科学家用人工智能来准确地识别怀疑患有肺炎的患者的胸部X光检查

来自IntermountainHealthcare和StanfordUniversity的研究人员说，10秒是关于他们研究的一种新系统的使用速度，该系统利用人工智能准确地识别了怀疑患有肺炎的急诊科患者的胸部X光检查的关键发现。

这项研究发现，这些超快的发现可能使医生能够准确地确认X光片对肺炎的诊断，比目前的临床实践要快得多，使治疗能够更早开始，这对于患有肺炎的重病患者至关重要。

这项合作研究的结果将于9月9日(星期一)在西班牙马德里举行的2019年欧洲呼吸学会(EuropeanRespiratorySociety)国际大会上发表。

来自室内和斯坦福的研究人员研究了CheXpert系统，这是斯坦福大学开发的一种利用人工智能的自动胸部X射线解释模型，用于检查犹他州州际医院多个急诊部拍摄的X光图像。

经过回顾，研究人员发现，CheXpert系统在大约10秒内就能非常准确地识别出X射线的关键发现-与三位放射科医生的共识高度一致-这一结果明显优于目前的临床实践。

这项研究的首席研究员内森·C·迪恩(Nathan C.Dean)说，“CheXpert将变得更快、更准确，就像放射学家观看这些研究一样。这是一种令人兴奋的新思维方式，可以诊断和治疗病人，提供最好的治疗。”

CheXpert模型是由斯坦福机器学习小组开发的，该小组使用了188，000项胸部成像研究来建立一个模型，该模型可以在X光片上确定什么是肺炎，什么不是肺炎。这些照片是在加州帕洛阿尔托的斯坦福医学中心拍摄的。

由于病人人数因地理位置不同而异，于是切克斯佩特通过阅读另一张6，973张来自喷泉急诊部的图片，对犹他州进行了微调。

斯坦福大学(Stanford)博士生、研究小组成员杰里米·欧文(Jeremy Irvin)说：“我们一直在开发一种深度学习算法，可以自动发现肺炎和胸部X光片的相关发现。”“在这项初步研究中，我们通过验证该算法的潜力，验证了该算法在门诊部急诊科的应用。我们希望该算法能提高室内肺炎护理的质量，从提高诊断准确性到缩短诊断时间。”

迪恩博士解释说，在典型的急诊室里，疑似肺炎的病人需要做胸部X光检查。虽然创建这些图像是一个快速的过程，让他们阅读可能是很费时的，因为这些X射线和其他图像一起进入一条线，由放射学家解释。这一过程可能需要20分钟或更长时间，这意味着对于重症肺炎患者而言，抗生素的使用可能会延迟。

在某些应急部门，放射学报告是通过Cerner自然语言处理(NLP)进行的，NLP是目前用于从放射学家报告中获取所需信息的一种支持工具。NLP然后将这些信息输入ePNa，这是一种电子临床决策支持工具，是INTERMPUNDAN常见肺炎护理的一部分。

迪恩博士说，对于大多数没有ePNa的急诊科，CheXpert模型可以直接向临床医生提供胸部X光检查的信息。

他补充说：“使用CheXpert系统，我们发现解释时间非常迅速，报告的准确性也很高。”

在这项研究中，内科放射科医生将461名住院患者的胸部图像归类为“可能”、“不确定”或“不可能”患肺炎。他们还发现了他们认为是肺部多个部位出现肺炎的图像，以及这些患者是否有肺旁积液，即肺与胸腔之间的液体积聚。

在超过一半的患者中，放射科医生的分类各不相同，这在以前的研究中已经得到了普遍的证明。CheXpert模型在相同图像上的表现与放射学家相当。

研究人员发现，CheXpert模型的性能优于目前使用放射科医生为所有关键肺炎发现制作放射学报告的系统，再加上NLP。它还在不到10秒的时间内做到了这一点，而NLP只有20分钟到几个小时。放射学报告的NLP是导致ePNa错误的最常见原因。

迪恩博士说：“2013年发表在JAMA内科医学杂志上的一项研究发现，ePNA造成的错误中有59%是由于NLP处理放射学报告造成的，因此我们迫切希望用一个更好、更快的系统来代替它。”

除了ePNa的担忧之外，急诊科看放射学报告的医生经常被要求理解放射科医生在解释胸部X光阴影时使用的非结构化语言，Dead博士补充道。

他说，下一步是在急诊科现场使用CheXpert模式，他预计今年秋天将在选定的医疗保健医院中使用这种模式。