人工智能在呼吸疾病诊治中的应用进展(全文)

人工智能在呼吸疾病诊治中的应用进展（全文）

摘要

随着计算机技术的发展，以专家系统和深度学习为代表的人工智能技术逐渐应用于呼吸疾病的诊治中，特别是以卷积神经网络为代表的深度学习技术。在呼吸系统领域，人工智能技术在疾病流行预测、协助诊断、指导治疗、慢性病管理和预测预后等方面应用成效斐然，成为了临床医生的有力诊断工具。本文就人工智能技术在呼吸系统疾病诊治中的应用、挑战和展望进行综述。

随着计算机技术与大数据的快速发展，人工智能（artificial intelligence，AI）取得了很大的进步，并在各个领域得到了广泛的应用，其中最常见的就是以卷积神经网络为基础的深度学习（deep learning，DL）［1］。近年来AI技术在呼吸疾病中的应用，促进了智能化和多样化的疾病诊治方法，为临床诊疗提供了有效的决策依据。本文对AI技术在呼吸疾病诊治中的应用综述如下。

一、专家系统

2000—2010年，整合医疗专家经验、以辅助诊疗流程为主的专家系统得到了广泛应用。专家系统是根据专家们提供的大量专门知识和经验，进行推理和判断，模拟人类专家的决策系统。它由5部分组成：储存专家知识

和规则的知识库；储存原始数据和中间数据的综合数据库；用于决策的推理机；向用户解释系统行为的解释器和输入输出数据的接口［2, 3］。

1. 协助诊断：Fontenla-Romero等［4］开发了一个基于前馈型人工神经网络的专家系统对睡眠呼吸暂停综合征进行分类。训练资料为120例确诊病例，通过测试集获得的平均准确率为（83.78±1.90）%。Burge等［5］开发了一个基于测量峰流速变化辅助诊断支气管哮喘（简称哮喘）的Oasys系统，敏感度低于传统算法（69% vs 100%），精确度高于传统算法（60% vs 86%）。陈建荣等［6］开发了一个包括血气及酸碱平衡自动判断的模块，可以有效分析酸碱平衡紊乱的类型。

2. 慢病管理：Shegog等［7］开发了一个包括判断哮喘严重程度、指导药物使用、患者康复锻炼及随访督促的慢性病管理系统。

3. 预测预后：Smith和Smith［8］开发了一个用来预测肺癌患者生存期的专家系统，以100例患者为资料来源进行编程。回顾性预测这100例患者，发现预期生存和实际生存时间的平均误差为341 d，其中有35例误差<100 d。

4. 预测并发症：Santos-García等［9］开发了一个非小细胞肺癌根治术后，预测心肺并发症发生率的模型，采集了患者的一般情况、合并症、肺功能数据作为预测依据，与术后实际情况比较，准确率为98%。

二、深度学习

专家系统主要用于临床分诊，对于单一疾病的大规模数据分析能力不强。2012年以后，以图像识别、语音识别、卷积神经网络技术为基础的深度学习诊疗系统开始在临床中广泛应用。

1. 疾病流行预测：2007—2008年，“谷歌流感趋势”［10］通过分析数十亿搜索词中的45个与流感相关的关键词，比美国疾控中心提前两周预报流感发病率，甚至可以具体到特定的地区和州。2013年，“谷歌流感趋势”跌下神坛，因为它在很长的一段时间内一直高估流感的流行，1月份比实际数据高两倍，被高估的总周数达100周。2014年，Lazer等［11］指出绝大部分大数据与经过严谨科学实验得到数据有着很大的不同，因为大数据的匹配算法可能存在过度拟合的可能性，并提示数据价值不仅体现在“大小”，更在于创新的数据分析方法。2018年，Huang和Kuo［12］将卷积神经网络和长短期记忆应用于PM

2.5预测系统，可以为哮喘、慢性阻塞性肺疾病等患者以及医疗卫生单位提供有效预警。

2. 协助诊断（尤其是图像和声音分析领域）：Ciompi等［13］将基于结节像素的分析法用于小结节筛查，检测了639个结节，获得了较为满意的效果。Trajanovski等［14］将PanCan风险模型和卷积神经网络用于小结节筛查，检测了8 000张CT图片，准确率在82%~90%。张正华等［15］研发了基于卷积神经网络的肺结节检测模型，检测了5 520枚结节，结果

显示AI组肺结节检出率略高于主治医师（94.3% vs 89.4%）。

Anthimopoulos等［16］将肺CT图像标注为正常、肺内磨玻璃密度影（ground-glass opacity，GGO）、微小结节、占位、网格影、蜂窝样变、GGO合并网格影7类，使用14 696例病例训练卷积神经网络，在测试中正确率为85.5%。Becker等［17］将结核患者的斑片影、胸腔积液、粟粒样改变、空洞、正常等表现进行标注，并对深度学习软件进行训练。检测138例患者后发现，软件对于胸腔积液和实性病变检测效果较好，对于空洞和粟粒样改变检出效果较差。

2017年研发的CheXNet是个121层卷积神经网络，输入10万多张图片，输出的是肺炎的概率以及热图——用来定位最有可能指示肺炎的图像区域［18］。深度学习网络需要10万多标注好的医学图片来训练，但是有些疾病获得大量医学图片是很困难的，并且标注需要花费专业医生大量时间。那能否通过改善算法，减少工作量？“迁移学习”［19］就是把已训练好的模型参数迁移到新的模型来帮助新模型训练。这样就可以利用极少的训练图像，更快、更高效地辨认图像的特定结构。

2018年，Kermany等［20］在10万张视网膜光学相干断层扫描（optical coherence tomography，OCT）图像训练出来的诊断眼部疾病的AI系统的基础上，用超过5 000张胸部X线图像加上“迁移学习”，构建出能诊断肺炎的AI系统。该系统在检测肺炎时，能够达到92.8%的准确性、93.2%

的敏感度和90.1%的特异度。更厉害的是，它可以很好地区分细菌及病毒性肺炎，准确性达90.7%。同年，吴恩达团队［21］再次研发了一种深度学习算法：CheXNeXt，与之前专门检测肺炎的算法不同，该模型可以诊断14种疾病。该算法识别10种病理表现的能力与放射科医生相似；对于肺不张，该算法表现显著优于放射科医生。通过测试发现，放射科医生平均在240 min内给420幅图像进行标记，而深度学习算法能在1.5 min 内标记相同的420张胸片，并在另外的40 s内生成热图，突出显示了病理图像区域，提高了诊断效率。

Chamberlain等［22］用来自11个不同听诊区的11 627个声音来训练深度学习模型，实现了对哮鸣音和湿啰音的自动分析。Urtnasan等［23］将卷积神经网络应用于睡眠呼吸暂停综合征患者单导联心电监测数据的分析，通过45 096例数据集对卷积神经网络进行训练，并对11 274个病例数据进行测试，符合率为87%。Steven 等［24］将卷积神经网络分析用于肺癌患者低丰度血浆游离DNA检测，最低检测丰度为传统方法的百分之一。

Burlutskiy等［25］将712例肺癌标本做成组织芯片，其中223例鳞癌，398例腺癌，74例大细胞癌和17例其他癌症类型。测试了178例，正确率为80%。Coudray等［26］研发了一种自动分析组织病理学图像的深度学习算法，它几乎明确地区分了正常组织和肿瘤组织，同时也以高精度区分了肺癌的类型，性能与病理学家相似，平均曲线下面积（area under