致力于医学论文编修发表的专业团队 联系我们

医学科技论文

当前页面: 主页 > 医学论文 > 医学科技论文 > 正文内容

新冠肺炎诊治中医学影像人工智能的价值

来源:搜集整理   日期:2020-12-07   点击数:

  [摘要]新型冠状病毒肺炎(CoronavirusDisease2019,COVID-19)是由新型冠状病毒感染引发的以肺部感染为主的乙类传染病。此次COVID-19疫情中的影像学暴发式需求,对医院影像诊断能力带来了巨大挑战,也客观上推动了人工智能(ArtificialIntelligence,AI)辅助诊断的发展。本文对医学影像学在COVID-19诊治及防控决策中的价值、COVID-19的临床影像表现、医学影像学诊断面临的挑战、COVID-19AI研发价值与研发现状、COVID-19AI的不足与对策进行了阐述。
  
  [关键词]新型冠状病毒肺炎;人工智能;CT;影像诊断
  
  引言
  
  新型冠状病毒肺炎(CoronavirusDisease2019,COVID-19)是以肺部炎性病变为主的乙类传染疾病,病原体为新型β型冠状病毒。COVID-19主要的传播途径是经呼吸道飞沫和接触传播,人群普遍易感[1-3]。COVID-19诊断依据包括流行病学接触史、发热等临床表现、实验室检查、影像学检查等,疑似病例同时具备病原学或血清学证据之一者是确诊的依据。早发现、早隔离、早诊断、早治疗是目前防控治疗COVID-19的最有效手段。临床上,影像学诊断贯穿了COVID-19诊疗的多个环节,发挥了非常重要且不可替代的作用。随着影像学尤其是CT扫描的广泛应用,快速、精准的影像诊断成为此次疫情中一项重大挑战。COVID-19影像人工智能(ArtificialIntelligence,AI)产品的及时研发发挥了重要的作用,取得了一定的效果,但同时也有很多问题有待解决。
  
  1影像学在COVID-19诊治及防控决策中的价值
  
  国家卫生健康委员会《新型冠状病毒感染的肺炎诊疗方案》已经更新到了试行第七版[4],其中,影像学诊断贯穿了COVID-19诊疗的多个环节。在诊断标准中,具有COVID-19的影像表现,是缺乏流行病学证据时疑似病例确定的必备条件。试行第五版中,更是在“疑似病例”和“确诊病例”之外增加了“临床诊断病例”,并将“疑似病例具备肺炎影像特征者”作为其诊断标准(只限于湖北省内),确立了影像检查在疫情防控中的重要作用。在诊断分型中,特别增加了肺部影像学显示24~48h内病灶明显进展>50%者按重型管理,以及影像学显示双侧或多肺叶浸润、胸腔积液或短期内病变快速进展者提示重症或危重症。在出院标准中,要满足肺部影像学显示急性渗出性病变明显改善等。由此可以看出,影像学在COVID-19的筛查、诊断、病情评估、治疗后随访中具有重要的价值。
  
  2COVID-19的影像表现
  
  COVID-19影像学检查可以采用摄片、CT和超声检查。其中,CT检查在此次疫情中应用广泛。绝大多数确诊患者在疾病发展过程中,CT存在不同程度的肺部异常影像改变。基于目前的临床实践[5-10],COVID-19主要CT征象为:①病变分布多以肺外周分布为主,常累及多叶,病程进展可以由外周向中心发展,或胸膜下融合成片;②病变密度多表现为磨玻璃阴影、实变影、结节影或索条影,早期多以磨玻璃影为主,病变进展期则表现为磨玻璃阴影、实变、结节、纤维索条影等多种性质病变共存,存在新发磨玻璃影和前期病变纤维化过程的此起彼伏;③病变内部可见小血管影增粗、空气支气管征、细支气管管壁增厚,邻近胸膜或叶间胸膜增厚,部分病变内部可见细小网格征;④部分病灶边界不清;⑤重型及危重型患者可见双肺弥漫性病变,肺炎病灶占整肺体积的百分比可以达到75%以上,严重者呈“白肺”表现,见少量胸腔积液。COVID-19病变进展在影像上主要表现为病灶密度不均匀增高变实、病变范围扩大等[11-13],病灶大小密度、进展速度、演变形式等对于辅助临床治疗有重要价值。COVID-19的CT影像具有病毒性肺炎影像的基本特征,不同的临床阶段,在单一时间点呈现形式不相同[14],并因患者年龄、免疫状态、临床治疗、基础病变等因素而略有不同。虽然COVID-19影像有一定特征,但缺乏特异性,和其他病毒引起的病毒性肺炎、部分社区获得性肺炎、非感染性疾病的肺内浸润在影像上和/或病理基础上有重叠之处[15-16],仅凭影像学特征不能单独做出确定诊断,必须结合流行病学史、临床表现、实验室检查、既往病史和影像学检查等资料综合判断。
  
  3医学影像学诊断面临的挑战
  
  绝大多数COVID-19确诊患者在疾病发展过程中,CT存在不同程度的肺部异常影像改变,多次复查可准确反映病变演变及转归,使用定量和重建技术可以进一步评估病变特征和严重程度。虽然CT在临床诊治中作用明确,但是在实际应用中存在很多挑战。(1)快速诊断难。COVID-19传染力强、短期患病人数众多,尤其在武汉患病人群相对集中,由此产生了海量的CT数据。而影像工作人员本来就相对缺乏,因此,疫情期间实现传染病快速诊断是一个挑战。(2)同质化诊断难。COVID-19是新型传染病,对疾病的影像学征象认识尚在不断总结完善之中,且存在影像鉴别诊断的难题,在不同地域不同级别的医院实现影像诊断同质化存在挑战。(3)精准量化难。COVID-19影像动态演变和精准量化评估对诊疗策略和预后有较大的价值,传统的经验诊断和模糊的量化评估不能满足病情演变精准定量的需要。AI技术在这些临床的难点中却有着独特的优势。既往的医学影像AI技术在病变的识别、分割、测量中已经展现了非凡的优势。如果能够对COVID-19影像进行AI研发必将给疫情防控增添更大的助力。
  
  4COVID-19AI研发价值与研发现状
  
  基于临床的需求,AI技术将在以下4个方面发挥着重要作用:①基于人工智能技术快速完成病灶自动检出、分割、精准量化并自动形成格式化报告;②基于病变的分布、形态、密度等进行病变辅助诊断和鉴别诊断;③实现多期影像中的病灶数量、病灶体积变化、病灶密度变化等量化对比分析功能,预判疾病发展趋势;④影像、临床、实验室检查的整合建模,不仅可以帮助医师面对疫情筛查时实现快速诊断,避免漏诊,同时可以实现精准分层和对比,提供疗效评价和病程监测,从而为临床治疗提供更精确的信息。目前,多家AI公司基于深度学习技术,已经将COVID-19AI产品以云服务的模式接入医学影像阅片平台,初步实现了病灶的自动检查、病灶分割、精准量化、自动比对等功能。如SenseCare、Dr.Wise以及基于CT影像的“新冠肺炎智能评价系统”可自动提示CT中疑似病灶,测算双肺受累程度,协助医生精准对病例进行影像学分型及分期。InferReadCTPneumonia对COVID-19诊断的灵敏度超过99%,同时对病灶密度分析可用于治疗后随访对比,并可生成自动化结构报告。uAICOVID-19智能辅助分析系统,将CT阅片时间从5~10min缩短至1min,可完成初步报告撰写,在后续的数据分析中其具备一定程度区分细菌性肺炎和病毒性肺炎的能力。数坤科技研发的COVID-19AI辅助诊断系统可同时高效处理多个病例,快速识别炎性病灶、分割定位,并精准高效勾画感染区域,在2~3s之内对于病灶进行量化评估,辅助临床医生快速准确判断病情及评估疗效。此外,该系统可为医生提供随访对比病灶变化,自动为医生提供可视化评估参考,极大地提高医院快速诊断的能力,大量节省超负荷工作医生的时间,为患者赢得宝贵的诊治时间。阿里达摩院通过“云+AI”模式,不仅可实现对COVID-19的快速诊断,同时通过病历质检算法,评估患者的治疗过程和病例质量,进而提高治疗质量。其研发的自动化全基因组检测分析平台,将原来数小时的疑似病例基因分析缩短至半小时。目前,应用实践显示,医学影像AI技术有助于疾病早期辅助诊断、影像量化分期、随访对比及治疗评估,可以使影像医生快速掌握病灶变化,大幅提高医生分析患者病情变化的效率,同时可有效降低不同级别医院间的漏诊误诊,有效助力当前疫情下COVID-19的排查与分析。
  
  5COVID-19AI的不足与对策
  
  由于COVID-19疫情暴发突然,大部分COVID-19AI研发时间较短,产品成熟度有待提高。虽然能够实现疾病的AI识别,但其准确性有待临床验证,可能存在较小或密度较淡的病灶漏诊等,也尚还不能完全实现COVID-19与其它类型肺炎的鉴别诊断。针对COVID-19AI产品的不足,需要在以下4个方面引起关注。(1)明确研发目标。要基于临床需求,针对明确目标疾病、临床用途、禁忌症、预期适用人群(如具有COVID-19流行病学史、临床表现的患者)、预期使用场所(如定点医院、方舱医院)、预期目标用户(如放射科医师)、预期兼容的CT设备等进行研发设计。(2)数据集构建与质控。围绕研发目标,构建恰当的训练数据集。要满足此类产品数据库的基本要求[17],在训练数量(原则上不少于2000例COVID-19确诊患者CT影像)、区域覆盖(至少来源于3家医疗机构,其中至少包含1家疫情严重地区医疗机构)、设备覆盖(考虑设备兼容性)、扫描参数覆盖(考虑图像质量)、人群特征(性别、年龄等)以及影像分期(早期、进展期、严重期)方面进行兼顾。同时,如果提供鉴别诊断模型,在训练集中需要注意其他类型肺炎等类似病征的占比,保证测试集阳性样本与阴性样本的比例合理。明确算法训练的评估指标、训练目标及其确定依据,提供训练数据量-评估指标曲线、ROC曲线等证据。(3)数据标注规则。数据标注一直是医学影像AI算法落地过程中至关重要的一环。COVID-19的标注面临许多挑战,也缺乏业界的标注共识。COVID-19标注难点:①在疾病早期,病变主要表现为磨玻璃密度,病变边界欠清时勾画困难;②在疾病的进展期,病变累及中心部,病变与肺门大血管的区分存在困难;③病变成分复杂时,病变内部血管去除和实变成分的勾画较难;④弥漫性病变或者多发散在小病灶,勾画的范围没有达成共识,同时训练数据少,会导致机器学习误差较大;⑤不同的医生标注不一致性较高。标注的缺陷也导致目前一些产品在实际应用中存在较多的问题,必须进行补充训练。(4)算法的突破。AI实现技术突破、行业革新、产业化推进,都必须以基础算法的突破为基石。影像医学乃至医学是多维度的数据资源,多模态、多任务动态的医学数据的处理和建模,毫无疑问要依赖于算法的突破。
  
  6总结
  
  此次疫情中的影像学暴发式需求,对医院影像诊断能力带来了巨大挑战,也客观上推动了AI辅助诊断的发展。目前,AI在COVID-19的研究主要集中于疾病发现和定量评估,对于病因分析、治疗指导及基因检测仍存在局限。未来应进一步融合AI与COVID-19的临床信息、流行病学、影像学、预后等多元特征,以期为综合、智能评估疾病的发病机制、早期筛查预警、指导临床精准诊疗提供科学依据。
  
  作者:萧毅 刘士远 单位:上海长征医院影像科
标签:

上一篇:专利指标在医学科技评价的影响

下一篇:X射线影像优化医学影像后处理技术研究

合作客户


京ICP备18012487号-10 Copyright © 医学期刊网 版权所有  XML地图|网站地图

在线客服