人工智能輔助診斷塵肺病的現狀及趨勢

【摘要】" 塵肺是由于吸入無機礦物粉塵而引起的肺部纖維化疾病，塵肺病是我國最常見、危害最大的職業病之一。塵肺病的診斷很大程度上仍然取決于放射科醫師和塵肺病診斷醫師的經驗，往往容易造成漏診和誤診，也不利于人群的快速篩檢。當下，人工智能（artificial intelligence，AI）技術不斷發展，逐步應用于醫學領域，在遠程會診、影像學圖像識別方面都顯示出巨大的優越性。塵肺病是我國影響范圍最廣泛的職業病，嚴重損害勞動者的身體健康，當下我國塵肺病的診斷主要通過醫師對X線胸片做出判斷，診斷結果的準確性和穩定性無法保證，隨著人工智能輔助診斷在塵肺病臨床研究中越來越廣泛，考慮可以將人工智能輔助診斷納入國家標準，這在一定程度上可實現塵肺病的早期診斷，實現塵肺病患者早診斷早治療的目的，提高患者生存質量，延長生存時長。

【關鍵詞】" 塵肺；人工智能輔助診斷；人工智能

中圖分類號" R135.2" " 文獻標識碼" A" " 文章編號" 1671-0223（2023）10--04

Artificial intelligence-assisted diagnosis of pneumoconiosis should be incorporated into national standards Pei Shasha， Li Jinlong， Shen Fuhai. School of Public Health， North China University of Science and Technology， Tangshan" 063000， China

【Abstract】" Pneumoconiosis is a group of heterogeneous fibrotic lung diseases that develops through the inhalation of inorganic mineral dusts.1 Until now， pneumoconiosis is the most common occupational disease in China. It not only causes a high level of mortality but is also responsible for the great socio-economic loss. However， providing an accurate diagnosis still largely depends on the experience of the doctor. However， this is not conducive to treatment. In recent years， advances in artificial intelligence （AI） technology have led to the rapid clinical implementation of devices with AI technology in the medical field. In contrast， imaging examinations have shown great advantages in the assessment of Diagnostic imaging and teleconsultation in patients. With the implementation of AI， scholars have lately turned to establish models using AI algorithms to diagnose pneumoconiosis. This would help detect the disease early and thereby help institute appropriate control measures. We are considering the possibility of incorporating AI-assisted diagnosis into national standards， which could， to a certain extent， enable early diagnosis of pneumoconiosis， achieve early diagnosis and treatment of pneumoconiosis patients， and improve the quality and length of survival of patients.

【Key words】" "Pneumoconiosis; Artificial intelligence assisted diagnostic system， Artificial Intelligence

塵肺病是由于在職業活動中長期吸入生產性粉塵并滯留在肺部而導致的肺組織彌漫性纖維化為主的慢性全身性疾病[1]。在過去的幾十年中，中國已采取多種預防和控制措施，但塵肺的發病率仍處于較高水平。根據《2020年我國衛生健康事業發展統計公報》顯示：2020年全國共報告各類職業病新病例17064例，其中職業性塵肺病新發病例人數達14367例，占職業新發病總人數的84.19%，情況仍舊不容樂觀。

GBZ70—2015指出：塵肺病診斷主要手段是高千伏X線胸片以及數字化攝影（DR）。X線胸片憑借其易普及、易操作、低費用以及結論客觀等諸多優勢，仍舊是塵肺病檢查的主要手段，因而塵肺病診斷的關鍵在于通過識別X射線后前位胸片對塵肺病進行診斷和分級。在實際操作過程中，病例具有個體化差異，往往和塵肺病X線標準片差異較大，若醫師經驗不足，則很容易出現誤診漏診的情況，再加上診斷醫師對診斷標準的理解和對標準片的認識不同，在塵肺病患者的早期診斷方面仍存在諸多爭議[3]；加上目前塵肺病診斷醫師較少，部分偏遠地區患者仍無法得到及時的診斷，所以延誤塵肺病患者治療時機的情況仍時有發生[4]，這將嚴重損害患者的身心健康，也不利于我國職業病防治工作的開展。

當下，人工智能（artificial intelligence， AI）技術不斷發展，逐步應用于醫學領域，在遠程會診、影像學圖像識別方面都顯示出巨大的優越性，針對塵肺病的診斷，國內外學者正在試圖借助人工智能進行肺部疾病的輔助診斷，從而及早發現機體損傷，并對其嚴重程度進行評價[5]。人工智能輔助診斷技術結合了圖像分析、影像學和人工智能等多種手段，結合計算機的分析運算能力，建立特定疾病診斷的數學模型，進而對該類型疾病的病灶進行分類、預測或定位。計算機輔助診斷系統能夠對醫學影像進行準確且快速的解讀，為醫生提供可靠的參考意見，在原始影像中發現疑似病灶并對其類型進行辨別，從而大幅降低放射醫師人工閱片的工作負擔與難度，并進一步提升醫務工作者的閱片準確率與效率。因此人工智能輔助診斷技術在塵肺病的診斷方面的發展前景十分可觀，現在這方面的研究已經引起國內外學者的廣泛關注[6]，因此，我們將從以下幾個方面對人工智能輔助診斷在塵肺病診斷中的利弊進行分析研究。

1" AI輔助診斷技術的優越性

1.1" 塵肺病診斷現狀

根據2010年的調查研究結果顯示[7]，我國接塵作業人數達一千萬，而具有相應診斷資格的執業醫師僅有不到5000人，所以每十萬接塵人員僅擁有診斷醫師0.65名，所以當前的醫師數嚴重不足，所以大量的患者無法得到及時有效地診斷和治療，除此以外，從事職業病診斷的機構和醫師數量也呈下降趨勢，致使患者需求和診斷能力之間的不平衡進一步加大，針對這一現狀，每一位診斷醫師都面臨巨大的工作量，日復一日地機械重復高強度的影像學診斷，不僅會造成醫師視覺疲勞、工作效率低下，嚴重打擊其工作積極性，也不利于醫師醫學素養的提升和創新意識的養成。針對這一問題，國內外學者試圖通過AI輔助診斷技術來尋找新的解決思路，以期提高診療效率，幫助診斷醫師降低工作壓力；簡化繁重的工作；提高醫師的診斷信心。在專業人員不足或者面臨巨大工作量的情況下，可以使用AI輔助診斷技術提高診斷效率，在偏遠落后地區可以配備給基層的職業衛生工作者，從而可以直接對接到一線工人，對疾病進行快速篩查，很大程度上節省了人力物力。

1.2" 提高塵肺病篩查的準確率

塵肺病的正確診斷的關鍵在于對根據肺陰影的密集度和分布的肺區，從而對胸片進行正確解讀。在實際操作過程中，對于貳、叁期塵肺病的診斷較為簡單，而在未患病和塵肺壹期的界定中，往往會存在較多爭議，特別是診斷經驗不足的醫師極易出現漏診和誤診[8]，因而診斷的工作并不簡單。汪偉等[9]通過對比人工診斷和人工智能讀片，對兩者的準確性地進行研究，研究結果顯示：TMNet模型準確率達95.20%，診斷經驗十年以上的塵肺病醫師診斷準確率為76.00%，診斷經驗五年以下的塵肺病醫師診斷準確率為56.00%。由此可見人工診斷主要依靠肉眼主觀觀察，很容易出錯，此外，當診斷醫師工作量較大時，醫生可能會因為疲勞而忽視細微的病理改變，而人工智能不會感到“疲勞”，診斷結果也不會因人而異，結果輸出穩定，因而使用人工智能輔助診斷可能會得到比人工診斷更準確的診斷結果。

1.3" 經濟性

為彌合患者需求和診斷能力兩者之間的差距，我們需要花費大量時間和心血來培養高素質的診斷醫師。然而專業醫師的培養并不是一蹴而就的，培養一位合格的診斷醫師大約需要花費5～8年時間，這并不代表醫師立刻就可以勝任這項工作，在實踐中逐漸積累經驗方能成就一名優秀的醫師，所以培養出一名優秀的職業診斷醫師需要投入大量的時間和金錢，這也在無形之中增加了患者治療的成本。AI輔助診斷程序在安裝下載后，可以無限次數隨時隨使用，因而人工智能輔助也有助于降低診斷的成本。

1.4" 有利于疾病的二級預防

目前針對塵肺病沒有特效的治療手段，但是研究結果表明塵肺病的早發現、早診斷、早治療對于改善塵肺病的長期預后具有十分重要的作用，絕大多數塵肺患者都死于晚期的多種并發癥，其中呼吸系統并發癥占51.80%，心血管疾病并發癥占19.90%，因而塵肺病的早期診斷和治療對于改善塵肺病患者的預后和抑制疾病的進展具有重要的意義[10]。

1.5" 避免人為的干預

當下政府部門對于塵肺診斷要求嚴苛，因此當下塵肺病的確診環節十分復雜，雖說這使得塵肺病的誤診率很低，但這無形之中建立了極高的標準體系。在這樣的標準下，執業醫師在對塵肺病患者進行診斷時，為避免假陽性的出現，也會下意識地提高診斷標準，從而造成漏診病例增加，部分塵肺壹期患者不能得到及時的診斷，從而延誤其治療時機。AI輔助診斷技術地應用于塵肺病診斷，則可以有效地避免人為因素對于診斷結果的影響，從而得到更加客觀的診斷結果。

2" 關于AI輔助診斷技術的爭議

人工智能是一項具有歷史性意義的深刻變革，但是與此同時關于它的質疑聲仍然存在[11]，因而在看待人工智能作用時，不僅應該看到通過高質量數據和計算機運算能力在提升診斷的靈敏度和特異度方面的作用，也應該考慮其可能產生的不良后果。

2.1" 過度依賴

對AI輔助診斷技術的主要擔憂是它可能會導致診斷醫師的專業能力下降，醫師過于依賴人工智能而不是臨床實踐經驗，從而無法獨立地對病情進行正確診斷，Topol將這種現象描述為“直覺偏誤”，這是指：即使在機器得出錯誤的結論時，我們也會傾向于接受它的結論[12]，尤其是經驗較少的醫生更有容易接受機器給他們的建議，從而無法識別機器得出的假陰性和假陽性結果[13]，造成健康者的醫療資源浪費和患者治療時機的延誤。然而這一弊端并不是不可規避的，我們可以通過診斷醫師的規范培訓提高他們在獨立決策的能力[14]。

2.2" 隱私泄露

人工智能應用程序的機器學習基礎是大量的研究數據，因此能否維護這些數據的隱私和安全的問題十分關鍵。大量個人健康數據的數據泄露表明，數據的隱私和安全問題并沒有得到有效解決[15]。加拿大放射科醫師協會人工智能工作組在談到放射學中與人工智能相關的倫理和法律問題時強調：大量醫療數據的收集、存儲和使用對加強立法、技術進步和數據安全保障提出了新的要求[16]。

2.3" 偏倚的存在

當前針對AI輔助診斷技術的研究仍存在數據集過小、數據代表性不強等問題，數據集成不良或驗證不足，使得研究的穩健性和可重復性仍有待考證。此外，一些機器學習模型可能會出現過擬合和欠擬合的偏差。研究也可能受到發表偏倚影響，研究者往往傾向于只發表表現良好的算法。在接下來的研究中，使用更大的數據集（包括臨床信息）執行算法，可以克服一些技術問題，例如過度擬合。此外，為了避免選擇偏倚的限制，應該設定嚴格的納入排除標準，對于人工智能診斷的金標準也需要反復考證其準確性，當標準本身不正確時后續的研究也勢必無法準確。

2.4" 技術問題

當下，AI輔助診斷應用于塵肺病診斷這項技術仍不成熟，主要表現在：①不同機構胸片拍攝水平有高有低，這在一定程度上限制了人工智能的應用；②人工智能對塵肺小陰影的鑒別方式仍有所欠缺；③醫師人工閱片水平良莠不齊，不能作為塵肺病診斷的金標準，即使是頂級專家的判斷也不一定完全正確；④關于當前人工智能診斷效能的可信度，仍需要進一步確定[17]。所以仍舊需要大量研究使其具有可行性。在接下來的研究中，應該對人工智能系統進行調整和優化，克服技術難題，使其可以更好地造福人類。

2.5" 數據損失

常見的計算機輔助診斷胸片算法主要有兩類：基于規則的算法和基于機器學習的算法，前者是基于肺部的位置、紋理等特征設立一些啟發式規則來實現分類正常區域與陰影區域，而后者是基于圖像中的各個像素進行分類，這種方法需要通過訓練集訓練來提取圖像特征。由此可見，當下人工智能輔助塵肺病診斷從理論上講都是通過讀取患者的DR胸片，然后對胸片進行接下來的數據分析，而不是直接讀取DR胸片的原始數據。胸片由數字轉換為影像，再由影像轉為數字的過程中會造成信息損失，使得到結果存在爭議。因此，在接下來的研究中我們可以考慮是否可以直接讀取胸片的原始數據，從而避免信息損失，進而得到更準確地分析結果。

3" 針對塵肺病診斷標準的建議

塵肺病作為我國當前發病率排名第一的職業病，其診斷和治療都值得我們引起重視。因此我們倡議針對塵肺病診斷的國家標準應該進行規范化調整。

當下塵肺的診斷標準制定十分嚴格，要求全面，但在實際應用中，屢屢出現“不適用”和悖于“以人為本”的情況；尤其是社會底層的邊緣人群，負面影響可能會更明顯，塵肺病極高的門檻，將部分患者阻隔在診斷之外，使其合法權利無法得到維護，這部分人大多是經濟水平和文化水平均不高的農民工，他們需要救助，卻苦于沒有途徑，從而貽誤治療時機。

職業病診斷并不是單純的醫學問題，而是醫學與法律的綜合性判斷。根據《職業病診斷與鑒定管理辦法》規定，在勞動關系存在爭議時，可以提起上訴，這個過程會使正常的職業病診斷程序因受到訴訟影響而中止，和用人單位勞動關系的認定也較為困難也導致其無法盡快完成職業病診斷。但實際上職業病的診斷過程中，證明勞動雇傭關系并不必要，所以我們認為對塵肺病職業病相關標準的修改十分必要。

根據《塵肺病診斷標準》規定，塵肺病只有在塵肺病確診之后方能對塵肺病進行賠償和治療，而實際上在塵肺病診斷之前纖維化就已經存在了，因此診斷后才對其進行治療，實際上已經延誤了塵肺病的早期治療時機，因而在塵肺病表現出臨床指征前就應該對其進行治療。但是根據當前醫療政策，塵肺病不包括在職工醫保和居民醫保的報銷范圍內，因此即使在塵肺未確診之后，在用人單位沒有為勞動者辦理工傷保險的情況下，仍需要自己先行墊付醫藥費進行纖維化的治療，以后還會因為用人單位的自己緊張而延誤報銷，給塵肺病患者帶來經濟與心理的巨大負擔。因此我們認為應將塵肺病分為疾病診斷與職業病鑒定兩個階段，而人工智能輔助診斷在第一階段將發揮重要作用。

AI輔助診斷技術應用于塵肺病診斷不僅僅只是一個技術問題，人工智能的發展最終應該促進所有生物的福祉，人工智能的發展成果應當被全人類所共享，改善人類賴以生存的社會和環境，推動人類和社會繁榮進步，增進人民和社會福祉[18]，因此我們可以借助人工智能促進社會醫療資源公平，從而實現人工智能的發展成果被全人類所共享。所以我們倡議將AI輔助診斷技術納入職業病診斷標準，這對于AI輔助診斷技術的落地具有重要意義。

4" 參考文獻

[1] 金凡力，張藍熙，陳鍇，等.細胞因子在塵肺發病機制中的研究進展[J].中華勞動衛生職業病雜志，2020，38（12）：948-952.

[2] Karkhanis VS， Joshi JM.Pneumoconioses[J]. Indian J Chest Dis Allied Sci， 2013，55（1）：25-34.

[3] 張磊，朱磊，李志恒，等.煤工塵肺住院患者疾病負擔及其影響因素分析[J].北京大學學報（醫學版），2014，46（2）： 226-231.

[4] 張鎦琢，李智民，羅軍，等.塵肺病診斷讀片差異性分析[J].職業衛生與應急救援， 2019， 37（5）：425-428，40.

[5] 汪偉.基于深度卷積神經網絡的塵肺病DR影像診斷研究[D].唐山：華北理工大學， 2021.

[6] 季冰，劉伶俐.人工智能在醫學影像領域的應用與挑戰[J].中國醫學倫理學，2019，32（8）：981-985.

[7] Singh R，Kalra MK，Nitiwarangkul C，et al.Deep learning in chest radiography：Detection of findings and presence of change[J].PLoS one，2018，13（10）：e0204155.

[8] 張敏，陳鈞強.人工智能技術在塵肺病診斷中的應用研究進展[J].環境與職業醫學，2020，37（2）：192-196.

[9] 汪偉，李寶平，沈福海，等.塵肺胸片人工智能讀片三種模型效能比較研究[J].環境與職業醫學，2022，39（1）：41-46.

[10] Hao C，Jin N，Qiu C，et al.Balanced Convolutional Neural Networks for Pneumoconiosis Detection[J].Int J Environ Res Public Health，2021，18（17）：9091.

[11] Spiegel JM，Ehrlich R，Yassi A，et al.Using Artificial Intelligence for High-Volume Identification of Silicosis and Tuberculosis：A Bio-Ethics Approach[J].Ann Glob Health，2021，87（1）：58.

[12] Topol EJ.High-performance medicine：the convergence of human and artificial intelligence[J].Nat Med，2019，25（1）：44-56.

[13] Carter SM，Rogers W，Win KT，et al.The ethical， legal and social implications of using artificial intelligence systems in breast cancer care[J].Breast，2020，49：25-32.

[14] Coiera E.The fate of medicine in the time of AI[J].Lancet，2018，392（10162）：2331-2332.

[15] Liu V，Musen MA，Chou T.Data breaches of protected health information in the United States[J].JAMA，2015，313（14）：1471-1473.

[16] Winfield AFT，Jirotka M.Ethical governance is essential to building trust in robotics and artificial intelligence systems[J].Philos Trans A Math Phys Eng Sci，2018，376（2133）：20180085.

[17] 王崢，張建芳，錢青俊.我國職業性塵肺病診斷標準的演變和發展 [J]. 中國工業醫學雜志，2017，30（01）：69-71.

[18] Okumura E，Kawashita I，Ishida T.Computerized classification of pneumoconiosis on digital chest radiography artificial neural network with three stages[J].J Digit Imaging，2017，30（4）：413-426.

[2023-02-09收稿]