Radiology：使用人工智能的胸片自主判析

胸片是一种十分常见的影像诊断检查，在临床上应用十分广泛。近年来，人们对基于深度学习的人工智能（AI）模型在影像学的图像分类中给予了大量关注。现阶段，一些研究集中于开发区分正常和异常胸片的模型。在最近的可行性研究中，有人认为自主的人工智能工具能够在大约15%的胸部X光片总产量中以较高的置信度正确排除异常。全球越来越缺乏 放射科医生，正常胸片阅读的自动化可以减轻放射科医生的工作量。然而，这一研究领域仍处于起步阶段。同时，这种人工智能模型的性能尚未在一个连续的、临床上特征明显的病人样本中得到描述，也没有与放射科的现行报告标准进行相关的比较。

近日，发表在Radiology杂志的一项研究对一种用于自主报告胸部X光片的商业化人工智能工具进行了深入评估，进一步明确了自主报告的胸部X光片的数量、人工智能在检测异常胸部X光片方面的敏感性以及人工智能与临床放射学报告的性能比较。

本项回顾性研究在2020年1月获得了丹麦首都地区四家医院的成人患者的连续胸片图像，包括急诊科患者、院内患者和门诊患者的图像。三位胸腔放射科医生在参考标准中根据胸片检查结果将胸片标记为以下类别：危重、其他显著、不显著或正常（无异常）。AI将胸片分为高置信度正常（正常）或不高置信度正常（异常）。

共有1529名患者被纳入分析（中位年龄，69岁[IQR，55-69岁]；776名女性），其中1100名（72%）被参考标准归类为X光片异常，617名（40%）为临界异常X光片，429名（28%）为正常X光片。作为比较，临床放射学报告根据文本进行分类，并排除不充分的报告（n = 22）。AI对异常X光片的敏感性为99.1%（95%CI：98.3，99.6；1100名患者中的1090名），对关键X光片的敏感性为99.8%（95%CI：99.1，99.9；617名患者中的616名）。放射科医生报告的相应敏感度分别为72.3%（95%CI：69.5，74.9；1078名患者中的779名）和93.5%（95%CI：91.2，95.3；597名患者中的558名）。AI的特异性，也就是潜在的自主报告率，在所有正常的后前胸片中为28.0%（95% CI：23.8，32.5；429名患者中的120名），或所有后前胸片中的7.8%（1529名患者中的120名）。

图 一名44岁的男子因胸痛和呼吸困难而进行检查。(A) 胸部X光片显示非常细微的磨玻璃病变，主要在下叶，提示肺炎（箭头）。人工智能（AI）系统将这张胸片解释为正常。在临床放射学报告中也被解释为正常。(B) CT扫描显示下叶磨玻璃密度，有模糊的区域（方框）和一个实变的区域（箭头）

研究表明，在所有正常的胸片中，28%是由AI自主报告的，对任何异常的敏感性高于99%，这相当于整个胸片的7.8%。 

原文出处：

Louis L Plesner,Felix C Müller,Janus D Nybing,et al.Autonomous Chest Radiograph Reporting Using AI: Estimation of Clinical Impact.DOI:10.1148/radiol.222268