Radiology:人工智能在床旁胸片临床判读中的应用

床边胸片在重症监护室（ICU）的应用十分广泛，构成了全世界范围内最频繁的成像研究之一。在西方卫生保健系统中，胸片检查约占所有影像诊断活动的20%-25%。即时和正确地解释成像结果对于ICU中危重病人的适当临床治疗非常重要。

然而，胸部X光片上的发现常常较为模糊。肺部类似或相同的密度变化可由各种不同的临床情况引起，需要不同的治疗干预。例如，继发于感染的肺不张可以与单纯的肺不张无法区分；同样地，通气模式和水化水平会调节肺部透明度，因此可能会掩盖或模拟肺部疾病。因此，医生在解释影像学研究时要结合实验室信息和临床状况，以帮助区分可能产生相同影像学结果的不同疾病状态。

理想情况下，床边的影像学检查应结合完整的临床信息进行解释，因此，由放射科专家和ICU的医生共同进行解释。然而，放射科医生可能无法立即评估或与ICU的医生协商。因此，具有不同背景、培训和经验的医生在评估此类放射线照片时往往没有跨学科的对话。在大约三分之一的ICU中，非放射科医生单独负责评估胸部X光片，没有经验的医生可能会比有经验的医生更能从这种协助中受益。

现阶段，临床上对计算机辅助解释胸片有很大的需求，而神经网络是解决这一诊断问题最有希望的手段。典型的胸部放射学报告是以自由文本叙述的形式写成的，需要用自然语言处理的方法将其转变成结构化和机器可读的输出。然而，放射学中的自然语言处理应用仍在开发中，正确和完整的翻译十分具有挑战性。

近日，发表在Radiology杂志的一项研究评估了基于神经网络的根据床边胸部X光片的结构化半定量放射学报告进行训练的模型的诊断性能，为非放射科医生提供了专家级放射科医生水平的图像解读。

本项研究纳入了一家大学医院ICU的儿童和成人在2009年1月至2020年12月期间进行的床边胸片成像，并通过使用一个结构化的分项模板进行报告。98位放射科医生对X光片的疾病模式的严重程度进行了半定量的评分。使用这些数据来训练神经网络以识别心脏肿大、肺充血、胸腔积液、肺不张和肺气肿。由六位放射科医生组成的专家小组独立评估的内部测试集（来自100名患者的100张X光片）提供了基础事实。这六位放射科医生中的每一位、ICU中的两位非放射科医生以及神经网络的单独评估都与基本事实进行了比较。另外，非放射科医生在没有神经网络提供的初步读数的情况下对图像进行评估，并使用加权的Cohen κ系数来衡量阅读者和基础事实之间的一致性。

共有45016名患者（平均年龄66岁±16[SD]；61%为男性）的193566张X光片被纳入研究，并分为训练（n = 122294；64%）、验证（n = 31243；16%）和测试（n = 40029；20%）组。与专家小组的多数票（κ=0.86）相比，神经网络与专家小组的多数票（κ=0.81至≤0.84）表现出更高的一致性。当神经网络提供初步读数时，非放射科医生的报告有很大的改善（辅助与未辅助，κ = 0.87 vs 0.79，分别；P < 0.001）。

图 重症监护室（ICU；即非放射科医生）对特定成像结果的最初分级与经验丰富的放射科医生的分级不一致的床边胸片（多数票）。重症监护室的医生在复核了神经网络的预测后改变了他们最初的分级。一名60岁的男子在接受冠状动脉搭桥手术后接受随访成像

本项研究表明，经过结构化和分级报告训练的胸部X光片神经网络解读有能力实现与有经验的放射科医生相似的高诊断性能。使用这样的神经网络，非放射科医生也能达到与放射科医生类似的诊断效果。本项研究为将来整合相关的非影像学发现，如实验室价值和身体功能和功能障碍的标志物，提供了研究基础及方向。

原始出处：

Firas Khader,Tianyu Han,Gustav Müller-Franzes,et al.Artificial Intelligence for Clinical Interpretation of Bedside Chest Radiographs.DOI:10.1148/radiol.220510