、網(wǎng)格影、蜂窩樣變、GGO 合并網(wǎng)格影 7 類，使用 14 696 例病例訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)， 在測試中 正確率為85.5% o Becker等17 將結(jié)核患者的斑片影、胸腔積液、粟 粒樣改變、空洞、正常等表現(xiàn)進行標(biāo)注，并對深度學(xué)習(xí)軟件進行訓(xùn)練。檢 測 138 例患者后發(fā)現(xiàn)， 軟件對于胸腔積液和實性病變檢測效果較好， 對于 空洞和粟粒樣改變檢出效果較差。2017 年研發(fā)的 CheXNet 是個 121 層卷積神

8、經(jīng)網(wǎng)絡(luò)，輸入 10 萬多張圖片， 輸出的是肺炎的概率以及熱圖用來定位最有可能指示肺炎的圖像區(qū)域18 。深度學(xué)習(xí)網(wǎng)絡(luò)需要10萬多標(biāo)注好的醫(yī)學(xué)圖片來訓(xùn)練，但是有 些疾病獲得大量醫(yī)學(xué)圖片是很困難的，并且標(biāo)注需要花費專業(yè)醫(yī)生大量時 間。那能否通過改善算法，減少工作量？ “遷移學(xué)習(xí)”19 就是把已訓(xùn)練 好的模型參數(shù)遷移到新的模型來幫助新模型訓(xùn)練。這樣就可以利用極少的 訓(xùn)練圖像，更快、更高效地辨認(rèn)圖像的特定結(jié)構(gòu)。2018 年， Kermany 等20 在 10 萬張視網(wǎng)膜光學(xué)相干斷層掃描 (opticalcoherence tomography ， OCT )圖像訓(xùn)練出來的診斷眼部疾病的AI 系統(tǒng)的基礎(chǔ)上

9、，用超過 5 000 張胸部 X 線圖像加上“遷移學(xué)習(xí)”，構(gòu)建出能診 斷肺炎的AI系統(tǒng)。該系統(tǒng)在檢測肺炎時，能夠達(dá)到92.8%的準(zhǔn)確性、93.2% 的敏感度和 90.1%的特異度。更厲害的是，它可以很好地區(qū)分細(xì)菌及病毒性肺炎，準(zhǔn)確性達(dá) 90.7% 。同年，吳恩達(dá)團隊 21 再次研發(fā)了一種深度 學(xué)習(xí)算法： CheXNeXt ，與之前專門檢測肺炎的算法不同，該模型可以診 斷 14 種疾病。 該算法識別 10 種病理表現(xiàn)的能力與放射科醫(yī)生相似； 對于 肺不張，該算法表現(xiàn)顯著優(yōu)于放射科醫(yī)生。通過測試發(fā)現(xiàn)，放射科醫(yī)生平 均在 240 min 內(nèi)給 420 幅圖像進行標(biāo)記，而深度學(xué)習(xí)算法能在 1.5 mi

10、n 內(nèi)標(biāo)記相同的 420 張胸片，并在另外的 40 s 內(nèi)生成熱圖，突出顯示了病 理圖像區(qū)域，提高了診斷效率。Chamberlain 等22用來自 11 個不同聽診區(qū)的 11 627 個聲音來訓(xùn)練 深度學(xué)習(xí)模型，實現(xiàn)了對哮鳴音和濕啰音的自動分析。 Urtnasan 等23 將卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于睡眠呼吸暫停綜合征患者單導(dǎo)聯(lián)心電監(jiān)測數(shù)據(jù)的 分析，通過 45 096 例數(shù)據(jù)集對卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，并對 11 274 個 病例數(shù)據(jù)進行測試，符合率為 87% 。 Steven 等24 將卷積神經(jīng)網(wǎng)絡(luò)分 析用于肺癌患者低豐度血漿游離 DNA 檢測，最低檢測豐度為傳統(tǒng)方法的 百分之一。Burlutskiy

11、 等25將 712 例肺癌標(biāo)本做成組織芯片，其中 223 例鱗癌， 398 例腺癌， 74 例大細(xì)胞癌和 17 例其他癌癥類型。 測試了 178 例， 正確 率為 80% 。 Coudray 等 26研發(fā)了一種自動分析組織病理學(xué)圖像的深 度學(xué)習(xí)算法，它幾乎明確地區(qū)分了正常組織和腫瘤組織，同時也以高精度area under區(qū)分了肺癌的類型，性能與病理學(xué)家相似，平均曲線下面積（ curve , AUC ）為0.97。Lustberg 等27 使用經(jīng)過訓(xùn)練的深度學(xué)習(xí)系 統(tǒng)規(guī)劃肺癌放療靶區(qū)，基于對肺、食道、脊髓、心臟和縱隔的輪廓分析， 平均節(jié)約 40% 的畫靶時間。Ardila 等28提出了一種使用患

12、者當(dāng)前和先前的 CT 圖像來預(yù)測肺癌風(fēng) 險的深度學(xué)習(xí)算法，該算法在 6 716 例試驗病例中達(dá)到了最先進的性能， 準(zhǔn)確率為 94.4% ；并且對額外的、 獨立的 1 139 例病例的臨床驗證組進行 了評估，準(zhǔn)確率為 95.5% 。 Massion 等 29 研發(fā)了基于深度學(xué)習(xí)的肺 癌預(yù)測卷積神經(jīng)網(wǎng)絡(luò)（ LCP-CNN ），用以區(qū)分良、惡性和偶然檢測到的 不確定的肺結(jié)節(jié)。與傳統(tǒng)的風(fēng)險預(yù)測模型相比，可以將超過三分之一的癌 癥和良性結(jié)節(jié)重新分類為高、低風(fēng)險組，從而減少不必要的侵入性手術(shù)。Wang等30 提出了一種利用無創(chuàng) CT圖像來預(yù)測肺腺癌患者 EGFR突 變狀態(tài)的深度學(xué)習(xí)模型，在初級隊列（ 60

13、3 例， AUC=0.85 ）和獨立驗證 隊列（ 241 例， AUC=0.81 ）中均取得了較好的預(yù)測性能。2020 年， Zhang 等 31基于超過 50 萬張的臨床影像學(xué)圖像開發(fā)了一 款新型冠狀病毒肺炎 AI 輔助診斷系統(tǒng)。通過測試，該系統(tǒng)準(zhǔn)確率可達(dá)到 90% 左右，即使是對于外國數(shù)據(jù)集，也達(dá)到了 84.11% 的準(zhǔn)確率。 Wang 等32 提出了一種通過 CT掃描對新型冠狀病毒肺炎進行診斷和預(yù)后分 析的 AI 系統(tǒng)。在訓(xùn)練集中， 該系統(tǒng)表現(xiàn)出良好的診斷性能 （AUC=0.90 ）， 并在兩個外部驗證集得到了證實（ AUC=0.87 和 0.88 ）。由此可見，在大 量臨床影像數(shù)據(jù)的支持下， AI 系統(tǒng)能夠準(zhǔn)確地檢測出新型冠狀病毒肺炎患 者，這不僅有助于快速診治，還能協(xié)助訓(xùn)練住院醫(yī)師，提高診斷水平3. 預(yù)測預(yù)后：Gonz dez等33 將深度學(xué)習(xí)技術(shù)用于預(yù)測 7 983例慢性 阻塞性肺疾病患者急性加重和呼吸衰竭的發(fā)生率，預(yù)測結(jié)果與臨床的吻合 率為 74.6% o Ying 等 34建立了一種慢性阻塞性肺疾病疾病危重程度 的自動分類算法，