人工智能在急性闌尾炎診斷中的研究進展

吳燕妮， 趙博厚， 陶思敏， 廖生武， 曲澤成， 武 鋼

急性闌尾炎(acute appendicitis)是急腹癥常見病之一，據(jù)歐美大型人群研究[1]顯示，急性闌尾炎的發(fā)病率約為100/100 000人年。目前其診斷多依據(jù)臨床表現(xiàn)，而其早期臨床表現(xiàn)呈現(xiàn)多元化、不典型性的特點，需借用影像學技術或有創(chuàng)操作以明確診斷。根據(jù)以往研究[2-3]表明，5.9%～27.6%的急性闌尾炎患者因為早期無法明確診斷，從而導致闌尾穿孔率從20.3%～28.0%上升至33.3%～50.0%。由此可見，早期預測急性闌尾炎診斷對于急性闌尾炎疾病的進展和預后至關重要。而人工智能作為計算機輔助診斷的主要應用技術之一，近年來與急性闌尾炎診斷相關的研究日漸增多。一項關于成人急性闌尾炎計算機斷層掃描(CT)診斷評估研究表明，基于急診患者的CT影像學數(shù)據(jù)，通過卷積神經(jīng)網(wǎng)絡診斷急性闌尾炎的準確率高達90.0%[4]。本文將就人工智能與急性闌尾炎診斷之間的臨床特征診斷、實驗室診斷、影像學診斷及病理診斷等方面的研究進展做一綜述。

1 人工智能的發(fā)展與現(xiàn)狀

在信息爆炸的時代背景下，日漸豐富的電子化產(chǎn)品逐漸進入我們每個領域，這不僅體現(xiàn)在人們的日常生活中，在醫(yī)療保健方面尤為明顯。電子化醫(yī)療服務的模式并不是新生模式，計算機輔助診斷實踐在醫(yī)學上已經(jīng)使用40余年[5]。然而，如何確保將大數(shù)據(jù)轉(zhuǎn)化為可操作的運算算法，對于計算機輔助醫(yī)學診斷來說仍然是一個重大挑戰(zhàn)[6]。

1937年，Alan Turing開創(chuàng)性地提出了“通用計算機”(universal computing machine)這一說法，隨后McCarthy對“人工智能”(artificial intelligence， AI)這一提法展開了探討，并認為人工智能是能使機器完成人類所給予指令的一類運算算法。自1998年以來，在醫(yī)學領域人工智能方面發(fā)表的論文數(shù)量呈指數(shù)級增長[7]。現(xiàn)如今，人工智能更是以不同的呈現(xiàn)形式存在于臨床醫(yī)療工作中，包括圖像識別、信息同步、醫(yī)學機器人以及互聯(lián)網(wǎng)醫(yī)院等。

人工智能是一個寬泛而抽象的概念，它包括一系列模擬人類大腦日常行為的計算運行系統(tǒng)及相關工具，如解決問題、推理邏輯、模式識別和知識獲取等[8]。目前，人工智能主要包括機器學習(machine learning， ML)和深度學習(deep learning， DL)兩大類，其中機器學習包括監(jiān)督式學習、無監(jiān)督式學習、強化學習方法。監(jiān)督式學習是目前機器學習應用中最常用的方法。而深度學習是一個具有多個層次表示的運算算法，通過獲得組成簡單但非線性的模塊，每個模塊將一個層次(從原始輸入開始)的表示轉(zhuǎn)換為一個更高的、稍抽象的層次的表示。在一定程度上來說，其本質(zhì)是特征提取，即通過組合低層次的特征，形成更加抽象的高層表示，以達到最佳特征的目的，它主要通過神經(jīng)網(wǎng)絡來模擬人的大腦學習過程，以期實現(xiàn)對現(xiàn)實對象或數(shù)據(jù)(圖像、語音及文本等)的抽象表達，整合特征抽取和分類器到一個學習框架下[9-10]。

自20世紀60年代以來，人們發(fā)現(xiàn)可以利用線性分類器將空間進行簡單的區(qū)域劃分，但在圖像和文本識別方面仍舊缺乏相對成熟的自然語言和邏輯關系算法。近年來，隨著信息化的衍生發(fā)展與對真實世界數(shù)據(jù)挖掘的進步，越來越多的高級算法融入到醫(yī)療圖像以及大數(shù)據(jù)識別中。在圖像識別方面，有研究者通過卷積神經(jīng)網(wǎng)絡對胸部X線的圖像數(shù)據(jù)進行疾病分類，如對于慢性阻塞性肺疾病、肺炎、哮喘、結核病和其他肺部疾病的識別，其識別準確率達到92.4%。Attia等[11]使用卷積神經(jīng)網(wǎng)絡算法識別心房顫動的心電圖特征。Liang等[12]分析1 362 559名兒科患者的1.016億臨床數(shù)據(jù)點，并建立了診斷模型，海量的數(shù)據(jù)增加了模型的擬合度，并在此基礎上提高了準確性，在診斷常見兒童疾病方面，其診斷能力可與經(jīng)驗豐富的兒科醫(yī)生相媲美。此外，Lundberg等[13]研究了一個基于機器學習預測低氧血癥風險系統(tǒng)模型的開發(fā)和測試，分析了低氧血癥的相關危險因素，從而達到提高麻醉醫(yī)生工作效率和能力的目的。同時，其研究結果表明，如果模型在實際預測中可達15%的準確率，那么麻醉醫(yī)生對于患者在全麻期間發(fā)生低氧血癥預測率能提升至30%。

目前，人工智能主要涵蓋圖像精準識別、大數(shù)據(jù)統(tǒng)計分析、智能機器人等相關技術，同時這些技術也逐步向醫(yī)學領域演變并發(fā)展，對傳統(tǒng)醫(yī)學模式進行修正改革，或許在未來可以形成一個新興的醫(yī)學模式。

2 人工智能與急性闌尾炎診斷的應用進展

2.1急性闌尾炎的臨床特征診斷

現(xiàn)階段，急性闌尾炎的臨床特征診斷包括典型的轉(zhuǎn)移性右下腹痛、發(fā)熱、惡心、嘔吐、右下腹壓痛以及反跳痛等，而診斷的準確率多取決于臨床醫(yī)生的經(jīng)驗。為此，基于上述臨床特征的相關研究提出幾種評分系統(tǒng)來規(guī)范急性闌尾炎臨床診斷評估。

成人闌尾炎評分包括Alvarado評分、改良Alvarado評分、闌尾炎反應評分、RIPASA評分；而兒童闌尾炎評分包括改良Heidelberg闌尾炎評分、Alvarado評分、小兒闌尾炎評分和Tzanakis評分。層出不窮的評分系統(tǒng)里依舊需要面對人工重復評定的問題，并且由于主觀差異性而導致診斷性評估亦存在不一致性。以兒童急性闌尾炎評估為例，早期有研究[14]通過人工智能算法對患者醫(yī)療電子記錄進行數(shù)據(jù)整理、清洗與分析，從而形成臨床決策系統(tǒng)，并以此系統(tǒng)對急性闌尾炎患者進行評估風險分層，從而協(xié)助臨床診斷分析。隨著計算機技術的不斷進步，人們對于人工智能算法在醫(yī)學領域的探索愈加深入，研究層面也從原來基礎的自然語言判別轉(zhuǎn)至系統(tǒng)評分疊加算法研究。Stiel等[15]利用人工智能算法就兒童常見的四種不同闌尾炎評分對疑似闌尾炎住院的兒童患者進行診斷評估，發(fā)現(xiàn)改良Heidelberg闌尾炎評分對診斷兒童急性闌尾炎有明顯優(yōu)勢。人工智能不僅應用于評分系統(tǒng)，而且其借助Logistic回歸開發(fā)的Alvarado評分結合超聲的評分系統(tǒng)，也可用于臨床排除闌尾炎，進一步降低闌尾陰性切除率[16]。

此外，也有研究對于急性闌尾炎評分系統(tǒng)的人工智能診斷模型提出驗證。Tan等[17]針對提出的一種基于Alvarado評分輔助診斷急性闌尾炎的算法進行了驗證分析，這項隨機對照試驗研究表明，所提出的管理算法并未降低急性闌尾炎對于CT的使用率，同時急性闌尾炎的誤診率、闌尾切除陰性率、住院時間、住院費用等結果在一定程度上也并無明顯差異。由此可見，人工智能的計算機輔助診斷仍存在一系列不可回避的問題，這都制約著該技術在急性闌尾炎診斷相關領域的發(fā)展。

2.2急性闌尾炎的實驗室診斷

在急性闌尾炎診斷方面，除了系統(tǒng)采集病史及體征外，還需要對于疑似急性闌尾炎患者進行一定的生物學檢測。目前實驗室診斷并未存在特異性明顯的實驗室項目，臨床作為評判的指標主要包括白細胞計數(shù)、分類計數(shù)、C反應蛋白等，其次還包括育齡期女性妊娠試驗、尿常規(guī)等與闌尾毗鄰臟器相關疾病的鑒別診斷指標。現(xiàn)階段人腦仍很難識別出實驗室指標的相關性及隱匿性，而人工智能卻能快速、準確地處理大型數(shù)據(jù)集，不僅可以大大減少人工清洗整理所耗費的時長，同時也可以依據(jù)其大樣本的前提為急性闌尾炎診斷提供一些新的指標或新的預測方向。

有研究[18]發(fā)現(xiàn)，利用隨機森林模型對急腹癥患者尿蛋白分析后，能夠區(qū)分急性闌尾炎和其他易混淆的急腹癥，整個模型具有較高的特異性。Reismann等[19]利用人工智能分析出的特征性生物學標記物開發(fā)診斷模型，并將其與傳統(tǒng)分析方法進行比較，人工智能模型的敏感性、特異性、準確性和ROC曲線下面積(AUCs)都超出了傳統(tǒng)分析，具有較好代表性。此外，人工智能在穿孔性闌尾炎診斷評估中亦提供了一些新的預測方向。有研究[20]發(fā)現(xiàn)，穿孔性闌尾炎患者多存在高膽紅素血癥，同時其研究指出，以總膽紅素>1.0 mg/dL為臨界值診斷穿孔性闌尾炎。

由于人工智能算法種類較多，而一個適合的算法所獲得的診斷模型將極大程度地使急性闌尾炎的經(jīng)驗醫(yī)學具備可解釋性。一項對于7244例兒童急性闌尾炎患者經(jīng)過多種機器學習算法的測試發(fā)現(xiàn)，決策樹模型更易解釋其臨床意義，應用該算法檢測出的闌尾炎患者較其他算法更多[21]。

人工智能除了在診斷上可以應用推廣外，在醫(yī)療干預方面同樣為臨床工作者提供了可視化預測的可能。有研究[22]發(fā)現(xiàn)，通過使用機器學習方法對兒童急性闌尾炎患者人口統(tǒng)計學及實驗室數(shù)據(jù)進行分析并建立預測模型，結果表明，其預測準確率最高可達95.31%，而這類算法對于急診科闌尾炎患者具有臨床借鑒意義。

2.3急性闌尾炎的影像學診斷

關于急性闌尾炎影像學檢查主要取決于是否能夠提高闌尾炎診斷特異性或降低闌尾切除陰性率。對于青少年或孕婦患者，首選超聲檢查，若超聲陰性可選擇磁共振成像(MRI)檢查以明確診斷；其余急性闌尾炎患者推薦CT檢查。近年來，人工智能在醫(yī)學影像學診斷方面已經(jīng)成為炙手可熱的技術之一，其算法系統(tǒng)能精準且高效地對醫(yī)學影像學進行識別、解讀，并提供人工智能診斷，極大地降低了人工閱片的工作負擔及相關人員臨床經(jīng)驗不足導致的漏診、誤診率，進一步彌補了臨床醫(yī)務人員短缺的難題。

一項以隨機森林機器學習判斷區(qū)別化膿性闌尾炎和壞疽性闌尾炎的CT征象的回顧性研究[23]，人工智能閱片提示，腸壁和腸管外氣體積聚、闌尾增強程度減低是壞疽性闌尾炎區(qū)別于化膿性闌尾炎的重要征象。Rajpurkar等[24]在急性闌尾炎CT影像學鑒別研究中開發(fā)了一個用于在腹部和骨盆的對比增強CT上自動檢測急性闌尾炎的三維(3D)卷積神經(jīng)網(wǎng)絡，該研究發(fā)現(xiàn)，這一類算法在急性闌尾炎的診斷性評估中獲得較高的鑒別性能。

人工智能在急性闌尾炎影像學特征提取上具有良好的代表性，同時對于急性闌尾炎患者影像學檢查的選擇，基于大數(shù)據(jù)趨勢下亦存在一定決策推薦性。有研究[25]表明，通過隨機森林、支持向量機和貝葉斯網(wǎng)絡分類器模型對完成CT檢查和未完成CT檢查的患者進行訓練，研究發(fā)現(xiàn)，支持向量機算法可以用于急性闌尾炎患者是否選擇CT檢查提供一定推薦性選項。

2.4急性闌尾炎的病理診斷

少數(shù)患者盡管臨床高度懷疑闌尾炎，但影像學陰性或無法通過現(xiàn)有方法診斷的患者則可能需要通過術后病理來明確診斷，組織病理學表現(xiàn)是診斷急性闌尾炎的金標準，但在臨床實踐中由于存在其相對高昂的費用、有創(chuàng)性以及過度治療所導致闌尾炎陰性切除率高等問題，故往往在臨床工作中并非首選檢查。人工智能可以通過回顧性對急性闌尾炎的病理類型進行整體性評估，在病例庫的基礎上進行預測模型建立，為術前診斷及擬定術前計劃提供方向。

Kang等[26]通過單因素分析后選擇存在統(tǒng)計學意義的外周血生物標志物建立邏輯回歸算法病理類型診斷預測模型，并發(fā)現(xiàn)外周血中性粒細胞百分比、CD4+T細胞、T細胞計數(shù)、輔助T細胞計數(shù)、B淋巴細胞計數(shù)、CD4+/ CD8+比值等外周血生物標志物能夠區(qū)分急性單純性闌尾炎和急性化膿性闌尾炎；CD8+T細胞、C反應蛋白、降鈣素原等外周血生物標志物能夠區(qū)分急性化膿性闌尾炎和急性壞疽性或穿孔性闌尾炎。但由于文本數(shù)據(jù)與客觀數(shù)據(jù)形成混雜型數(shù)據(jù)，且輸出結果可能由二分類轉(zhuǎn)化為多分類，一定程度上增加了數(shù)據(jù)集的維度，在人工智能算法分析上的難度較前明顯提升，故此目前這類研究仍處于一個相對待發(fā)掘的狀態(tài)。

3 總結與展望

人工智能在急性闌尾炎診斷的應用愈加廣泛，至今研究認為，人工智能無論是在實驗室診斷或是影像學診斷上存在絕對優(yōu)勢，其特征提取、圖像分割方法可以有效提高計算機輔助診斷能力。但其在處理臨床特征文本及病理診斷這類混雜型數(shù)據(jù)上仍存在研究探索的空間，并且對于醫(yī)學診斷模型而言，樣本獲取困難、標注成本較高、數(shù)據(jù)隱私性處理等問題仍存在爭議，或許這些問題在自然語言與非自然語言的轉(zhuǎn)換上有可能成為解決方案的突破口之一。此外，人工智能輔助診斷急性闌尾炎的病理預測模型仍需面對較大的應用困難。綜上所述，人工智能為醫(yī)學領域的新興技術，與傳統(tǒng)的統(tǒng)計學方法逐漸形成“分庭抗禮”的狀態(tài)。人工智能算法或許能夠為急腹癥患者進一步明確急性闌尾炎診斷帶來一種新可能。