人工智能(AI)的快速发展正在重新塑造诊断医学,其影响最大的应用之一是区分传染性和肿瘤性损伤。 精确区分至关重要,因为误诊可能导致不适当的治疗、延迟护理或不必要的程序。 虽然两种损伤类型在成像上都可能出现相似,但人工智能动力工具现在通过分析人类眼中无法察觉的微妙模式提供了前所未有的精确度。 本文探讨了AI如何部署以应对这一临床挑战、其好处、局限性和前进之路。

了解传染性和新致病性效应

传染病源于入侵的病原体,如细菌、病毒、真菌或寄生虫。 这些病原体通常引起炎症反应,具有水肿、红细胞和白细胞渗透等特征。 常见的例子包括脓肿、颗粒瘤(如肺结核)和病毒相关肿瘤。 相反,肿瘤损伤源于异常的细胞扩散,可以是良性或恶性。 恶性肿瘤、癌症、侵入周围组织并蔓延到遥远的地方。 辐射学上,这两种类型都会产生大规模效应、对比增强和渗透性变化,使得区别变得困难,特别是在肺结核、脑损伤或肝脏大块等环境中。

临床风险很高。 误诊肿瘤的感染性损伤可能导致不必要的活体检查甚至手术,而缺失恶性肿瘤则会延误救生治疗。 传统的诊断性工作依赖于文化、血清学、活体检查和成像专家解释,但这些方法可能缓慢、侵入性或无结论。 AI提供了一种非侵入性、快速的辅助,可以提高准确性和一致性。

AI是如何改变Lesion分类的

机器学习和深层学习基金会

用于损伤分化的AI系统主要属于机器学习(ML)和深层学习(DL). 进化神经网络(CNNs)对于图像分析特别有效,因为它们直接从像素数据中学习等级特征——从边缘和纹理到复杂形状——这些模型都受过附加说明的图像的大数据集的培训,如CT扫描、MRIs、PET/CT以及组织病理学幻灯片,一旦经过培训,它们可以将新图像的准确度与专家的精确度相匹配或超过专家的精确度。

比如,CNN通过数千张肺细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞细胞

放射和地物提取

除了深层学习之外,放射学 — — 从医学影像中提取数百个定量特征的方法 — — 刺激了基于AI的分类。这些特征描述的是纹理、形状、强度和异质性。机器学习算法(如随机森林、辅助向量机)然后确定哪些组合最能区分传染性和肿瘤性损伤。放射学在描述无定型肺结核和肝脏损伤方面特别有用。

临床应用和证据

肺软化剂

肺结核是一种常见的诊断难题. 2023年发表于Radiology[的一项研究在CT扫描中用深层学习模型来区分肺癌和肺结核,在曲线(AUC)下达到0.94——远远超过人类阅读器的面积. 读取研究[ 该模型确定了无助眼所看不见的纹理规律和周周血管变化.

脑震荡

区别脑溢出与坏死胶瘤对常规核磁共振来说,具有众所周知的挑战性。基于AI的传播和输血成像分析显示,有希望。 由 自然科学报告[ 进行的元分析发现,机器学习模型在区分两者方面实现了90%以上的敏感性和特殊性,使用了明显的扩散系数(ADC)地图和相对脑血量(rCBV)等特征。

肝脏的血栓

在肝脏学中,区分肝脏发作与中枢坏死性元病的病变是件棘手的。 一个使用对比增强的CT的放射模型报告,在2022年试验中,放射学的精度为87%,比放射学的精度高。 更多读取Springer。 该模型结合了动脉和传送门阴道的纹理特征。

组织病理学的融合

AI不仅限于放射学. 数字病理学与深层学习相结合,可以区分感染性颗粒瘤与恶性淋巴瘤或沙子瘤. 例如,CNN分析H&E斑斑的淋巴结滑块可以以高精度区分肺结核与淋巴瘤,从而减少特殊污点或流动细胞测量的需要.

AI在传染病与新病变中的优势

  • Speed:[ AI可以数秒分析整个CT系列,而放射学家可能需要几分钟时间. 在血栓或疑似脑瘤等时间敏感条件下,快速分解是宝贵的.
  • 准确性:[ 通过学习广博数据集,AI避免疲劳和认知偏差. 研究在二进制分类任务中始终显示AUC高于0.90.
  • 一致性:[AI为不同日子里的相同输入和操作员提供相同的输出,减少阅读器间和阅读器内的变化.
  • 快速检测:AI可以标出一些微妙的特征——如微弱的外围增强或微缩计算——表明早期的恶性或感染,从而能够迅速进行修复.
  • 减少入侵程序: 当AI自信地识别出感染性疾病时,临床医生可以选择医疗治疗而不是活体检查,降低患者的风险和保健费用.

挑战和限制

AI尽管承诺,但广泛临床收养面临若干障碍:

  • Data Quality and Bias: 大多数模型都是从单一机构接受追溯数据集培训,可能缺乏多样性. 模型可能对没有参加培训数据的人口,如不同种族群体或疾病亚型,表现不佳.
  • 可解释性:[]深层学习模型往往"黑盒". 临床医生在不理解推理的情况下对建议采取行动犹豫不决. 解释性的AI(XAI)技术,如显性地图,正在开发中,但还没有例行.
  • 监管Hudles: 医疗AI软件必须经过FDA或EMA等机构的严格验证和审核,这一过程耗时费钱,部署速度缓慢.
  • 整合到工作流程中:[ 许多AI工具没有与现有的图片存档和通信系统(PACS)或电子健康记录(EHRs)无缝整合,添加额外的步骤会扰乱临床流程.
  • 隐私和安全: 用于培训的病人数据必须解析,并按照《健康与健康调查》和《GDPR》等条例处理。

未来方向

多式联运AI

将成像数据与临床史、实验室结果和基因组学相结合可以提高准确性。 比如,输入CT扫描和患者白血球计数的模型可以更好地区分感染和恶性。 这种多模式AI是一个活跃的研究领域。

解释性大赦国际(AI)

为了建立信任,AI必须提供对其决定的视觉或文字解释. 梯度加权类激活映射(Grad-CAM)等技术以影响分类的图像突出区域. 未来系统将以临床直观的方式提出这些解释.

联邦学习

为了克服数据隐私和稀缺性,联邦学习使多个医院能够合作训练一个模型,而无需分享病人数据。 这一方法可以产生更强健、更普遍的模型,同时保持合规性。

实时决策支持

AI算法被嵌入到PACS中,以便在放射科医生打开病例时自动运行. 系统可以显示感染对肿瘤的概率分数,从而引发定向诊断性检查,这种无缝整合是最终目标.

AI-指导生物检查

当活体检查仍然有必要时,AI可以帮助将最可疑的病情区域锁定在病情中,增加诊断产值。 这在取样错误常见的异质病情中特别有用。

结论

使用AI来区分传染性与肿瘤损伤,正在从研究实验室迅速转向临床实践。 AI通过利用机器学习和放射学,提高了速度、准确性和一致性,最终改善了病人的结果。 然而,与数据质量、可解释性和整合相关的挑战必须通过临床医生、工程师和监管者的合作努力来解决。 随着这些障碍的减少,AI将成为诊断性工作不可或缺的工具 — — 帮助确保每个损伤都得到正确的分类,更重要的是,正确的治疗。

关于医学成像中AI的监管面貌的进一步解读,见FDA关于AI/ML辅助设备的指引,此外,世界卫生组织还提供了健康方面AI的全面概述,见 世卫组织人工智能。