《人工智能在呼吸疾病诊治中的应用进展(全文)》由会员分享，可在线阅读，更多相关《人工智能在呼吸疾病诊治中的应用进展(全文)（7页珍藏版）》请在装配图网上搜索。
1、人工智能在呼吸疾病诊治中的应用进展（全文）摘要随着计算机技术的发展，以专家系统和深度学习为代表的人工智能技术逐 渐应用于呼吸疾病的诊治中，特别是以卷积神经网络为代表的深度学习技 术。在呼吸系统领域，人工智能技术在疾病流行预测、协助诊断、指导治 疗、慢性病管理和预测预后等方面应用成效斐然，成为了临床医生的有力 诊断工具。本文就人工智能技术在呼吸系统疾病诊治中的应用、挑战和展 望进行综述。随着计算机技术与大数据的快速发展，人工智能（ artificial intelligence ， AI ）取得了很大的进步，并在各个领域得到了广泛的应用，其中最常见的 就是以卷积神经网络为基础的深度学习（ dee
2、p learning ，DL） 1。 近年来 AI 技术在呼吸疾病中的应用，促进了智能化和多样化的疾病诊治 方法，为临床诊疗提供了有效的决策依据。本文对 AI 技术在呼吸疾病诊 治中的应用综述如下。一、专家系统2000 2010 年，整合医疗专家经验、以辅助诊疗流程为主的专家系统得 到了广泛应用。专家系统是根据专家们提供的大量专门知识和经验，进行 推理和判断，模拟人类专家的决策系统。它由 5 部分组成：储存专家知识 和规则的知识库；储存原始数据和中间数据的综合数据库；用于决策的推理机；向用户解释系统行为的解释器和输入输出数据的接口2, 31. 协助诊断： Fontenla-Romero等 4
3、开发了一个基于前馈型人工神经网络的专家系统对睡眠呼吸暂停综合征进行分类。 训练资料为 120 例确 诊病例，通过测试集获得的平均准确率为 (83.78 1.90 ) %。Burge等5 开发了一个基于测量峰流速变化辅助诊断支气管哮喘(简称哮喘)的Oasys 系统，敏感度低于传统算法( 69% vs 100% )，精确度高于传统算 法( 60% vs 86% )。陈建荣等 6开发了一个包括血气及酸碱平衡自动 判断的模块，可以有效分析酸碱平衡紊乱的类型。2. 慢病管理： Shegog 等 7 开发了一个包括判断哮喘严重程度、指导 药物使用、患者康复锻炼及随访督促的慢性病管理系统。3. 预测预后：
4、Smith 和 Smith 8 开发了一个用来预测肺癌患者生存期 的专家系统，以 100 例患者为资料来源进行编程。回顾性预测这 100 例 患者，发现预期生存和实际生存时间的平均误差为341 d，其中有35例误差 100 d 。4. 预测并发症：Santos-Garc a等9幵发了一个非小细胞肺癌根治术后，预测心肺并发症发生率的模型，采集了患者的一般情况、合并症、肺98% 。功能数据作为预测依据，与术后实际情况比较，准确率为二、深度学习专家系统主要用于临床分诊，对于单一疾病的大规模数据分析能力不强。 2012 年以后，以图像识别、语音识别、卷积神经网络技术为基础的深度 学习诊疗系统开始在临床
5、中广泛应用。1. 疾病流行预测： 2007 2008 年，“谷歌流感趋势”10 通过分析数十 亿搜索词中的 45 个与流感相关的关键词，比美国疾控中心提前两周预报 流感发病率， 甚至可以具体到特定的地区和州。 2013 年， “谷歌流感趋势” 跌下神坛，因为它在很长的一段时间内一直高估流感的流行， 1 月份比实 际数据高两倍，被高估的总周数达 100 周。 2014 年， Lazer 等11 指 出绝大部分大数据与经过严谨科学实验得到数据有着很大的不同，因为大 数据的匹配算法可能存在过度拟合的可能性，并提示数据价值不仅体现在 “大小”，更在于创新的数据分析方法。 2018 年， Huang 和
6、 Kuo 12将 卷积神经网络和长短期记忆应用于 PM2.5 预测系统，可以为哮喘、慢性 阻塞性肺疾病等患者以及医疗卫生单位提供有效预警。2. 协助诊断（尤其是图像和声音分析领域）： Ciompi 等13 将基于结 节像素的分析法用于小结节筛查， 检测了 639 个结节， 获得了较为满意的 效果。 Trajanovski 等 14将 PanCan 风险模型和卷积神经网络用于小 结节筛查，检测了 8 000 张 CT 图片，准确率在 82%90% 。张正华等15 研发了基于卷积神经网络的肺结节检测模型，检测了5 520 枚结节，结果 显示 AI 组肺结节检出率略高于主治医师( 94.3% vs
7、89.4% )。Anthimopoulos等 16将肺 CT 图像标注为正常、肺内磨玻璃密度影( ground-glass opacity，GGO )、微小结节、 占位、网格影、蜂窝样变、GGO 合并网格影 7 类，使用 14 696 例病例训练卷积神经网络， 在测试中 正确率为85.5% o Becker等17 将结核患者的斑片影、胸腔积液、粟 粒样改变、空洞、正常等表现进行标注，并对深度学习软件进行训练。检 测 138 例患者后发现， 软件对于胸腔积液和实性病变检测效果较好， 对于 空洞和粟粒样改变检出效果较差。2017 年研发的 CheXNet 是个 121 层卷积神经网络，输入 10
8、万多张图片， 输出的是肺炎的概率以及热图用来定位最有可能指示肺炎的图像区域18 。深度学习网络需要10万多标注好的医学图片来训练，但是有 些疾病获得大量医学图片是很困难的，并且标注需要花费专业医生大量时 间。那能否通过改善算法，减少工作量？ “迁移学习”19 就是把已训练 好的模型参数迁移到新的模型来帮助新模型训练。这样就可以利用极少的 训练图像，更快、更高效地辨认图像的特定结构。2018 年， Kermany 等20 在 10 万张视网膜光学相干断层扫描 (opticalcoherence tomography ， OCT )图像训练出来的诊断眼部疾病的AI 系统的基础上，用超过 5 000
9、 张胸部 X 线图像加上“迁移学习”，构建出能诊 断肺炎的AI系统。该系统在检测肺炎时，能够达到92.8%的准确性、93.2% 的敏感度和 90.1%的特异度。更厉害的是，它可以很好地区分细菌及病毒性肺炎，准确性达 90.7% 。同年，吴恩达团队 21 再次研发了一种深度 学习算法： CheXNeXt ，与之前专门检测肺炎的算法不同，该模型可以诊 断 14 种疾病。 该算法识别 10 种病理表现的能力与放射科医生相似； 对于 肺不张，该算法表现显著优于放射科医生。通过测试发现，放射科医生平 均在 240 min 内给 420 幅图像进行标记，而深度学习算法能在 1.5 min 内标记相同的 4
10、20 张胸片，并在另外的 40 s 内生成热图，突出显示了病 理图像区域，提高了诊断效率。Chamberlain 等22用来自 11 个不同听诊区的 11 627 个声音来训练 深度学习模型，实现了对哮鸣音和湿啰音的自动分析。 Urtnasan 等23 将卷积神经网络应用于睡眠呼吸暂停综合征患者单导联心电监测数据的 分析，通过 45 096 例数据集对卷积神经网络进行训练，并对 11 274 个 病例数据进行测试，符合率为 87% 。 Steven 等24 将卷积神经网络分 析用于肺癌患者低丰度血浆游离 DNA 检测，最低检测丰度为传统方法的 百分之一。Burlutskiy 等25将 712
11、例肺癌标本做成组织芯片，其中 223 例鳞癌， 398 例腺癌， 74 例大细胞癌和 17 例其他癌症类型。 测试了 178 例， 正确 率为 80% 。 Coudray 等 26研发了一种自动分析组织病理学图像的深 度学习算法，它几乎明确地区分了正常组织和肿瘤组织，同时也以高精度area under区分了肺癌的类型，性能与病理学家相似，平均曲线下面积（ curve , AUC ）为0.97。Lustberg 等27 使用经过训练的深度学习系 统规划肺癌放疗靶区，基于对肺、食道、脊髓、心脏和纵隔的轮廓分析， 平均节约 40% 的画靶时间。Ardila 等28提出了一种使用患者当前和先前的 CT
12、 图像来预测肺癌风 险的深度学习算法，该算法在 6 716 例试验病例中达到了最先进的性能， 准确率为 94.4% ；并且对额外的、 独立的 1 139 例病例的临床验证组进行 了评估，准确率为 95.5% 。 Massion 等 29 研发了基于深度学习的肺 癌预测卷积神经网络（ LCP-CNN ），用以区分良、恶性和偶然检测到的 不确定的肺结节。与传统的风险预测模型相比，可以将超过三分之一的癌 症和良性结节重新分类为高、低风险组，从而减少不必要的侵入性手术。Wang等30 提出了一种利用无创 CT图像来预测肺腺癌患者 EGFR突 变状态的深度学习模型，在初级队列（ 603 例， AUC=0
13、.85 ）和独立验证 队列（ 241 例， AUC=0.81 ）中均取得了较好的预测性能。2020 年， Zhang 等 31基于超过 50 万张的临床影像学图像开发了一 款新型冠状病毒肺炎 AI 辅助诊断系统。通过测试，该系统准确率可达到 90% 左右，即使是对于外国数据集，也达到了 84.11% 的准确率。 Wang 等32 提出了一种通过 CT扫描对新型冠状病毒肺炎进行诊断和预后分 析的 AI 系统。在训练集中， 该系统表现出良好的诊断性能 （AUC=0.90 ）， 并在两个外部验证集得到了证实（ AUC=0.87 和 0.88 ）。由此可见，在大 量临床影像数据的支持下， AI 系统能
14、够准确地检测出新型冠状病毒肺炎患 者，这不仅有助于快速诊治，还能协助训练住院医师，提高诊断水平3. 预测预后：Gonz dez等33 将深度学习技术用于预测 7 983例慢性 阻塞性肺疾病患者急性加重和呼吸衰竭的发生率，预测结果与临床的吻合 率为 74.6% o Ying 等 34建立了一种慢性阻塞性肺疾病疾病危重程度 的自动分类算法，通过分析各个临床特点的权重建立预测模型，与 GOLD 指南相比，分类准确率达到 90% o三、挑战与展望在医学领域，由于缺乏规范标注的大规模医疗专业数据，使 AI 技术发展 受到不小的阻碍。就目前而言，AI尚无法取代临床医生在呼吸疾病诊治中的决策地位，但是 AI可以成为呼吸科医生的得力助手35 。同时也 希望在单纯图像与语音分析的基础上，能够增加临床特点等内容，增加辅 助诊断准确率。期待着人工智能技术领域出现新的算法与突破。
人工智能在呼吸疾病诊治中的应用进展(全文)
