王亮，許迪，孫丹丹，顧俊，伍建林，于晶

近幾年來，國內(nèi)外學(xué)者越來越關(guān)注醫(yī)療差錯(cuò)、疲勞等因素在醫(yī)學(xué)診斷和治療等方面產(chǎn)生的影響，尤其是在放射領(lǐng)域。在放射醫(yī)師中，回顧性分析發(fā)現(xiàn)首診錯(cuò)誤率(假陽性和假陰性)高達(dá)約30%[1]，其中疲勞所致的診斷錯(cuò)誤占有相當(dāng)高的比例。隨著CT薄層圖像技術(shù)的廣泛應(yīng)用，圖像負(fù)荷驟然增加，導(dǎo)致放射科醫(yī)師工作量及工作時(shí)長日益增長。近年來人工智能技術(shù)發(fā)展迅速，基于人工神經(jīng)網(wǎng)絡(luò)的智能計(jì)算機(jī)輔助診斷系統(tǒng)已逐漸嵌入臨床工作流程之中[2]，尤其以基于深度學(xué)習(xí)的肺結(jié)節(jié)檢測軟件的表現(xiàn)更為搶眼。人工智能輔助肺結(jié)節(jié)檢測系統(tǒng)作為放射科醫(yī)師的“密友”，有助于提高對肺結(jié)節(jié)的檢出率和準(zhǔn)確性[3]。國內(nèi)外眾多學(xué)者對不同的類似軟件及模型在輔助臨床工作中的價(jià)值和限度等進(jìn)行了深入研究和分析，但少有學(xué)者研究其對疲勞狀態(tài)下放射科醫(yī)師工作效能的影響。目前放射科處于一線診斷工作的醫(yī)師絕大多數(shù)為規(guī)培醫(yī)師。本文旨在探究AI輔助軟件能否提高疲勞狀態(tài)下放射科規(guī)培醫(yī)師在臨床工作中對肺結(jié)節(jié)的診斷效能。

材料與方法

1.臨床資料

前瞻性將2019年1月1日-1月10日在本院使用2代炫速雙源CT行胸部CT檢查的200例患者納入觀察。圖像納入標(biāo)準(zhǔn)：①深吸氣后屏氣狀態(tài)下連續(xù)掃描圖像；②無金屬偽影、呼吸偽影等原因?qū)е碌腃T圖像質(zhì)量不佳；③無肺炎、肺不張和胸腔積液等病變而影響病灶的確認(rèn)及標(biāo)注者；④排除肺內(nèi)無結(jié)節(jié)或結(jié)節(jié)數(shù)量過多(結(jié)節(jié)總數(shù)大于20個(gè))的患者；⑤排除肺葉或肺段切除術(shù)后患者。最終共納入符合條件的182例患者，女103例，男79例，年齡21～77歲，平均(49.5±14.2)歲。

2.圖像采集和重建

使用Somatom Definition Flash CT機(jī)，常規(guī)行CT平掃，掃描范圍自胸廓人口至后肋膈角尖端水平，于吸氣末單次屏氣內(nèi)完成掃描。標(biāo)準(zhǔn)掃描方案：管電流采用自動曝光控制技術(shù)，120 kV，準(zhǔn)直寬度128×0.6 mm，螺距1.2，常規(guī)重建層厚1.0 mm、層距0.7 mm。圖像采集完成后分別采用高分辨算法(B70f)和標(biāo)準(zhǔn)算法(B30f)自動重建原始掃描數(shù)據(jù)，并將所有圖像傳輸至PACS和人工智能服務(wù)器(InferRead CT Lung Research,Infervision,Beijing,China)進(jìn)行肺結(jié)節(jié)自動檢測，獲得檢測結(jié)果(包括結(jié)節(jié)數(shù)目、長徑及位置等)。

3.金標(biāo)準(zhǔn)及閱片方式

由2位從事胸部影像診斷工作超過8年的中級醫(yī)師結(jié)合AI輔助軟件的檢測結(jié)果逐層閱片并記錄結(jié)節(jié)數(shù)目、長徑及位置，兩人檢測結(jié)果交由第3位從事胸部影像診斷工作超過15年的主任醫(yī)師進(jìn)行審核，做出最終診斷作為金標(biāo)準(zhǔn)。

受試者為影像專業(yè)規(guī)范化培訓(xùn)醫(yī)師(從事胸部影像診斷工作4～12個(gè)月)，測試前將肺結(jié)節(jié)標(biāo)注標(biāo)準(zhǔn)告知受試者并進(jìn)行培訓(xùn)(依據(jù)2018年《胸部CT肺結(jié)節(jié)數(shù)據(jù)標(biāo)注與質(zhì)量控制專家共識》進(jìn)行培訓(xùn)，達(dá)到能夠在正常工作狀態(tài)下準(zhǔn)確識別各類型結(jié)節(jié))。受試者按以下3種模式下進(jìn)行閱片：模式A為不借助AI輔助軟件，受試者在正常狀態(tài)下(即一天工作之前)獨(dú)立閱讀每個(gè)病例的CT圖像；模式B為兩周過后(洗脫期)，受試者在疲勞狀態(tài)下(即一天工作滿8小時(shí)后)不借助AI輔助軟件再次閱片；模式C為再次洗脫期過后，受試者在疲勞狀態(tài)下結(jié)合AI輔助軟件的檢測結(jié)果再次閱片。三組閱片結(jié)果分別以Excel表格形式記錄結(jié)節(jié)的位置、大小和數(shù)量。每次閱片之后，將肺結(jié)節(jié)的檢測結(jié)果與金標(biāo)準(zhǔn)進(jìn)行比對，并由受試者回顧分析每次漏檢結(jié)節(jié)的原因并記錄。

圖1 患者，男，56歲。金標(biāo)準(zhǔn)確認(rèn)左肺上葉有一磨玻璃結(jié)節(jié)。a)正常狀態(tài)下(模式A)該結(jié)節(jié)被檢出(紅色圓圈)；b)在疲勞狀態(tài)下(模式B)獨(dú)立閱片時(shí)未檢出；c)AI軟件輔助下疲勞狀態(tài)(C模式)的規(guī)培醫(yī)師準(zhǔn)確檢出結(jié)節(jié)(綠色方框)。 圖2 患者，男，57歲。金標(biāo)準(zhǔn)確認(rèn)左肺下葉前內(nèi)基底段有一磨玻璃結(jié)節(jié)。a)正常狀態(tài)下(模式A)該結(jié)節(jié)未被檢出；b)在疲勞狀態(tài)下(模式B)獨(dú)立閱片時(shí)未檢出此結(jié)節(jié)；c)AI軟件輔助下疲勞狀態(tài)(C模式)的規(guī)培醫(yī)師準(zhǔn)確檢出此結(jié)節(jié)(黃色方框)。

表1 正常狀態(tài)和疲勞狀態(tài)下對肺結(jié)節(jié)檢測情況的比較

4.統(tǒng)計(jì)學(xué)分析

分別計(jì)算3組中檢出肺結(jié)節(jié)的敏感度、(患者)人均誤診結(jié)節(jié)數(shù)。敏感度計(jì)算方法為每組真陽性結(jié)節(jié)總數(shù)/總結(jié)節(jié)數(shù)；人均誤診結(jié)節(jié)數(shù)計(jì)算方法為每組假陽性結(jié)節(jié)數(shù)(誤診結(jié)節(jié)總數(shù))/CT檢查患者例數(shù)。比較三種閱片模式對肺結(jié)節(jié)的檢測能力。進(jìn)一步將結(jié)節(jié)按照大小分為3類，分別為長徑<4 mm、4 mm≤長徑<10 mm和10 mm≤長徑<30 mm[4]，分別計(jì)算B、C兩組中對3類肺結(jié)節(jié)的檢出敏感度和人均誤診結(jié)節(jié)數(shù)。利用SPSS 20.0統(tǒng)計(jì)學(xué)軟件進(jìn)行統(tǒng)計(jì)學(xué)分析，對正態(tài)分布的計(jì)量資料采用配對樣本t檢驗(yàn)，非正態(tài)分布的計(jì)量資料的組間比較采用(配對樣本)Wilcoxon秩檢驗(yàn)，以P<0.05為差異具有統(tǒng)計(jì)學(xué)意義。

結(jié) 果

按照金標(biāo)準(zhǔn)，200例患者共檢出1281個(gè)肺結(jié)節(jié)。A、B和C三種閱片模式對肺結(jié)節(jié)的檢出情況及比較結(jié)果見表1。A、B模式之間敏感度和人均誤診結(jié)節(jié)數(shù)的差異均具有統(tǒng)計(jì)學(xué)意義(P<0.05)，疲勞狀態(tài)下規(guī)培醫(yī)師對肺結(jié)節(jié)的檢測敏感度下降，但人均誤診結(jié)節(jié)數(shù)也有所有下降。應(yīng)用AI輔助軟件后，疲勞狀態(tài)下規(guī)培醫(yī)師對肺結(jié)節(jié)的檢測效能明顯提升，人均誤診結(jié)節(jié)數(shù)下降(圖1)，差異均具有統(tǒng)計(jì)學(xué)意義(P<0.05)。應(yīng)用AI輔助肺結(jié)節(jié)檢測軟件后，疲勞狀態(tài)下的規(guī)培醫(yī)師對肺結(jié)節(jié)的檢測效能已經(jīng)超過其正常狀態(tài)的水平(圖2)，人均誤診結(jié)節(jié)數(shù)下降程度更為明顯，差異均具有統(tǒng)計(jì)學(xué)意義(P<0.05)。

圖3 患者，男，23歲。金標(biāo)準(zhǔn)確認(rèn)右肺中葉有一實(shí)性結(jié)節(jié)位于血管旁。a)正常狀態(tài)下(模式A)此結(jié)節(jié)被準(zhǔn)確檢出(紅色圓圈)；b)在疲勞狀態(tài)下(模式B)獨(dú)立閱片時(shí)雖觀察到此結(jié)節(jié)但未確認(rèn)，最終導(dǎo)致漏檢此結(jié)節(jié)；c)AI軟件輔助下疲勞狀態(tài)(C模式)的規(guī)培醫(yī)師準(zhǔn)確檢出此結(jié)節(jié)(綠色方框)。

表2 疲勞狀態(tài)獨(dú)立閱片與疲勞狀態(tài)AI輔助閱片對不同大小結(jié)節(jié)檢測情況的比較

兩種閱片模式對不同大小肺結(jié)節(jié)的檢出情況見表2。應(yīng)用AI輔助軟件后規(guī)培醫(yī)師對<4 mm結(jié)節(jié)的檢出敏感度提升了40.28%，對4～10 mm結(jié)節(jié)檢出敏感度提升了27.08%。

回顧性分析191個(gè)漏檢結(jié)節(jié)的特征和原因：64個(gè)結(jié)節(jié)的長徑為0.9～3.0 mm；28個(gè)結(jié)節(jié)位于血管旁或與血管走行相延續(xù)，短徑與血管相仿(圖3)；28枚結(jié)節(jié)位于胸膜下；28個(gè)結(jié)節(jié)為密度對比較低的純磨玻璃結(jié)節(jié)；另有43個(gè)結(jié)節(jié)被規(guī)培醫(yī)生成功發(fā)現(xiàn)，但又將其錯(cuò)誤地排除。顯示經(jīng)金標(biāo)準(zhǔn)確認(rèn)的右肺中葉實(shí)性血管旁結(jié)節(jié)，短徑與血管管徑相近，在日常工作前和在人工智能輔助下的疲勞狀態(tài)下的規(guī)培醫(yī)生準(zhǔn)確檢出，在疲勞狀態(tài)下獨(dú)立閱片時(shí)雖被觀察到，但未被確認(rèn)為結(jié)節(jié)，最終漏檢該結(jié)節(jié)。

討 論

Waite等[5]對疲勞在放射學(xué)中的影響進(jìn)行了綜述，從本質(zhì)上講，它是一種精神疲倦和體能消耗，可以表現(xiàn)在身體和認(rèn)知兩方面[5]。對于放射科醫(yī)生來說，長時(shí)間的集中注意力工作、全面地觀察不同負(fù)荷的圖像、使用三維圖像觀察復(fù)雜的解剖結(jié)構(gòu)，以及快速閱讀的時(shí)效要求等諸多方面，都是導(dǎo)致其產(chǎn)生疲勞的因素。眾多因素中，眼睛疲勞和視力模糊的嚴(yán)重程度隨著閱讀圖像的數(shù)量和總閱讀時(shí)間增加而增加，并且保持聚焦變得越來越困難[6-7]。瑞典職業(yè)疲勞量表提供了一個(gè)感知疲勞的模型，它通過5個(gè)方面(缺乏能量、體力消耗、身體不適、缺乏動力和嗜睡)的評分來評價(jià)疲勞程度[8]。Krupinski等[9-10]應(yīng)用瑞典職業(yè)疲勞量表進(jìn)一步研究發(fā)現(xiàn)，放射科醫(yī)師在日常工作中疲勞感是不斷蓄積的過程，在日常的臨床圖像判讀工作滿8小時(shí)后，其SOFI評分更差，并且閱片診斷的錯(cuò)誤率增加、準(zhǔn)確性降低。因此，本研究中以日常工作滿8小時(shí)作為疲勞狀態(tài)的定義。臨床工作中，由于疲勞所造成的錯(cuò)誤最常見的是遺漏錯(cuò)誤和假陽性錯(cuò)誤，由此引發(fā)的醫(yī)患雙方對簿公堂的案例屢見不鮮。如何破解疲勞對臨床工作帶來的不利影響，眾多學(xué)者提出的各種理論和方案尚未達(dá)成共識。而人工智能輔助軟件的臨床應(yīng)用及其優(yōu)異表現(xiàn)，給解決臨床醫(yī)師的疲勞問題帶來了新的思路。

疲勞狀態(tài)可導(dǎo)致放射科醫(yī)師對肺結(jié)節(jié)的檢出率降低、漏診結(jié)節(jié)增多及準(zhǔn)確性下降[10]，而這一表現(xiàn)在缺乏工作經(jīng)驗(yàn)的規(guī)培醫(yī)師中體現(xiàn)得更為明顯[11]。本研究中得到了類似結(jié)果，B模式比A模式的檢出敏感度下降了5.85%，多漏檢191個(gè)結(jié)節(jié)，這對于本身診斷經(jīng)驗(yàn)不足的規(guī)培醫(yī)師來說較正常狀態(tài)下降了近12.66%；盡管，人均誤診結(jié)節(jié)數(shù)下降了0.39，但其主要原因并非單純誤診結(jié)節(jié)數(shù)的減少，而是與相對應(yīng)的患者檢查例數(shù)減少，進(jìn)而導(dǎo)致檢出結(jié)節(jié)總數(shù)(A組889個(gè)、B組742個(gè))的下降有一定關(guān)系。準(zhǔn)確檢出直徑過小、密度對比差及位置隱匿的結(jié)節(jié)對規(guī)培醫(yī)師來說即使在正常狀態(tài)下獨(dú)立閱片時(shí)也是一件不容易的事，此類結(jié)節(jié)在疲勞狀態(tài)下易出現(xiàn)漏檢是在意料之中的，這與類似CAD輔助檢測結(jié)節(jié)的研究結(jié)果相符[11-12]。我們推測規(guī)培醫(yī)師之所以會錯(cuò)誤的排除結(jié)節(jié)，可能與規(guī)培醫(yī)師的診斷經(jīng)驗(yàn)不足、以及疲勞后認(rèn)知能力、記憶力和注意力下降等原因有一定關(guān)系[5]。

使用AI輔助軟件后，疲勞狀態(tài)下漏檢的191個(gè)結(jié)節(jié)中有154個(gè)結(jié)節(jié)被正確檢出，約占漏檢結(jié)節(jié)數(shù)的80.6%。不僅如此，敏感度也有近乎成倍的提升，從40.36%提升至3組最高的77.67%，提升率達(dá)37.31%，且人均誤診結(jié)節(jié)數(shù)降至3組最低的0.91。由此可見，疲勞在肺結(jié)節(jié)檢測中所引起的錯(cuò)誤(假陰性、假陽性)絕大部分被糾正，同時(shí)帶來了準(zhǔn)確性的大幅度提升。但在AI軟件輔助下仍有漏檢結(jié)節(jié)的存在，其中包括規(guī)培醫(yī)師與AI軟件共同漏檢的結(jié)節(jié)，以及由于經(jīng)驗(yàn)不足或者認(rèn)知能力下降所致的漏檢結(jié)節(jié)。如果隨著規(guī)培醫(yī)師臨床診斷經(jīng)驗(yàn)的不斷積累和提升，對此類結(jié)節(jié)的漏檢概率會顯著降低。

進(jìn)一步對不同大小肺結(jié)節(jié)的檢測情況進(jìn)行分析，放射科規(guī)培醫(yī)師在疲勞狀態(tài)下應(yīng)用AI輔助軟件后，<4mm結(jié)節(jié)組中檢出敏感度大幅度提升，程度超過110%，人均誤診結(jié)節(jié)數(shù)下降也較為明顯。一方面說明越小的結(jié)節(jié)越容易被漏診，尤其是在放射科醫(yī)師在長時(shí)間工作產(chǎn)生疲勞之后，這符合臨床上對肺結(jié)節(jié)檢測的普遍經(jīng)驗(yàn)；另一方面說明AI人工智能輔助肺結(jié)節(jié)檢測軟件能夠“不知疲倦”的達(dá)到穩(wěn)定的檢出效能；同時(shí)軟件檢出的結(jié)節(jié)需要與醫(yī)師互動，進(jìn)行人工再判斷，這對于診斷經(jīng)驗(yàn)有限的規(guī)培醫(yī)師，人均誤診結(jié)節(jié)數(shù)的下降表現(xiàn)也是符合預(yù)期的。假陽性結(jié)節(jié)數(shù)的減少可以讓臨床醫(yī)師無需對這些無臨床價(jià)值的結(jié)節(jié)耗費(fèi)一天中有限的精力，同時(shí)讓呈現(xiàn)此類結(jié)節(jié)表現(xiàn)的患者避免不必要的緊張和焦慮。我們注意到，4～10 mm結(jié)節(jié)組中B模式與C模式之間檢出敏感度的差異具有統(tǒng)計(jì)學(xué)意義(P<0.05)，但在人均誤診結(jié)節(jié)數(shù)方面的差異并無統(tǒng)計(jì)學(xué)意義(P>0.05)。相對于<4 mm結(jié)節(jié)來說，4～10 mm結(jié)節(jié)的形態(tài)學(xué)特征更為復(fù)雜，這對于規(guī)培醫(yī)師來說，正確分析判斷具有一定的難度，人均誤診結(jié)節(jié)數(shù)略微升高情有可原。

本研究的局限性：首先，金標(biāo)準(zhǔn)沒有利用外部參考標(biāo)準(zhǔn)(如組織學(xué)證據(jù))，而是采用兩位從事胸部影像診斷的中級醫(yī)師及一位主任醫(yī)師(工作時(shí)間超過15年)的3次閱片的共識作為內(nèi)部參照標(biāo)準(zhǔn)，這一局限性在評價(jià)CAD效能的研究中普遍存在；其次，本研究中并沒有對兩次疲勞程度進(jìn)行量化，我們考慮到造成電腦終端操作者視覺疲勞的原因包括眾多不可控的客觀因素及復(fù)雜的主觀因素，不可能精確控制或重復(fù)，而且本研究中10～30 mm的結(jié)節(jié)數(shù)量較少，對這類結(jié)節(jié)的檢測評價(jià)需要更大數(shù)據(jù)量的研究來進(jìn)一步分析探討；最后，本研究結(jié)果僅代表一個(gè)特定算法的在特定參數(shù)時(shí)CAD的表現(xiàn)，并不能完全等同于其它類似軟件。本研究的重點(diǎn)是閱片者和CAD之間的交互所能產(chǎn)生的提升效果，并非單純對軟件性能的評價(jià)。

綜上所述，疲勞確實(shí)能讓放射科規(guī)培醫(yī)師對肺結(jié)節(jié)診斷效能下降，應(yīng)用AI輔助肺結(jié)節(jié)檢測軟件能幫助其提升診斷效能，甚至超越其正常狀態(tài)的診斷水平，對直徑<4 mm結(jié)節(jié)檢出率的提升尤為顯著。