人工智能在呼吸疾病诊治中的应用

人工智能在呼吸疾病诊治中的应用

包兆锋

松阳县人民医院，浙江 松阳323400

摘要：近些年来由于空气污染、急性呼吸道传染病(流行性感冒等)等问题的影响，呼吸系统疾病患病人数不断增加，给医疗资源造成了更大负担。因此研究人工智能在呼吸疾病诊治中的应用具有重要意义。下面笔者就对此展开探讨。

关键词：人工智能；呼吸疾病诊治；应用；

1电子听诊器辅助疾病诊断

此前，有一些研究聚焦于电子听诊器对呼吸系统疾病的诊断。Shimoda等研究发现100~195Hz低频下呼气：吸气肺音功率比(theexpiration-to-inspirationsoundpowerratioinalow-frequencyrange，E/ILF)与脉冲振荡指标X5关系显著，可作为评价支气管哮喘(哮喘)患者相对外周气道阻塞的指标。他们另一项关于肺音分析的研究发现哮喘患者的E/ILF显著高于健康组，痰嗜酸粒细胞百分比>3%组的E/ILF显著高于<3%组，可作为评估哮喘患者控制水平的指标[1]。还有一些研究结合AI，探索自动分析算法来辅助疾病的诊断。Srivastava等[1]提出了基于卷积神经网络的深度学习辅助模型来为COPD检测提供详细和严格的医疗呼吸音频数据分析，该系统还可以判断疾病的严重程度。Porter等[2]使用852个咳嗽声数据集结合临床诊断完善了自动咳嗽分析算法，在检测常见的儿童呼吸系统疾病，包括肺炎、哮喘、喉炎、毛细支气管炎以及上、下呼吸道疾病方面具有良好的诊断准确度，该诊断算法通过从咳嗽音频样本中提取数字特征而开发，使用选定的特征构建分类器模型。

2目前该领域研究存在的问题及改进建议

2.1医师主观性无法完全消除

由于呼吸音需要人为定性，所以难免会存在一定的主观性。多位呼吸科医师的一致意见可以适当地减少主观因素的影响，但无法将主观性完全消除。Kahan等[2]的研究发现，3名以上的评估者通常不会带来多少增量效益。因此主观性不会因评估者的数量增加而有明显的减少，3位呼吸科医师参与定性即可。

2.2儿童和成人存在差异

儿童可听到的呼吸音与一般成年人听到的声音有不同的声学特征[2]。Gross等[2]指出，不同年龄组之间的肺音频谱成分有轻微的差异，尤其是婴儿和儿童。因此在对肺音进行机器学习时，儿童与成人的研究应分开探索，且成人与儿童的算法不能互用，否则AI判断的准确率将会下降。

2.3该领域研究缺乏标准化

Gurung等[2]的系统性综述显示，在肺音记录的方法、信号分析的计算机算法和结果分析的统计方法方面，目前各研究缺乏标准化。随着电子听诊和先进信号处理技术的出现，Andrès等[2]发起了一个合作项目——听诊器病理分析(analysedessonsauscultatoirespathologiques，ASAP，法国一个国家项目)，旨在开发一个数据库，涵盖特定病理特征听诊声音的客观定义、肺音记录和存储的标准化格式，以促进卫生保健从业者之间的信息交流。此外，Sovijärvi等已经开发了一套计算机呼吸音分析(CORSA)指南，以标准化计算机肺音分析中使用的定义和术语。ASAP和CORSA指南的进一步评估和推进，可能有助于标准化计算机肺音分析技术和定义，并促进其研究和开发。

3　未来的发展趋势

3.1　选定适宜场景发展AI辅助系统

3.1.1　发展特定病种的智能诊断方法及系统

从已经发表的文献来看，呼吸系统以肺部肿瘤、慢性肺病、急性呼吸道传染病、肺部血管性疾病等为主要突破口，结合放射影像、病理、放射治疗、药物治疗等领域，建立疾病标准化名词库和病历数据库以及临床病历数据治理技术体系，为临床医师从临床收集病历数据并归档建立便捷的技术流程。借助专科医联体的学科整合力量，各医院的数据库能在审核授权机制之下做到数据互通共享，为联合开展临床研究项目提供平台支撑。

3.1.2　发展可穿戴设备的智能分析

一是临床听诊技术具有其他检查不可替代的临床应用价值，使用数字听诊分析技术可使临床听诊结果规范化和客观化；二是经济方便无创，可用于诊断或者辅助治疗如肺部感染性疾病、肺癌、肺间质纤维化、慢阻肺、哮喘等多种重大疾病、罕见病、恶性肿瘤等，具有明显的临床优势；三是可以连续动态监测病情变化，使用该项目新技术诊断或者治疗如老年吸入性肺炎、新生儿肺炎、病毒性肺炎、慢阻肺、儿童先天心脏病筛查、儿童哮喘、儿童肺炎等老年人、儿童特有和多发疾病，具有其他检查无法替代的临床价值；四是该技术应用于远程医疗服务，在慢阻肺、哮喘、支气管扩张、心功能不全、妊娠期肺部监测等慢病管理、随访及健康管理等方面可发挥重要作用，可增强优质医疗辐射能力，提升基层医疗报备能力；五是数字听诊在全科医师及家庭医生基本技能培训中也可发挥重要作用。

3.2　引入人工智能第三代算法开发路径

在机器学习技术引入后，第二代的AI采用机器深度学习和全卷积神经网络计算等技术，以机器学习驱动的计算范式逐渐成为主流。如AlphaGo和Watson肿瘤系统，大幅度提升了人工智能的能力和价值，但是随着使用的逐渐深入，临床发现机器学习建立的智能系统存在着结果不可解释性、不可评价性、鲁棒性差等缺点，机器学习建立的知识体系和逻辑关系与现有医学知识体系不相符，有些会产生严重后果，因此机器自动诊断的“梦想”无法实现，现有的系统只能作为临床医生的辅助诊断工具开展实践。第一代和第二代的计算范式策略都面临着不可逾越的鸿沟，因此张钹院士等提出了建立第三代智能计算范式的策略，即把知识库驱动和机器学习驱动的范式结合起来，反复交替，互相补充。这就需要完善知识库标准化体系和知识标注体系，从对算力需求较小的特定任务专一领域切入，逐步完善升级，有望尽快解决技术瓶颈。

3.3　建立以需求为导向的医工结合开发机制

第三代人工智能的计算范式研发离不开临床专家，尤其是在建立知识模型和数据标注方面，需要用计算机思维开展工作的临床医生完成。因此，需要建立医工联合开发机制，建立基于呼吸与危重症学临床需求驱动的、医工结合的人工智能研发和转化应用体系。建立自主知识产权的智能计算能力开放平台，支持呼吸专科医联体联合研究开发。通过在医疗机构设置人工智能研发和转化中心，建立医生为主导、工程师为骨干、第三方产业支持的研发机制和成果转化机制。鼓励自主创新的算法公式、算法平台、算法服务，加强数据安全保护机制，解决“卡脖子”技术瓶颈。

3.4　注重人才培养

现阶段设立医学人工智能专业还为时尚早，容易产生夹生米，虽然懂一点医学也懂一点计算机，但是都不深入，这样的人才对发展医学人工智能不会有帮助。医学人工智能领域人才的培养需要交叉合作，在建立医工结合机制的基础上，通过项目合作，一方面教会医学人才懂计算机科学，学会提出需求并论证评估技术方案；另一方面要教会工程人才了解医学的特点和发展规律，理解医生提出的需求之内涵，辅以交叉合作的项目拉动，才有可能培养出交叉领域的人才，并推动医学人工智能系统的转化应用。

总结与展望

过去，居家医疗只有体温计等简单辅助设备；现在，血压计、血糖仪、血氧仪等设备已实现民用化；未来，智能听诊器等更多的医疗设备将进入寻常百姓家。听诊作为呼吸科最常用、最简单、最低成本的检查手段，随着科技的发展，智能电子听诊器将逐步应用于家庭医疗场景，一定会被AI赋予新的时代特性，为人类健康事业贡献一份力量。

参考文献：

[1]中华人民共和国卫生部.2020中国卫生健康统计年鉴[M].北京：中国协和医科大学出版社，2020:25.

[2]王斌全，赵晓云．听诊器的发明与发展[J].护理研究，2007，21(6):563.DOI：10.3969/j.issn.1009-6493.2007.06.064.

[3]洪城，王玮，钟南山，等．听诊器的发明与发展[J].中华医史杂志，202135:106913.DOI：10.1016/j.dib.2021.106913.