人工智能辅助超声危急值临床诊断的初步应用研究

张睿　何茂锐　刘姝妮　贾璐璐　吴永兵　谢成彬

【摘要】  目的    研究一款智能超声危急值管理系统并探讨其在临床应用的价值。方法    运用H5技术研发一款基于微信平台的超声危急值智能监测软件，建立超声危急值数据库。通过智能识别超声危急值，进行危急值预警。收集就诊疑似腹部超声危急值的82例患者，同时进行人工智能（AI）诊断（AI组）及专业超声医生诊断（医生组）。以手术病理或临床医师最终的综合诊断为金标准，比较人工报告与软件智能识别2种诊断结果的灵敏度、特异性、阳性预测值以及诊断准确率。结果    医生组诊断准确率93.90%、阳性预测值97.37%、灵敏度96.10%，AI组诊断准确率90.24%、阳性预测值96.00%、灵敏度93.51%，2组比较，差异无统计学意义（均P>0.05）。结论    AI組与医生组的诊断超声危急值具备足够的准确度，可协助医生判读超声报告，提高诊断的准确性，有助于危急重症患者的救治。

【关键词】  超声危急值； 临床诊断； 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

中图分类号：R445.1        文献标识码：A        文章编号：1672-1721（2023）25-0001-03

DOI：10.19435/j.1672-1721.2023.25.001

超声检查因其无创性及无放射性损伤等优点被广泛应用于临床，并已成为基层医疗机构中影像诊断技术服务的主力军。随着超声技术的蓬勃发展，超声在疑难危重疾病的临床检查和诊断方面的优势越来越突出，具有不可替代的作用。但我国超声诊疗人才分布不均衡，基层医疗卫生机构缺乏技术精湛的医生，漏诊、误诊发生率比大型医院高[1]。部分基层医生对超声危急值的识别能力差，易导致医患矛盾，发生医疗纠纷。因此，如何辅助超声医生特别是基层医生更快更好地完成准确的诊断，提高诊疗效率，已成为临床亟待解决的重要问题。

随着互联网技术的发展和智能化水平的不断提高，人工智能（artificial intelligence，AI）已经成为医疗创新的前沿领域，新药研发、疾病预测、高级成像、医疗管理等环节，均离不开AI技术的支持，AI已成为医疗行业的有力辅助和支撑[2-3]。因此，探索如何应用AI技术更好地协同医生判读超声报告，优化超声危急值诊断流程，提高超声危急值诊断的时效性显得尤为重要。本研究通过在现有超声设备基础上开发一款基于微信平台的超声危急值智能监测软件，对腹部常见超声危急值报告进行智能识别分析，并阐述AI智能系统超声危急值的临床应用价值。

1    超声危急值智能系统的开发

1.1    系统介绍    该系统由重庆市第九人民医院与重庆电子工程职业学院人工智能与大数据软件技术开发团队合作研发，采用了管道—过滤器的架构模式完成系统的架构设计，见图1，利用视频图像特征，从连续得到的视频流中提取动态目标信息进行识别并预警（最低可以使用480×800像素），医生可实时通过微信或电脑将视频发送给上级医疗机构的超声医生，上级医疗机构专家可实时查阅超声视频，进行结果审核或会诊回复。反馈的数据集中于中心数据库，为以后的大数据分析提供数据资源。医生亦可通过互联网进行资源共享，用于学习培训。本软件采用.NET C#语言编写，连接SQL2008 R2版本的数据库，该系统已取得软件著作权证书。

1.2    诊断系统运行流程    基層医疗机构（下级医疗机构）超声医生通过微信平台将疑似危急值超声视频上传至智能系统进行AI智能分析，若符合超声危急值，视频图像自动传输至上级医疗机构专家组，并以危急值符合进行预警。若不符合超声危急值，将诊断报告返回基层医疗机构医生，若医生存在疑虑，可自行手动上传至上级医疗机构专家组，由专家组进行在线诊断复核后将彩超诊断结果回传至基层医疗机构，见图2。

2    资料与方法

2.1    研究对象    将2019年10月—2021年10月于重庆市第九人民医院门诊、重庆市急救中心就诊患者及天生社区全科门诊就诊的82例疑似腹部超声危急值患者纳入研究，包括肝脾损伤、异位妊娠破裂、主动脉夹层、重症胰腺炎等患者。

2.2    超声智能检测平台    采用一款基于微信平台的超声危急值智能监测软件，利用时空融合算法确定视频中的异常，通过2种超声视频来判断患者的病症，避免产生伪图和误诊。该监测软件同时兼容安卓及苹果系统，通过手机即可联网操作。团队根据视频标准优化软件，利用时间差分方法，即利用视频图像特征，从连续得到的视频流中提取所需要的动态目标信息。系统建立背景模型，设定边缘界限，之后进入“分析”状态，如果前景出现移动物体，并在设置的范围区域内出现色彩不同的目标，系统将自动测量和监控该目标，并根据预先的算法触发报警。

2.3    方法    对82例疑似腹部超声危急值患者同时进行AI诊断（AI组）及专业超声医生诊断（医生组）。以手术病理或临床医师最终的综合诊断为标准。

2.4    观察指标    比较AI组与医生组2种诊断结果的灵敏度、阳性预测值以及诊断准确率。

2.5    统计学方法    使用SPSS 23.0统计学软件进行数据分析，计数资料以百分比表示，采用χ²检验，P<0.05为差异有统计学意义。

3    结果

经诊断疑似超声危急值的82例病例中，以手术病理结果或CT等临床综合判断为金标准，明确符合超声危急值的病例77例，发生率为93.9%。医生组诊断准确率93.90%，阳性预测值97.37%，灵敏度96.10%。AI组诊断准确率90.24%，阳性预测值96.00%，灵敏度93.51%。2组数据对比，差异无统计学意义（P>0.05）。见表1、表2。

4    讨论

人工智能起源于20世纪50年代，是一门研究、开发、延伸和扩展人类智能的理论、方法、技术及应用系统的新科学[4]。随着关键数据处理方式的变革、核心建模方式的提出及计算机技术的迅速发展，人工智能技术与医疗 （尤其是医学影像领域）的融合不断加深，为临床疾病诊治提供了帮助[5-6]。AI在乳腺结节、甲状腺结节良恶性的鉴别、肝脏纤维化程度分析、心血管疾病诊断治疗等多领域的研究发展中取得了一定成就，如FUJIOKA T等[7]通过对乳腺进行AI超声检测发现对良恶性肿瘤辅助诊断准确率为92.5%。PRIHADI E A等[8]发现通过Heartmodel自动分析软件对主动脉瓣环及根部进行评估，对手术准确建模，其准确性可与心脏核磁数据相近，同时大大缩短了测量时间。李柯研等[9]研究显示，运用5G远程机器人对急腹症患者进行超声诊断，其准确率88.64%，特异度100%，敏感度87.18%，同样具有良好的准确性及时效性。临床中，对于危急重症患者，如常见的急腹症，超声是简便有效的检测手段之一。但我国目前各级医疗机构超声医生水平参差不齐，超声结果的识别能力差距较大。超声是一种动态影像，数据繁杂，临床工作中，特别是基层医疗机构更易出现遗漏或错误。因此，AI超声智能系统的搭建，可对海量数据快速完成识别，给予客观的结论。临床中可充分利用AI对超声报告进行初步处理，特别是对超声危急值的及时准确识别，可在提高超声诊断质量的同时有效缩短诊断时间。AI辅助超声医生如能及时、准确地报告危急值则有助于临床医生迅速做出判断，给予有效的干预措施，从而使患者最大限度地获得救治机会。

本研究对拟诊的82例腹部超声危急值患者超声图像进行分析统计，结果显示AI 组与医生组在超声危急值的诊断符合率分别达90.24%、93.90%，表明本研究的AI分析具有足够的准确度，能完成病例的预分析诊断。本研究AI组诊断分组的灵敏度为93.51%，阳性预测值为96.00%，表明AI诊断能有效实现超声危急值预警。该系统对视频质量要求最低可以使用480×800像素，因此即使在相对偏远地区，医疗资源匮乏的情形下亦能做出快速、准确的诊断，可为临床诊疗工作提供帮助，特别是对医疗人才相对缺乏的基层医疗机构落实分级诊疗有着重要意义。不断提高AI诊断的准确性及有效性，特别是更好地发挥AI在危急重病例识别中的优势，保证患者管理的质量[10-11]，将是本研究团队继续探索的方向。

综上所述，超声作为腹部超声危急值的重要检查方式，可有效检出病变，但其结果受经验差异、主观意識影响较大。人工智能可有效弥补上述不足，自动检出病变，通过图像处理对病变进行客观量化分析，减少漏、误诊，从而有效提高诊断准确率，有助于基层医疗卫生机构对危急重患者的救治。本系统仍处于不断研究进展中，下一步拟将不断扩展超声危急值数据库，将典型病例视频录入学习版块，供基层医院医生学习，进行互动教学，以便提高基层超声医生的临床诊治能力。

参考文献

[1] 曾小萍，苏琴，安丽英，等.基层医院超声科医师临床误诊漏诊原因分析与对策[J].中医药管理杂志，2015，23（13）：103-104.

[2] 刘琪，谷笑颖.医疗人工智能应用中的伦理困境及对策研究[J].医学与哲学，2019，40（21）：5-8.

[3] 王海星，田雪晴，游茂，等.人工智能在医疗领域应用现状、问题及建议[J].卫生软科学，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，吕发勤，等.5G远程机器人超声诊断急腹症[J].中国医学影像技术，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] 杨瑶瑶.人工智能背景下的移动医疗平台现状及展望[J].未来与发展，2020，44（2）：5-11.

（收稿日期：2023-06-06）