Application of artificial intelligence-assisted pulmonary nodule screening and qualitative diagnosis
-
摘要:目的 探讨人工智能(AI)辅助诊断软件在胸部低剂量CT肺结节筛查及定性诊断的临床研究与应用价值。方法 回顾性分析病理确诊的103例肺结节患者的临床资料,将103例肺结节患者术前的胸部低剂量CT图像导入杏脉锐影肺结节AI分析软件中,采用AI及放射医师阅片的方法筛查肺结节并进行良恶性诊断,将AI辅助诊断软件与放射医师对肺结节的筛查情况进行比较,并以病理诊断为金标准,分析AI辅助诊断软件与放射医师诊断的准确性。结果 103例患者胸部低剂量CT共筛查出258个结节, AI辅助软件与放射医师检出肺结节的敏感度分别为96.12%、89.53%, 阳性预测值分别为95.00%、100.00%; AI辅助诊断软件筛查检出肺结节的假阳性率为5.00%, 放射医师未检查出假阳性肺结节。AI辅助诊断软件与放射医师对肺结节的筛查能力比较,差异有统计学意义(P < 0.05)。103例肺结节患者病理检查共诊断出108个肺结节, AI辅助诊断软件及放射医师诊断肺结节的敏感度分别为95.35%、91.86%,特异度分别为72.73%、81.82%。结论 AI辅助诊断软件在肺结节筛查检出及恶性结节诊断方面具有较高的准确性,但肺结节良恶性鉴别准确率低于放射医师。因此, AI辅助诊断软件可作为一种辅助手段与放射医师诊断相结合来提高肺结节的总体诊疗效能。
-
关键词:
- 人工智能辅助诊断软件 /
- 低剂量计算机断层扫描 /
- 肺结节 /
- 良恶性 /
- 筛查 /
- 定性诊断
Abstract:Objective To explore the clinical research and application value of artificial intelligence (AI) aided diagnosis software in lung nodule screening and qualitative diagnosis of CT screening of chest low-dose CT.Methods The clinical data of 103 patients with pulmonary nodules diagnosed by pathology were analyzed retrospectively. The preoperative chest low-dose CT images of 103 patients with pulmonary nodules were imported into the AI analysis software of apricot pulse sharp shadow pulmonary nodules. The methods of AI and radiologists′film reading were used to screen pulmonary nodules and make benign and malignant diagnosis. The AI aided diagnosis software was compared with the screening of pulmonary nodules by radiologists, and the pathological diagnosis was taken as the gold standard, the accuracy of AI aided diagnosis software and radiologist diagnosis was analyzed.Results A total of 258 nodules were detected by chest low-dose CT in 103 patients. The sensitivity of pulmonary nodules detected by AI assistant software and radiologist were 96.12% and 89.53%, respectively, the positive predictive values were 95.00% and 100.00%, respectively, the false positive rate of pulmonary nodules detected by AI assisted diagnostic software was 5.00%, and radiologists did not detect false positive pulmonary nodules. There was significant difference between AI aided diagnosis software and radiologists in screening ability of pulmonary nodules (P < 0.05). A total of 108 nodules were diagnosed by pathological examination in 103 patients with pulmonary nodules, the sensitivity of AI aided diagnosis software and radiologists in diagnosing pulmonary nodules were 95.35% and 91.86%, respectively, and the specificities were 72.73% and 81.82%, respectively.Conclusion AI aided diagnosis software has high accuracy in the screening and detection of pulmonary nodules and the diagnosis of malignant nodules, but the accuracy of differentiating benign from malignant pulmonary nodules is lower than that of radiologists. Therefore, AI aided diagnosis software as an auxiliary approach can be combined with diagnosis of radiologists to improve the overall diagnosis and treatment efficiency of pulmonary nodules. -
视力障碍又称视力残疾,是指各种原因导致的双眼视力低下或视野缩小,经各种药物、手术治疗方法及其他疗法无法矫正,以致不能正常工作、学习或进行其他活动,根据视力水平的不同可分为低视力和盲[1]。2020—2050年,预计全球中度及重度视力障碍患者将从2.37亿增至5.87亿,其中86%的盲人和77%视力障碍者年龄在50岁及以上[2]。目前,低视力已成为第3位导致老年人照护依赖的慢性疾病[3]。相关研究[4]指出,视力障碍还增加了抑郁症、骨折等其他疾病的发病风险。《“十三五”全国眼健康规划(2016—2020年)》[5]要求,医疗卫生机构应高度重视眼病防治工作。现将老年视力障碍的管控服务现状和管控措施综述如下,旨在为中国老年视力障碍防治工作提供一定参考。
1. 老年视力障碍人群管控服务现状
1.1 国外管控服务模式
1.1.1 多学科团队综合系统服务
发达国家的眼保健服务经过多年的创新和完善后,逐步发展成为多学科团队合作的综合系统服务[6]。多学科团队需要眼科医师、护理人员、康复治疗师、验光师、助视器辅导员、社会工作者等人员的共同参与,使患者在医院、社区、家庭均可接受系统规范的低视力服务,并通过网络平台与医疗机构、低视力康复中心、社区保持密切联系[7]。
1.1.2 三级低视力保健服务
WHO建议将低视力保健服务分为3个等级[8]。初级水平: 进行视力筛查、简单的环境调整建议等非光学干预措施; 二级水平: 采用光学干预措施,由验光师等专业人员在低视力门诊或康复中心为视力障碍患者配备光学眼镜; 三级水平: 由专业团队提供全面服务,包括评估视觉功能、屈光,使用全方位光学、非光学低视力辅助设备,多学科康复,视觉技能、行动能力训练。
1.2 中国管控服务模式
1.2.1 双向管理服务模式
双向管理模式是指2个主体共同参与管理的一种管理方法。该模式曾被引入糖尿病、高血压等慢性疾病管理中,能够使2种卫生资源互补[9]。胡海双等[10]对白内障患者进行双向管理模式研究,由手术医院与社区医院共同参与管理,社区医院负责患者日常治疗、随访和健康教育,并进行病情监测,若患者病情恶化,则将患者转至医院门诊调整治疗方案,管理人员定期交流经验并面向患者及家属举办讲座。研究[10]结果表明,双向管理模式对患者情绪、遵医行为、生活质量等均有积极影响,值得推广。
1.2.2 低视力社区综合康复模式
低视力康复是为视力障碍患者验配合适的助视器,同时进行相应训练,以提高患者应用残余视力的能力,从而提高日常生活能力。杨晓云等[11]观察了低视力社区综合康复模式的效果,在社区卫生服务中心建立低视力联合门诊,配备专业低视力管理医师全面负责运行,建立双向转诊平台,在专家指导下制订各项康复措施,并对社区医疗团队开展培训,对患者进行分类管理,结果显示低视力社区综合康复模式下患者视力改善率较高,适合开展。
1.2.3 3家庭护理干预模式
家庭护理干预模式应用于糖尿病视网膜病变、白内障、青光眼患者中,均取得了一定成效[12-14]。曾素华[15]报道,对低视力患者进行家庭护理干预,通过组建家庭护理团队指导视力障碍患者家庭开展技能训练,管理居家安全,并且持续随访,可使患者充分利用残余视力,改善日常生活能力。
2. 老年视力障碍人群管控措施
2.1 定期筛查与评估
2017年世界卫生组织(WHO)发布了《老年人综合护理指南》,该指南建议在初级卫生保健中对老年人进行常规视力筛查,及时提供全面的眼部护理[16]。《中国老年人视力评估技术应用共识》[17]中提出建议,老年人宜每年进行常规眼科检查。研究[18]显示,约1/3的老年患者眼部疾病需要人为干预,应当至少每年进行1次眼病筛查工作,及时发现老年视力障碍及高危人群并进行干预,防止病情恶化而视力丧失。
2.2 积极治疗原发疾病
美国预防服务工作组发现,早期治疗白内障和年龄相关性黄斑变性(AMD)、糖尿病性视网膜病变等能防止视力丧失[19]。白内障是临床发病率较高的一种致盲性眼病,可使视力不断下降,当视力≤0.4时可行白内障摘除术,目前临床多采用超声乳化联合人工晶体植入术,能使视力尽快恢复[20]。在发达国家,AMD是导致视力障碍的最常见原因之一,及时治疗AMD将在一定程度上能够避免视力受损,萎缩性黄斑变性患者可服用维生素C、维生素E、锌剂及保健品等进行治疗,新生血管膜性黄斑变性患者可应用抗血管内皮生长因子药物治疗[21]。随着糖尿病患病率的逐年升高,糖尿病性视网膜病变已成为重要的致盲性眼病之一,视网膜病变严重性及视力下降程度与血糖水平控制情况和患病时长有关,因此要注意维持血糖在正常水平,早期发现视网膜病变并及时治疗[22]。
2.3 实施健康教育
美国国家研究所曾推行低视力公共健康教育规划,通过持续1年以上的媒体宣传和发放健康教育资料(包括针对专业人员、患者、家属等的不同材料),开通网上平台,使用网络进行宣传,培训健康机构人员等,提高了视力障碍患者对自身健康状况的认知度,增强了患者及家属对康复的信心,也极大地帮助了医护人员开展低视力服务[23]。此外有研究[24]表明,健康教育可改善患者认知水平和焦虑状态,促进术后视力恢复。
2.4 指导患者康复训练
一项关于老年低视力患者护理服务需求的研究[25]显示,患者对视力康复训练的需求为95.2%。实践[26]证明,视力康复训练如助视器训练、定向行走技能训练等,能使患者练习利用残余视力,提高生活能力。助视器是一种能够改善低视力患者视觉能力的装置或设备,如凸透镜、望远镜等。助视器训练有定位训练、跟踪训练等项目[27]。定位训练: 在助视器前2~3 cm放置注视图像和字体等目标,指导患者使目标、助视器与眼成一条线,以最快的速度调整焦距直至看见目标物体为止。跟踪训练: 在白板上画连续粗线,保持患者头部与助视器呈一体,让患者从线的一端开始看到线的另一端,练习过程中可逐渐增加虚线、几何图形、不规则图形等难度。定向行走技能训练: 采用多媒体方式向患者讲解行走过程中的独立行走、方位判断等技巧,并现场指导患者家属,进行引导演示。
2.5 开展延续性护理
ZHAO D等[28]指出,筛查可以尽早发现高危眼病,但筛查程序的有效性取决于患者对后续护理的依从性,只有适当随访才能实现筛查高危眼病的益处,社区和诊所的眼部筛查中均应考虑持续随访。张爽等[29]研究表明,延续性护理能改善患者健康行为和自我护理能力,促进视力恢复,减少并发症发生。
2.6 加强自我管理
研究[30]表明,老年视力障碍患者较健康老人更易产生孤独感,且孤独感与自我管理能力呈负相关,故培养自我管理能力可减轻孤独感。自我管理不仅包括症状管理、病情进展管理和生活方式管理,还包括管理生活目标和社会角色调整,管理慢性病固有的生理和心理状况,保持与医疗服务提供者的沟通,参与决策等。研究[31-32]发现,自我管理能明显改善患者的情绪状态、自我效能、日常生活能力等,对改善患者的遵医行为也有积极作用。
3. 总结
老年视力障碍群体管控服务主要集中在家庭和社区,发达国家可以利用多学科团队合作和分级诊疗模式来实现各医疗系统分工明确,逐层管理,同时建立全面的医疗网络信息系统,将个人档案、电子病历共享,实现医疗机构之间的资源共享,确保顺利分工和双向转介。在中国,分级诊疗体系尚处于初级探索阶段,医院与社区间联动较少,社区卫生服务体系不完善,老年视力障碍管控服务大多呈碎片化,无法实现各级医疗机构间的业务协同。因此,医疗机构应加强老年视力障碍管控服务的团队建设和人才储备,增加各级医疗机构间的联动,通过电子平台实现智能化监测,实现资源共享,实时管理,为老年视力障碍管控服务提供更加便捷的管控途径。
老年视力障碍人群的管控是个体、家庭、社会联合行动的系统工程,临床应逐步提高社会大众对老年视力障碍的认知度和关注度,除年龄原因外,一些不良用眼习惯如过度使用手机、眼花而不配镜等都会诱使白内障等疾病早发生或加重,家庭成员应提高警惕,起到监督作用。医务工作者应积极开展研究,加强关注老年视力障碍人群的生活质量和服务需求,不断探讨患者在生理、心理、社会功能等方面不同层次的需求,并以需求为导向采取有针对性的管控服务,也可利用信息、通讯技术等提高对老年视力障碍人群的服务质量。
-
表 1 AI与放射医师对真性肺结节筛查能力的比较[n(%)]
阅片方式 阳性 阴性 AI辅助诊断软件阅片 248(96.12) 10(3.88) 放射医师阅片 231(89.53)* 27(10.47)* 与AI阅片比较, *P < 0.05。 表 2 AI与放射医师对肺结节诊断效能比较
% 阅片方式 敏感度 特异度 阳性预测值 阴性预测值 χ2 P AI辅助诊断软件阅片 95.35 72.73 93.18 80.00 0.100 0.752 放射医师阅片 91.86 81.82 95.18 72.00 0.364 0.547 -
[1] CHRISTIE J R, LANG P, ZELKO L M, et al. Artificial intelligence in lung cancer: bridging the gap between computational power and clinical decision-making[J]. Can Assoc Radiol J, 2021, 72(1): 86-97. doi: 10.1177/0846537120941434
[2] TANDON Y K, BARTHOLMAI B J, KOO C W. Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules[J]. J Thorac Dis, 2020, 12(11): 6954-6965. doi: 10.21037/jtd-2019-cptn-03
[3] JOY MATHEW C, DAVID A M, JOY MATHEW C M. Artificial Intelligence and its future potential in lung cancer screening[J]. Excli J, 2020, 19: 1552-1562.
[4] MOLDOVANU D, DE KONING H J, VAN DER AALST C M. Lung cancer screening and smoking cessation efforts[J]. Transl Lung Cancer Res, 2021, 10(2): 1099-1109. doi: 10.21037/tlcr-20-899
[5] MESA- GUZMÁN M, GONZÁLEZ J, ALCAIDE A B, et al. Surgical outcomes in a lung cancer-screening program using low dose computed tomography[J]. Arch Bronconeumol, 2021, 57(2): 101-106. doi: 10.1016/j.arbres.2020.03.026
[6] SATHYAKUMAR K, MUNOZ M, SINGH J, et al. Automated lung cancer detection using artificial intelligence (AI) deep convolutional neural networks: a narrative literature review[J]. Cureus, 2020, 12(8): e10017.
[7] OUDKERK M, LIU S Y, HEUVELMANS M A, et al. Lung cancer LDCT screening and mortality reduction-evidence, pitfalls and future perspectives[J]. Nat Rev Clin Oncol, 2021, 18(3): 135-151. doi: 10.1038/s41571-020-00432-6
[8] PINSKY P. Artificial intelligence and data mining to assess lung cancer risk: challenges and opportunities[J]. Ann Intern Med, 2020, 173(9): 760-761. doi: 10.7326/M20-5673
[9] ATHER S, KADIR T, GLEESON F. Artificial intelligence and radiomics in pulmonary nodule management: current status and future applications[J]. Clin Radiol, 2020, 75(1): 13-19. doi: 10.1016/j.crad.2019.04.017
[10] 戴正行, 胡春洪, 王希明, 等. 基于DenseNet网络深度学习法CT图像人工智能分析技术判断肺结节良恶性[J]. 放射学实践, 2020, 35(4): 484-488. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202004020.htm [11] BINCZYK F, PRAZUCH W, BOZEK P, et al. Radiomics and artificial intelligence in lung cancer screening[J]. Transl Lung Cancer Res, 2021, 10(2): 1186-1199. doi: 10.21037/tlcr-20-708
[12] 王亮, 许迪, 孙丹丹, 等. 人工智能辅助软件可提升疲劳状态下放射科规培医师对肺结节的检测效能[J]. 放射学实践, 2021, 36(4): 475-479. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202104017.htm [13] 彭志强, 郭静波, 邓晓, 等. 人工智能在肺小结节诊断中的临床研究与应用[J]. 中国医学装备, 2021, 18(9): 42-46. https://www.cnki.com.cn/Article/CJFDTOTAL-YXZB202109011.htm [14] 李欣菱, 郭芳芳, 周振, 等. 基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 中国肺癌杂志, 2019, 22(6): 336-340. https://www.cnki.com.cn/Article/CJFDTOTAL-FAIZ201906002.htm [15] PRAYER F, RÖHRICH S, PAN J, et al. Künstliche Intelligenz in der Bildgebung der Lunge[Artificial intelligence in lung imaging][J]. Radiologe, 2020, 60(1): 42-47. doi: 10.1007/s00117-019-00611-2
[16] 蔡雅倩, 张正华, 韩丹, 等. AI对肺磨玻璃结节筛查及定性的临床应用研究[J]. 放射学实践, 2019, 34(9): 958-962. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS201909008.htm [17] 赵呈华. 人工智能辅助诊断系统联合CT检查肺结节的诊断价值[J]. 实用临床医药杂志, 2020, 24(19): 9-11. doi: 10.7619/jcmp.202019003 -
期刊类型引用(5)
1. 汤思,陈学杰. 直接抗人球蛋白试验阳性分型与输血疗效的相关性. 吉林医学. 2024(02): 295-297 . 百度学术
2. 杨占甲,李丽娟,宋银森. 多发性骨髓瘤患者红细胞输注效果的影响因素探讨. 中国实用医刊. 2024(13): 66-69 . 百度学术
3. 梁冬香,钟昌瑞,傅春花,邱启东. 直接抗人球蛋白试验凝集强度的结果分析及临床意义. 临床血液学杂志. 2024(12): 905-908 . 百度学术
4. 闻才李,张慧,杨吉岳,孙一心,程晓文. 直接抗人球蛋白试验阳性患者298例的病因回顾性分析. 医药论坛杂志. 2022(08): 72-74+78 . 百度学术
5. 胡泽斌,孙彬裕,孙晶,王布强,于婷. 抗人球蛋白检测卡行业标准的研究. 中国医药生物技术. 2022(05): 449-452 . 百度学术
其他类型引用(0)