人工智能医学影像辅助诊断系统在肺结节诊断上的应用研究

万 云

（广州市第一人民医院，广东 广州 510000）

1 背景

随着现代科学技术的飞速发展，人工智能技术不断涉足工作生活的各个领域，医疗健康正在人工智能应用快速发展的重要领域，目前AI技术与医学影像成像方法的结合已经成为领域内的研究热点，相关的研究成果呈爆发式增长[1]。人工智能辅助诊断系统提供一个基于深度学习的智能医学影像辅助诊断系统，深度融合入影像科医生的工作流程中，在医生阅片过程中提供智能辅助诊断信息，辅助医生完成影像诊断，减少误诊和漏诊，提高工作效率。肺癌是世界上对人类健康威胁最大的恶性肿瘤之一，发病率和病死率居所有恶性肿瘤首位[2]，薄层CT技术有助于检测早期的肺癌，但薄层CT增加了CT成像数量和影像科医师的阅片量，可能出现对肺结节的漏检和误诊[3]。我院成立了人工智能辅助诊断中心，利用医学影像辅助诊断系统辅助医师进行肺结节筛查，提升医生诊断效率和准确性。

2 基于多模态3D-CNN特征提取技术

CNN（卷积神经网络）是一种针对分类对象特异性学习的一种有监督特征提取方法，已在很多领域有成功的应用[4-5]，1988年，Wei Zhang提出了第一个二维卷积神经网络：平移不变人工神经网络（SIANN）并将其应用于检测医学影像。但经典的2D-CNN应用于肺部肿瘤多模态图像，同一病人的不同模态强调的信息不同，不同病人的肿瘤位置、大小、灰度差异等也各不同，将经典卷积神经网络运用到CT肺部肿瘤分割会出现如下问题：首先，要对肺部肿瘤图像进行分割，必须对单个像素点进行分类，所以原始输入只能是单个像素点的邻域，而这个邻域的大小难以把握；其次，不同病人肺部肿瘤大小不一，同一病人不同图像层肺部肿瘤的大小也不一样，即使通过训练层确定了原始输入层的邻域值，也难以保证此邻域适合这个病人所有的肿瘤点。

多模态3D-CNN原始输入层由四个模态共同构成，通过3D卷积自动提取各个模态之间的差异信息，最后的特征向量作为像素属性特征，用分类器对像素进行分类，有监督学习方法实现了针对不同病人差异信息提取不同的分类特征；下采样使得特征提取包含更多的结构边缘信息，同时剔除冗余信息和噪声；多模态共同输入使得原始输入需要更少的邻域信息，以适应不同图像层的肿瘤点，提高肺部肿瘤的分割精度。

结合肺部CT图像的特点，采用多模态3DCNN特征提取方法，充分利用各个模态的差异信息，同时兼顾肿瘤大小的差异变化，可以提取更丰富的邻域信息及边界信息，更好的区分边界模糊的肿瘤点与非肿瘤点，快速准确地分割肺部肿瘤。基于多模态3D-CNN特征提取方法以及图像识别和深度学习技术开发的人工智能医学影像辅助诊断系统，结合权威医学专家诊断经验和大量样本数据，能自动从医学影像中检出病灶并对良恶性作出判断，辅助医生快速、准确地完成影像诊断[6-7]。

3 系统应用

本院自2017年起成立人工智能辅助诊断中心，采用基于多模态3D-CNN特征提取技术对肺部CT影像进行肺结节进行筛查。人工智能影像辅检系统通过接口对接医院PACS系统，将PACS系统上肺部CT的DICOM图像导入到人工智能影像辅检系统，通过多模态3D-CNN特征提取技术对DICOM影像数据进行分析。在医生完成诊断并提交影像报告后，在线比较系统诊断意见和医生诊断意见，系统对不一致的病例提出辅检意见，提交给诊断医生，由其在系统检出结果的意见指导下完成复核，达到减少漏诊的目的。人工智能检查的结果嵌入到PACS系统阅片界面中，并将结果以列表、结节框、详细信息、右键属性、帧色块方式展示；在结节列表显示结节坐标、良恶性、详细属性等信息，可按照坐标、良恶性、关注程度排序。

4 效果分析

为了评价人工智能的学习提升能力，分析人工智能诊断肺结节的灵敏度及特异度，评估人工智能在临床医学影像诊断的可利用价值。在近半年内进行胸部CT检查的患者中选取样本进行分析。

4.1 调查方法

人工智能与专家组分别对胸部CT片子进行阅读，互不干扰，出诊断报告结果即刻封存锁定，比对人工智能诊断与专家组肺结节定位结果，同时记录完成时间。在人工智能诊断与医生诊断结果不一致时，邀请专家进行二次讨论。最终判定统计出人工智能对实际存在的肺结节的识别及漏诊情况，对未存在的非肺结节误诊情况。

4.2 结果判定

对两组结果进行判定，对实际存在的肺结节能否分辨出来，而对未存在的非肺结节是否会误判。在人工智能诊断与医生诊断结果不一致时，邀请专家进行二次讨论。因肺结节的“金标准”一般为活检或手术发现，金标准结果不易获取，故如有分歧时，以专家二次讨论为金标准，更加科学客观。

4.3 统计方法

对人工智能组、临床医生组及院外专家组（金标准组）的诊断结果整理汇总，数据呈现见表1。

表1 人工智能和专家组诊断结果汇总

灵敏度=A/(A+C)×100%； 假阴性率=C/(A+C)×100%=1-灵敏度。灵敏度表示实际存在的肺结节被正确地鉴别出来的百分比，即真阳性率。假阴性率即漏诊率。特异度=D/(B+D)×100%；假阳性率=B/(B+D)×100%=1-特异度，表示实际未存在的肺结节被错误地判定为肺结节的百分比，即误诊率。

4.4 结果分析

基于真实病例30例肺部CT进行实际评测，经专家组反复认证，共有结节106个，系统的结节总敏感度达到84.9%，平均每例CT假阳性结节约0.53个；医生独立完成诊断效率为4.8分钟/例，在机器帮助下完成诊断效率为1.9分钟/例；系统帮助专家找回初诊时漏检的8个有临床意义的结节。评估该系统确实能够在实际应用中帮助医生提高工作效率、减少漏诊。建议系统应该继续就临床重点关注的磨玻璃结节进行优化，胸膜附近结节检出水平不太稳定，需要做好阶段性计划，持续提升检出效果。

5 讨论

人工智能辅助诊断中心系统能有效提升影像科医生诊断的准确率，减少误诊、漏诊情况，通过系统的辅助能加快提升低年资医生的诊断水平，由于人工智能医学辅助诊断系统可7×24h持续稳定运行、无疲劳累积，可以有效降低影像科医生的工作强度。

依托远程医疗服务网络，能够将人工智能医学影像辅助诊断中心承载的优质医疗资源普及到整个区域，缓解医疗资源紧张和分布不均的现状。另外，大力发展人工智能医学影像辅助诊断中心，通过协同创新促进各产业链的资源整合，推进医疗健康服务新模式的发展，可有效带动区域内信息技术、医疗器械装备制造、医学影像诊断与医学检验服务等相关的产业发展，提升区域经济和社会的可持续发展力。