人工智能輔助超聲危急值臨床診斷的初步應用研究

張睿　何茂銳　劉姝妮　賈璐璐　吳永兵　謝成彬

【摘要】? 目的? ? 研究一款智能超聲危急值管理系統并探討其在臨床應用的價值。方法? ? 運用H5技術研發一款基于微信平臺的超聲危急值智能監測軟件，建立超聲危急值數據庫。通過智能識別超聲危急值，進行危急值預警。收集就診疑似腹部超聲危急值的82例患者，同時進行人工智能（AI）診斷（AI組）及專業超聲醫生診斷（醫生組）。以手術病理或臨床醫師最終的綜合診斷為金標準，比較人工報告與軟件智能識別2種診斷結果的靈敏度、特異性、陽性預測值以及診斷準確率。結果? ? 醫生組診斷準確率93.90%、陽性預測值97.37%、靈敏度96.10%，AI組診斷準確率90.24%、陽性預測值96.00%、靈敏度93.51%，2組比較，差異無統計學意義（均P>0.05）。結論? ? AI組與醫生組的診斷超聲危急值具備足夠的準確度，可協助醫生判讀超聲報告，提高診斷的準確性，有助于危急重癥患者的救治。

【關鍵詞】? 超聲危急值； 臨床診斷； 人工智能

Preliminary application study of artificial intelligence-assisted ultrasound in critical value clinical diagnosis

Zhang Rui He Maorui Liu Shuni Jia Lulu Wu Yongbing Xie Chengbin 1. The Ninth People's Hospital of Chongqing，Chongqing? ?400700; 2. The Chongqing Emergency Medical Center，Chongqing? ?400014; 3. The Second Affiliated Hospital of Chongqing Medical University，Chongqing? ?400000; 4. The Chongqing Beibei District Center for Disease Control and Prevention，Chongqing? ?400700

【Abstract】? Objective? ? To study an intelligent ultrasound emergency value management system and explore its value in clinical application. Methods? ? Use H5 technology to develop an intelligent monitoring software based on WeChat platform and establish ultrasonic critical value database. Through the intelligent identification of ultrasonic emergency value， emergency value warning.A total of 82 cases to be diagnosed as common abdominal ultrasound critical value were collected， and AI diagnosis （AI group） and professional sononologist diagnosis （doctor group） were performed simultaneously.Overall final diagnosis of surgical pathology or clinician was taken as the gold standard.To compare the sensitivity， specificity， positive predictive value and diagnostic accuracy of manual report with software intelligence. Results? ? Diagnosis accuracy rate was 93.90%， positive prediction value 97.37%， and sensitivity 96.10%. Group AI， diagnostic accuracy was 90.24%， positive predictive value 96.00%， and sensitivity 93.51%. There was no significant difference between the two groups （P both> 0.05）. Conclusion? ? The diagnosis of AI group and doctors has sufficient accuracy to assist doctors to interpret the ultrasound report， improve the diagnostic accuracy， and facilitate the treatment of critical patients.

【Key Words】? Ultrasound critical value； Diagnostic technology； Artificial intelligence

中圖分類號：R445.1? ? ? ? 文獻標識碼：A? ? ? ? 文章編號：1672-1721（2023）25-0001-03

DOI：10.19435/j.1672-1721.2023.25.001

超聲檢查因其無創性及無放射性損傷等優點被廣泛應用于臨床，并已成為基層醫療機構中影像診斷技術服務的主力軍。隨著超聲技術的蓬勃發展，超聲在疑難危重疾病的臨床檢查和診斷方面的優勢越來越突出，具有不可替代的作用。但我國超聲診療人才分布不均衡，基層醫療衛生機構缺乏技術精湛的醫生，漏診、誤診發生率比大型醫院高[1]。部分基層醫生對超聲危急值的識別能力差，易導致醫患矛盾，發生醫療糾紛。因此，如何輔助超聲醫生特別是基層醫生更快更好地完成準確的診斷，提高診療效率，已成為臨床亟待解決的重要問題。

隨著互聯網技術的發展和智能化水平的不斷提高，人工智能（artificial intelligence，AI）已經成為醫療創新的前沿領域，新藥研發、疾病預測、高級成像、醫療管理等環節，均離不開AI技術的支持，AI已成為醫療行業的有力輔助和支撐[2-3]。因此，探索如何應用AI技術更好地協同醫生判讀超聲報告，優化超聲危急值診斷流程，提高超聲危急值診斷的時效性顯得尤為重要。本研究通過在現有超聲設備基礎上開發一款基于微信平臺的超聲危急值智能監測軟件，對腹部常見超聲危急值報告進行智能識別分析，并闡述AI智能系統超聲危急值的臨床應用價值。

1? ? 超聲危急值智能系統的開發

1.1? ? 系統介紹? ? 該系統由重慶市第九人民醫院與重慶電子工程職業學院人工智能與大數據軟件技術開發團隊合作研發，采用了管道—過濾器的架構模式完成系統的架構設計，見圖1，利用視頻圖像特征，從連續得到的視頻流中提取動態目標信息進行識別并預警（最低可以使用480×800像素），醫生可實時通過微信或電腦將視頻發送給上級醫療機構的超聲醫生，上級醫療機構專家可實時查閱超聲視頻，進行結果審核或會診回復。反饋的數據集中于中心數據庫，為以后的大數據分析提供數據資源。醫生亦可通過互聯網進行資源共享，用于學習培訓。本軟件采用.NET C#語言編寫，連接SQL2008 R2版本的數據庫，該系統已取得軟件著作權證書。

1.2? ? 診斷系統運行流程? ? 基層醫療機構（下級醫療機構）超聲醫生通過微信平臺將疑似危急值超聲視頻上傳至智能系統進行AI智能分析，若符合超聲危急值，視頻圖像自動傳輸至上級醫療機構專家組，并以危急值符合進行預警。若不符合超聲危急值，將診斷報告返回基層醫療機構醫生，若醫生存在疑慮，可自行手動上傳至上級醫療機構專家組，由專家組進行在線診斷復核后將彩超診斷結果回傳至基層醫療機構，見圖2。

2? ? 資料與方法

2.1? ? 研究對象? ? 將2019年10月—2021年10月于重慶市第九人民醫院門診、重慶市急救中心就診患者及天生社區全科門診就診的82例疑似腹部超聲危急值患者納入研究，包括肝脾損傷、異位妊娠破裂、主動脈夾層、重癥胰腺炎等患者。

2.2? ? 超聲智能檢測平臺? ? 采用一款基于微信平臺的超聲危急值智能監測軟件，利用時空融合算法確定視頻中的異常，通過2種超聲視頻來判斷患者的病癥，避免產生偽圖和誤診。該監測軟件同時兼容安卓及蘋果系統，通過手機即可聯網操作。團隊根據視頻標準優化軟件，利用時間差分方法，即利用視頻圖像特征，從連續得到的視頻流中提取所需要的動態目標信息。系統建立背景模型，設定邊緣界限，之后進入“分析”狀態，如果前景出現移動物體，并在設置的范圍區域內出現色彩不同的目標，系統將自動測量和監控該目標，并根據預先的算法觸發報警。

2.3? ? 方法? ? 對82例疑似腹部超聲危急值患者同時進行AI診斷（AI組）及專業超聲醫生診斷（醫生組）。以手術病理或臨床醫師最終的綜合診斷為標準。

2.4? ? 觀察指標? ? 比較AI組與醫生組2種診斷結果的靈敏度、陽性預測值以及診斷準確率。

2.5? ? 統計學方法? ? 使用SPSS 23.0統計學軟件進行數據分析，計數資料以百分比表示，采用χ²檢驗，P<0.05為差異有統計學意義。

3? ? 結果

經診斷疑似超聲危急值的82例病例中，以手術病理結果或CT等臨床綜合判斷為金標準，明確符合超聲危急值的病例77例，發生率為93.9%。醫生組診斷準確率93.90%，陽性預測值97.37%，靈敏度96.10%。AI組診斷準確率90.24%，陽性預測值96.00%，靈敏度93.51%。2組數據對比，差異無統計學意義（P>0.05）。見表1、表2。

4? ? 討論

人工智能起源于20世紀50年代，是一門研究、開發、延伸和擴展人類智能的理論、方法、技術及應用系統的新科學[4]。隨著關鍵數據處理方式的變革、核心建模方式的提出及計算機技術的迅速發展，人工智能技術與醫療 （尤其是醫學影像領域）的融合不斷加深，為臨床疾病診治提供了幫助[5-6]。AI在乳腺結節、甲狀腺結節良惡性的鑒別、肝臟纖維化程度分析、心血管疾病診斷治療等多領域的研究發展中取得了一定成就，如FUJIOKA T等[7]通過對乳腺進行AI超聲檢測發現對良惡性腫瘤輔助診斷準確率為92.5%。PRIHADI E A等[8]發現通過Heartmodel自動分析軟件對主動脈瓣環及根部進行評估，對手術準確建模，其準確性可與心臟核磁數據相近，同時大大縮短了測量時間。李柯研等[9]研究顯示，運用5G遠程機器人對急腹癥患者進行超聲診斷，其準確率88.64%，特異度100%，敏感度87.18%，同樣具有良好的準確性及時效性。臨床中，對于危急重癥患者，如常見的急腹癥，超聲是簡便有效的檢測手段之一。但我國目前各級醫療機構超聲醫生水平參差不齊，超聲結果的識別能力差距較大。超聲是一種動態影像，數據繁雜，臨床工作中，特別是基層醫療機構更易出現遺漏或錯誤。因此，AI超聲智能系統的搭建，可對海量數據快速完成識別，給予客觀的結論。臨床中可充分利用AI對超聲報告進行初步處理，特別是對超聲危急值的及時準確識別，可在提高超聲診斷質量的同時有效縮短診斷時間。AI輔助超聲醫生如能及時、準確地報告危急值則有助于臨床醫生迅速做出判斷，給予有效的干預措施，從而使患者最大限度地獲得救治機會。

本研究對擬診的82例腹部超聲危急值患者超聲圖像進行分析統計，結果顯示AI 組與醫生組在超聲危急值的診斷符合率分別達90.24%、93.90%，表明本研究的AI分析具有足夠的準確度，能完成病例的預分析診斷。本研究AI組診斷分組的靈敏度為93.51%，陽性預測值為96.00%，表明AI診斷能有效實現超聲危急值預警。該系統對視頻質量要求最低可以使用480×800像素，因此即使在相對偏遠地區，醫療資源匱乏的情形下亦能做出快速、準確的診斷，可為臨床診療工作提供幫助，特別是對醫療人才相對缺乏的基層醫療機構落實分級診療有著重要意義。不斷提高AI診斷的準確性及有效性，特別是更好地發揮AI在危急重病例識別中的優勢，保證患者管理的質量[10-11]，將是本研究團隊繼續探索的方向。

綜上所述，超聲作為腹部超聲危急值的重要檢查方式，可有效檢出病變，但其結果受經驗差異、主觀意識影響較大。人工智能可有效彌補上述不足，自動檢出病變，通過圖像處理對病變進行客觀量化分析，減少漏、誤診，從而有效提高診斷準確率，有助于基層醫療衛生機構對危急重患者的救治。本系統仍處于不斷研究進展中，下一步擬將不斷擴展超聲危急值數據庫，將典型病例視頻錄入學習版塊，供基層醫院醫生學習，進行互動教學，以便提高基層超聲醫生的臨床診治能力。

參考文獻

[1] 曾小萍，蘇琴，安麗英，等.基層醫院超聲科醫師臨床誤診漏診原因分析與對策[J].中醫藥管理雜志，2015，23（13）：103-104.

[2] 劉琪，谷笑穎.醫療人工智能應用中的倫理困境及對策研究[J].醫學與哲學，2019，40（21）：5-8.

[3] 王海星，田雪晴，游茂，等.人工智能在醫療領域應用現狀、問題及建議[J].衛生軟科學，2018，32（5）：3-5，9.

[4] VISVIKIS D，CHEZE L R C，JAOUEN V，et al.Artificial intelligence，machine（deep）learning and radio（geno）mics：de-finitions and nuclear medicine imaging applications[J].Eur JNucl Med Mol Imaging，2019，46（13）：2630-2637.

[5] GORE J C.Artificial intelligence in medical imaging[J].Magn Reson Imaging，2020，68：A1-A4.

[6] RUSSAKOVSKY O，DENG J，SU H，et al.ImageNet large scale visual recognition challenge[J].Int J Comput Vis，2015，115（3）：211-252.

[7] FUJIOKA T，KUBOTA K，MORI M，et al.Distinction between benign and malignant breast masses atbreast ultrasound using deep learning method with convolutional neural network[J].Jpn J Radiol，2019，37（6）：466-472.

[8] PRIHADI E A，VAN ROSENDAEL P J，VOLLEMA E M，et al.Feasibility，accuracy，and reproducibility of aortic annular and root sizing for transcatheter aortic valve replacement using novel automated three dimensional echocardiographic software：comparison with multi-detector row computed tomography[J].J Am Soc Echocardiogr，2018，31（4）：505-514.

[9] 李柯研，任秀昀，呂發勤，等.5G遠程機器人超聲診斷急腹癥[J].中國醫學影像技術，2022，38（6）：928-931.

[10] SHOKOOHI H，LESAUX M A，ROOHANI Y H，et al.En-advanced point-of-care ultrasound applications by integrating automated feature-learning systems using deep learning[J].J Ultras Med，2019，38（7）：1887-1897.

[11] 楊瑤瑤.人工智能背景下的移動醫療平臺現狀及展望[J].未來與發展，2020，44（2）：5-11.

（收稿日期：2023-06-06）