AI与不同年资放射医师对新冠肺炎CT诊断效能比较

应伟峰，陈穹，王钢，路明，翁慧超，张莹

材料与方法

1.临床资料

搜集2020年1-2月来自4中心由人工智能(artificial intelligence，AI)判定新冠肺炎概率>0% 53例CT扫描患者，男35例、女18例，年龄29～82岁，平均年龄(51.94±11.08)岁。53例中48例发热，45例咳嗽，19例不同程度胸闷。53例中9例有近期疫区旅居史，8例有近期外地旅居史，26例与新冠患者密切接触史,10例无明确与新冠患者密切接触史。

2.检查方法

联影(uCT760)128层螺旋CT机，扫描参数：探测器128×0.625 mm，管电压120 kV，管电流为自动毫安技术，重建层厚1.5 mm，重建层间距1.5 mm，滤波函数B-SOFT-B。

3.图像分析

A组：低年资医师组，由2名从事放射诊断<10年医师组成；B组：高年资医师组，由2名从事放射诊断工作≥10年医师组成； C组：AI软件为卫宁健康基于深度学习新冠肺炎CT诊断软件；D组：低年资医师联合AI阅片组。各医师组内意见不一致需协调后判定结果。

医师诊断信心评分标准：1分，几乎不可能是新冠肺炎；2分，较小可能是新冠肺炎；3分，可能是新冠肺炎；4分，较大可能是新冠肺炎；5分，极可能是新冠肺炎。AI软件评分标准：新冠概率<20%为1分，20%～39%为2分，40%～59%为3分，60%～79%为4分，≥80%为5分。A、B、C、D组对CT影像资料进行分析，比较各组对新冠肺炎诊断效能。

4.统计学方法

采用Medcalc软件计算各组诊断受试者工作特征曲线(ROC)并行统计学比较(Z检验)；采用SPSS 23软件运用X检验对各组敏感度、特异度进行比较。

结 果

53例中经逆转录聚合酶链反应(reverse transcription-polymerase chain reaction，RT-PCR)检测阳性36例(金标准)，ROC曲线下面积(area under curve，AUC)比较(图1)。

A组(0.717)C组(Z=2.113，P<0.05)，C组0.05)，B组>D组(Z=0.744，P>0.05)，差异均无统计学意义。*C组(AI)ROC最大约登指数相应截断值为>3分。

以AI诊断新冠肺炎最大约登指数相应的截断值>3分为标准，各组对新冠肺炎CT诊断效能比较(表1)。

敏感性：A组0.05)，A组C组(χ2=0.907，P>0.05)，B组0.05)，C组

特异性：A组0.05)，A组C组(χ2=0.827，P>0.05)，B组=D组(χ2=0.000，P>0.05)，C组0.05)。

AI(C组)在具有典型CT征象新冠肺炎诊断中对低年资医师(A组)具有辅助诊断作用，且AI对病灶体积精确测量功能对新冠肺炎转归判断具有辅助价值(图2)，高年资医师(B组)结合病史、实验室指标、自身临床经验等对不典型新冠肺炎诊断、鉴别诊断能力部分优于其他组(图3)。

表1 各组对新冠肺炎CT诊断效能比较

讨 论

1.新冠肺炎CT诊断

胸部CT对新冠肺炎漏诊率较低[1]，可作为新冠肺炎快速诊断标准方法[2]，并被推荐为临床诊断主要依据[3]，典型新冠肺炎主要表现为双侧及周边毛玻璃样病变(ground-glass opacity,GGO)、伴有或不伴有血管增厚[4]，多灶性病变大部分布于中下肺及后肺区[5]，可有“疯狂铺路石征”、“反晕征”[6]等。而肺水肿、间质性肺炎、过敏性肺炎等也表现为肺部弥漫性磨玻璃密度影(diffuse ground-glass opacity,DGGO)为主[7]，H1N1流感、H7N9流感肺炎等病毒性肺炎CT表现也存在毛玻璃密度影、小叶间隔增厚[8，9]等与新冠肺炎相似的征象，甚至临床表现都有一定类似；不典型新冠肺炎CT表现各异，甚至存在核酸检测阳性而人工CT诊断“阴性”[10]现象，所以对于新冠肺炎诊断存在着放射科医师所能运用影像特征较多却又鉴别困难现象，且在新冠疫情中对大量患者筛查工作难度、繁重度较高。AI技术已研究和广泛应用于CT[11]、MRI[12]、乳腺X线诊断[13]，胸部CT中已应用于肺部小结节筛选[14]、小结节良恶性鉴别[15]等。

图1 各组ROC曲线下面积(AUC)比较

图2 男，52岁，发热、咳嗽就诊，无明确新冠肺炎患者接触史。 a)两肺胸膜下为主毛玻璃密度影(箭)，A组新冠肺炎诊断信心评分2分，B组5分；b)C组评5分，病灶体积占肺7.46%。RT-PCR检测阳性，新冠肺炎。 D组评3.5分； c) 1周后病灶部分实变；d) AI示病灶体积占肺体积5.71%，提示部分吸收。 图3 男，82岁，发热、咳嗽、胸闷，明确疫区人员接触史，有慢性间质性肺炎既往史，白细胞值正常、淋巴细胞值处于下限、血清淀粉样蛋白酶↑。a) 两肺胸膜下为主磨玻璃密度影伴间质增厚(箭)；b) C组根据影像特征示新冠诊断评分3分，病灶体积占肺24.95%。A组评3分，B组结合实验室指标及临床病史对其评5分。最终RT-PCR阳性，新冠肺炎。

2.AI对新冠肺炎CT辅助诊断应用特点

本次研究AI(C组)诊断新冠肺炎AUC达到了中等度的0.753，敏感度、特异度分别达80.56%、64.71%，显示其有一定诊断应用价值，这3项指标虽高于低年资医师(A组)，但结果不具统计学意义，显示C、A组诊断效能相差不大。蔡雅倩等[15]研究发现住院医师联合AI后降低了对肺毛玻璃结节筛查及定性诊断中误诊率、漏诊率，敏感度也从65.20%上升到96.02%。本组联合低年资医师与AI的D组对新冠肺炎诊断敏感度、特异度达到94.44%、70.59%，明显高于A组75%、52.94%(P<0.05)，接近蔡雅倩等[15]研究数据，且本次D组AUC为0.853，也明显高于A组0.717(P<0.05)。充分说明联合AI后对低年资医师诊断新冠肺炎具有显著提升作用。我们分析主要原因包括①AI已“深度学习”了数千例新冠肺炎病例，积累“数据”量远远超过了低年资医师；②刘小玉等[16]发现首次CT新冠肺炎筛查敏感性可以高于核酸检测，本组53例筛选出具有新冠肺炎概率病例是在数千名常规胸部CT检查中筛选出来的，AI没有低年资医师视觉、脑力疲劳等问题[15]；③低年资医师对新冠肺炎诊断及鉴别诊断经验积累不足。所以低年资医师联合AI诊断可弥补自身所没有大量数据经验。

本次研究中由于部分病例肺内病灶分布于非胸膜下为主，与典型新冠肺炎征象不甚相同[4]，且部分病患具有一些肺外新冠征象如纵膈气肿、肝实质密度减低等，这与丁义等[17]研究结果相似，而AI不能发现肺外征象；侯可可等[18]研究发现中性粒细胞/淋巴细胞比值、T淋巴细胞计数等联合CT影像特征对早期识别新冠肺炎具有重要意义，而本组各年资医师较AI拥有结合实验室指标、影像特征综合诊断优势；且此次样本中部分病例伴有基础性肺部疾病如间质性肺炎、肺水肿等具有磨玻璃病灶的征象[7]掩盖了新冠肺炎病灶征象；这些都突出了AI诊断机械性缺陷，而其联合低年资医师共同阅片可以很好解决这类缺陷。

另外，D组对新冠肺炎诊断AUC低于B组，而敏感性高于B组，特异性两者相仿，虽然结果均不具有统计学意义，但也显示低年资医师联合AI后诊断新冠肺炎部分效能接近甚至高于高年资医师，特别适用于大多数医院急诊通常只有1名放射医师值班时，AI具有“预警”和提醒医师新冠肺炎可能存在作用。

除此之外，由于新冠肺炎大多呈多发病灶，随病程进展病灶影像变化较大[4]，学者研究发现可以有早期→消散期；早期→进展期→消散期；早期→进展期→重症期→消散期等类型[19]，病灶占整肺体积百分比是预测新冠肺炎转归重要指标之一[20]，AI可以自动测量占整肺体积百分比，有利于对新冠肺炎转归判断。

3.AI应用伦理学

AI加入使原本医-患关系变成医-AI-患的三角性关系[21]，而医生是承担医疗及法律责任主体，所以确定医生为主、AI为辅主次关系非常重要。