 |
 |
新冠肺炎診治中醫(yī)學影像人工智能的價值
[摘要]新型冠狀病毒肺炎（CoronavirusDisease2019，COVID-19)是由新型冠狀病毒感染引發(fā)的以肺部感染為主的乙類傳染病。此次COVID-19疫情中的影像學暴發(fā)式需求，對醫(yī)院影像診斷能力帶來了巨大挑戰(zhàn)，也客觀上推動了人工智能（ArtificialIntelligence，AI)輔助診斷的發(fā)展。本文對醫(yī)學影像學在COVID-19診治及防控決策中的價值、COVID-19的臨床影像表現、醫(yī)學影像學診斷面臨的挑戰(zhàn)、COVID-19AI研發(fā)價值與研發(fā)現狀、COVID-19AI的不足與對策進行了闡述。
[關鍵詞]新型冠狀病毒肺炎；人工智能；CT；影像診斷
引言
新型冠狀病毒肺炎（CoronavirusDisease2019，COVID-19)是以肺部炎性病變?yōu)橹鞯囊翌悅魅炯膊。≡w為新型β型冠狀病毒。COVID-19主要的傳播途徑是經呼吸道飛沫和接觸傳播，人群普遍易感[1-3]。COVID-19診斷依據包括流行病學接觸史、發(fā)熱等臨床表現、實驗室檢查、影像學檢查等，疑似病例同時具備病原學或血清學證據之一者是確診的依據。早發(fā)現、早隔離、早診斷、早治療是目前防控治療COVID-19的最有效手段。臨床上，影像學診斷貫穿了COVID-19診療的多個環(huán)節(jié)，發(fā)揮了非常重要且不可替代的作用。隨著影像學尤其是CT掃描的廣泛應用，快速、精準的影像診斷成為此次疫情中一項重大挑戰(zhàn)。COVID-19影像人工智能（ArtificialIntelligence，AI)產品的及時研發(fā)發(fā)揮了重要的作用，取得了一定的效果，但同時也有很多問題有待解決。
1影像學在COVID-19診治及防控決策中的價值
國家衛(wèi)生健康委員會《新型冠狀病毒感染的肺炎診療方案》已經更新到了試行第七版[4]，其中，影像學診斷貫穿了COVID-19診療的多個環(huán)節(jié)。在診斷標準中，具有COVID-19的影像表現，是缺乏流行病學證據時疑似病例確定的必備條件。試行第五版中，更是在“疑似病例”和“確診病例”之外增加了“臨床診斷病例”，并將“疑似病例具備肺炎影像特征者”作為其診斷標準（只限于湖北省內)，確立了影像檢查在疫情防控中的重要作用。在診斷分型中，特別增加了肺部影像學顯示24~48h內病灶明顯進展>50%者按重型管理，以及影像學顯示雙側或多肺葉浸潤、胸腔積液或短期內病變快速進展者提示重癥或危重癥。在出院標準中，要滿足肺部影像學顯示急性滲出性病變明顯改善等。由此可以看出，影像學在COVID-19的篩查、診斷、病情評估、治療后隨訪中具有重要的價值。
2COVID-19的影像表現
COVID-19影像學檢查可以采用攝片、CT和超聲檢查。其中，CT檢查在此次疫情中應用廣泛。絕大多數確診患者在疾病發(fā)展過程中，CT存在不同程度的肺部異常影像改變�；谀壳暗呐R床實踐[5-10]，COVID-19主要CT征象為：①病變分布多以肺外周分布為主，常累及多葉，病程進展可以由外周向中心發(fā)展，或胸膜下融合成片；②病變密度多表現為磨玻璃陰影、實變影、結節(jié)影或索條影，早期多以磨玻璃影為主，病變進展期則表現為磨玻璃陰影、實變、結節(jié)、纖維索條影等多種性質病變共存，存在新發(fā)磨玻璃影和前期病變纖維化過程的此起彼伏；③病變內部可見小血管影增粗、空氣支氣管征、細支氣管管壁增厚，鄰近胸膜或葉間胸膜增厚，部分病變內部可見細小網格征；④部分病灶邊界不清；⑤重型及危重型患者可見雙肺彌漫性病變，肺炎病灶占整肺體積的百分比可以達到75%以上，嚴重者呈“白肺”表現，見少量胸腔積液。COVID-19病變進展在影像上主要表現為病灶密度不均勻增高變實、病變范圍擴大等[11-13]，病灶大小密度、進展速度、演變形式等對于輔助臨床治療有重要價值。COVID-19的CT影像具有病毒性肺炎影像的基本特征，不同的臨床階段，在單一時間點呈現形式不相同[14]，并因患者年齡、免疫狀態(tài)、臨床治療、基礎病變等因素而略有不同。雖然COVID-19影像有一定特征，但缺乏特異性，和其他病毒引起的病毒性肺炎、部分社區(qū)獲得性肺炎、非感染性疾病的肺內浸潤在影像上和/或病理基礎上有重疊之處[15-16]，僅憑影像學特征不能單獨做出確定診斷，必須結合流行病學史、臨床表現、實驗室檢查、既往病史和影像學檢查等資料綜合判斷。
3醫(yī)學影像學診斷面臨的挑戰(zhàn)
絕大多數COVID-19確診患者在疾病發(fā)展過程中，CT存在不同程度的肺部異常影像改變，多次復查可準確反映病變演變及轉歸，使用定量和重建技術可以進一步評估病變特征和嚴重程度。雖然CT在臨床診治中作用明確，但是在實際應用中存在很多挑戰(zhàn)。（1)快速診斷難。COVID-19傳染力強、短期患病人數眾多，尤其在武漢患病人群相對集中，由此產生了海量的CT數據。而影像工作人員本來就相對缺乏，因此，疫情期間實現傳染病快速診斷是一個挑戰(zhàn)。（2)同質化診斷難。COVID-19是新型傳染病，對疾病的影像學征象認識尚在不斷總結完善之中，且存在影像鑒別診斷的難題，在不同地域不同級別的醫(yī)院實現影像診斷同質化存在挑戰(zhàn)。（3)精準量化難。COVID-19影像動態(tài)演變和精準量化評估對診療策略和預后有較大的價值，傳統(tǒng)的經驗診斷和模糊的量化評估不能滿足病情演變精準定量的需要。AI技術在這些臨床的難點中卻有著獨特的優(yōu)勢。既往的醫(yī)學影像AI技術在病變的識別、分割、測量中已經展現了非凡的優(yōu)勢。如果能夠對COVID-19影像進行AI研發(fā)必將給疫情防控增添更大的助力。
4COVID-19AI研發(fā)價值與研發(fā)現狀
基于臨床的需求，AI技術將在以下4個方面發(fā)揮著重要作用：①基于人工智能技術快速完成病灶自動檢出、分割、精準量化并自動形成格式化報告；②基于病變的分布、形態(tài)、密度等進行病變輔助診斷和鑒別診斷；③實現多期影像中的病灶數量、病灶體積變化、病灶密度變化等量化對比分析功能，預判疾病發(fā)展趨勢；④影像、臨床、實驗室檢查的整合建模，不僅可以幫助醫(yī)師面對疫情篩查時實現快速診斷，避免漏診，同時可以實現精準分層和對比，提供療效評價和病程監(jiān)測，從而為臨床治療提供更精確的信息。目前，多家AI公司基于深度學習技術，已經將COVID-19AI產品以云服務的模式接入醫(yī)學影像閱片平臺，初步實現了病灶的自動檢查、病灶分割、精準量化、自動比對等功能。如SenseCare、Dr.Wise以及基于CT影像的“新冠肺炎智能評價系統(tǒng)”可自動提示CT中疑似病灶，測算雙肺受累程度，協(xié)助醫(yī)生精準對病例進行影像學分型及分期。InferReadCTPneumonia對COVID-19診斷的靈敏度超過99%，同時對病灶密度分析可用于治療后隨訪對比，并可生成自動化結構報告。uAICOVID-19智能輔助分析系統(tǒng)，將CT閱片時間從5~10min縮短至1min，可完成初步報告撰寫，在后續(xù)的數據分析中其具備一定程度區(qū)分細菌性肺炎和病毒性肺炎的能力。數坤科技研發(fā)的COVID-19AI輔助診斷系統(tǒng)可同時高效處理多個病例，快速識別炎性病灶、分割定位，并精準高效勾畫感染區(qū)域，在2~3s之內對于病灶進行量化評估，輔助臨床醫(yī)生快速準確判斷病情及評估療效。此外，該系統(tǒng)可為醫(yī)生提供隨訪對比病灶變化，自動為醫(yī)生提供可視化評估參考，極大地提高醫(yī)院快速診斷的能力，大量節(jié)省超負荷工作醫(yī)生的時間，為患者贏得寶貴的診治時間。阿里達摩院通過“云+AI”模式，不僅可實現對COVID-19的快速診斷，同時通過病歷質檢算法，評估患者的治療過程和病例質量，進而提高治療質量。其研發(fā)的自動化全基因組檢測分析平臺，將原來數小時的疑似病例基因分析縮短至半小時。目前，應用實踐顯示，醫(yī)學影像AI技術有助于疾病早期輔助診斷、影像量化分期、隨訪對比及治療評估，可以使影像醫(yī)生快速掌握病灶變化，大幅提高醫(yī)生分析患者病情變化的效率，同時可有效降低不同級別醫(yī)院間的漏診誤診，有效助力當前疫情下COVID-19的排查與分析。
5COVID-19AI的不足與對策
由于COVID-19疫情暴發(fā)突然，大部分COVID-19AI研發(fā)時間較短，產品成熟度有待提高。雖然能夠實現疾病的AI識別，但其準確性有待臨床驗證，可能存在較小或密度較淡的病灶漏診等，也尚還不能完全實現COVID-19與其它類型肺炎的鑒別診斷。針對COVID-19AI產品的不足，需要在以下4個方面引起關注。（1)明確研發(fā)目標。要基于臨床需求，針對明確目標疾病、臨床用途、禁忌癥、預期適用人群（如具有COVID-19流行病學史、臨床表現的患者)、預期使用場所（如定點醫(yī)院、方艙醫(yī)院)、預期目標用戶（如放射科醫(yī)師)、預期兼容的CT設備等進行研發(fā)設計。（2)數據集構建與質控。圍繞研發(fā)目標，構建恰當的訓練數據集。要滿足此類產品數據庫的基本要求[17]，在訓練數量（原則上不少于2000例COVID-19確診患者CT影像)、區(qū)域覆蓋（至少來源于3家醫(yī)療機構，其中至少包含1家疫情嚴重地區(qū)醫(yī)療機構)、設備覆蓋（考慮設備兼容性)、掃描參數覆蓋（考慮圖像質量)、人群特征（性別、年齡等)以及影像分期（早期、進展期、嚴重期)方面進行兼顧。同時，如果提供鑒別診斷模型，在訓練集中需要注意其他類型肺炎等類似病征的占比，保證測試集陽性樣本與陰性樣本的比例合理。明確算法訓練的評估指標、訓練目標及其確定依據，提供訓練數據量-評估指標曲線、ROC曲線等證據。（3)數據標注規(guī)則。數據標注一直是醫(yī)學影像AI算法落地過程中至關重要的一環(huán)。COVID-19的標注面臨許多挑戰(zhàn)，也缺乏業(yè)界的標注共識。COVID-19標注難點：①在疾病早期，病變主要表現為磨玻璃密度，病變邊界欠清時勾畫困難；②在疾病的進展期，病變累及中心部，病變與肺門大血管的區(qū)分存在困難；③病變成分復雜時，病變內部血管去除和實變成分的勾畫較難；④彌漫性病變或者多發(fā)散在小病灶，勾畫的范圍沒有達成共識，同時訓練數據少，會導致機器學習誤差較大；⑤不同的醫(yī)生標注不一致性較高。標注的缺陷也導致目前一些產品在實際應用中存在較多的問題，必須進行補充訓練。（4)算法的突破。AI實現技術突破、行業(yè)革新、產業(yè)化推進，都必須以基礎算法的突破為基石。影像醫(yī)學乃至醫(yī)學是多維度的數據資源，多模態(tài)、多任務動態(tài)的醫(yī)學數據的處理和建模，毫無疑問要依賴于算法的突破。
6總結
此次疫情中的影像學暴發(fā)式需求，對醫(yī)院影像診斷能力帶來了巨大挑戰(zhàn)，也客觀上推動了AI輔助診斷的發(fā)展。目前，AI在COVID-19的研究主要集中于疾病發(fā)現和定量評估，對于病因分析、治療指導及基因檢測仍存在局限。未來應進一步融合AI與COVID-19的臨床信息、流行病學、影像學、預后等多元特征，以期為綜合、智能評估疾病的發(fā)病機制、早期篩查預警、指導臨床精準診療提供科學依據。
作者：蕭毅 劉士遠 單位：上海長征醫(yī)院影像科
更多醫(yī)學衛(wèi)生職稱職務資格評審條件和論文期刊要求相關信息推薦：
聯(lián)系方式詳見：醫(yī)學全在線論文投稿聯(lián)系方式
醫(yī)學全在線-論文頻道（m.zxtf.net.cn/lunwen/)第一時間整理發(fā)布全國各地醫(yī)學職稱評審公告、評審結果、論文評審條件、期刊目錄等通知。
