人工智能辅助诊断尘肺病的现状及趋势

　　裴莎莎 李金龙 沈福海*

　　【摘要】 尘肺是由于吸入无机矿物粉尘而引起的肺部纤维化疾病，尘肺病是我国最常见、危害最大的职业病之一。尘肺病的诊断很大程度上仍然取决于放射科医师和尘肺病诊断医师的经验，往往容易造成漏诊和误诊，也不利于人群的快速筛检。当下，人工智能（artificial intelligence，AI）技术不断发展，逐步应用于医学领域，在远程会诊、影像学图像识别方面都显示出巨大的优越性。尘肺病是我国影响范围最广泛的职业病，严重损害劳动者的身体健康，当下我国尘肺病的诊断主要通过医师对X 线胸片做出判断，诊断结果的准确性和稳定性无法保证，随着人工智能辅助诊断在尘肺病临床研究中越来越广泛，考虑可以将人工智能辅助诊断纳入国家标准，这在一定程度上可实现尘肺病的早期诊断，实现尘肺病患者早诊断早治疗的目的，提高患者生存质量，延长生存时长。

　　【关键词】 尘肺；人工智能辅助诊断；人工智能

　　中图分类号 R135.2 文献标识码 A 文章编号 1671-0223(2023)10-726-04

　　尘肺病是由于在职业活动中长期吸入生产性粉尘并滞留在肺部而导致的肺组织弥漫性纤维化为主的慢性全身性疾病[1]。在过去的几十年中，中国已采取多种预防和控制措施，但尘肺的发病率仍处于较高水平。根据《2020 年我国卫生健康事业发展统计公报》显示：2020 年全国共报告各类职业病新病例17064 例，其中职业性尘肺病新发病例人数达14367 例，占职业新发病总人数的84.19%，情况仍旧不容乐观。

　　GBZ70—2015 指出：尘肺病诊断主要手段是高千伏X 线胸片以及数字化摄影(DR)。X 线胸片凭借其易普及、易操作、低费用以及结论客观等诸多优势，仍旧是尘肺病检查的主要手段，因而尘肺病诊断的关键在于通过识别X 射线后前位胸片对尘肺病进行诊断和分级。在实际操作过程中，病例具有个体化差异，往往和尘肺病X 线标准片差异较大，若医师经验不足，则很容易出现误诊漏诊的情况，再加上诊断医师对诊断标准的理解和对标准片的认识不同，在尘肺病患者的早期诊断方面仍存在诸多争议[3]；加上目前尘肺病诊断医师较少，部分偏远地区患者仍无法得到及时的诊断，所以延误尘肺病患者治疗时机的情况仍时有发生[4]，这将严重损害患者的身心健康，也不利于我国职业病防治工作的开展。

　　当下，人工智能(artificial intelligence, AI) 技术不断发展，逐步应用于医学领域，在远程会诊、影像学图像识别方面都显示出巨大的优越性，针对尘肺病的诊断，国内外学者正在试图借助人工智能进行肺部疾病的辅助诊断，从而及早发现机体损伤，并对其严重程度进行评价[5]。人工智能辅助诊断技术结合了图像分析、影像学和人工智能等多种手段, 结合计算机的分析运算能力, 建立特定疾病诊断的数学模型, 进而对该类型疾病的病灶进行分类、预测或定位。计算机辅助诊断系统能够对医学影像进行准确且快速的解读，为医生提供可靠的参考意见，在原始影像中发现疑似病灶并对其类型进行辨别, 从而大幅降低放射医师人工阅片的工作负担与难度，并进一步提升医务工作者的阅片准确率与效率。因此人工智能辅助诊断技术在尘肺病的诊断方面的发展前景十分可观，现在这方面的研究已经引起国内外学者的广泛关注[6]，因此，我们将从以下几个方面对人工智能辅助诊断在尘肺病诊断中的利弊进行分析研究。

　　1 AI 辅助诊断技术的优越性

　　1.1 尘肺病诊断现状

　　根据2010 年的调查研究结果显示[7]，我国接尘作业人数达一千万，而具有相应诊断资格的执业医师仅有不到5000 人，所以每十万接尘人员仅拥有诊断医师0.65 名，所以当前的医师数严重不足，所以大量的患者无法得到及时有效地诊断和治疗，除此以外，从事职业病诊断的机构和医师数量也呈下降趋势，致使患者需求和诊断能力之间的不平衡进一步加大，针对这一现状，每一位诊断医师都面临巨大的工作量，日复一日地机械重复高强度的影像学诊断，不仅会造成医师视觉疲劳、工作效率低下，严重打击其工作积极性，也不利于医师医学素养的提升和创新意识的养成。针对这一问题，国内外学者试图通过AI 辅助诊断技术来寻找新的解决思路，以期提高诊疗效率，帮助诊断医师降低工作压力；简化繁重的工作；提高医师的诊断信心。在专业人员不足或者面临巨大工作量的情况下，可以使用AI 辅助诊断技术提高诊断效率，在偏远落后地区可以配备给基层的职业卫生工作者，从而可以直接对接到一线工人，对疾病进行快速筛查，很大程度上节省了人力物力。

　　1.2 提高尘肺病筛查的准确率

　　尘肺病的正确诊断的关键在于对根据肺阴影的密集度和分布的肺区，从而对胸片进行正确解读。在实际操作过程中，对于贰、叁期尘肺病的诊断较为简单，而在未患病和尘肺壹期的界定中，往往会存在较多争议，特别是诊断经验不足的医师极易出现漏诊和误诊[8]，因而诊断的工作并不简单。汪伟等[9] 通过对比人工诊断和人工智能读片，对两者的准确性地进行研究，研究结果显示：TMNet 模型准确率达95.20%，诊断经验十年以上的尘肺病医师诊断准确率为76.00%，诊断经验五年以下的尘肺病医师诊断准确率为56.00%。由此可见人工诊断主要依靠肉眼主观观察，很容易出错，此外，当诊断医师工作量较大时，医生可能会因为疲劳而忽视细微的病理改变，而人工智能不会感到“疲劳”，诊断结果也不会因人而异，结果输出稳定，因而使用人工智能辅助诊断可能会得到比人工诊断更准确的诊断结果。

　　1.3 经济性

　　为弥合患者需求和诊断能力两者之间的差距，我们需要花费大量时间和心血来培养高素质的诊断医师。然而专业医师的培养并不是一蹴而就的，培养一位合格的诊断医师大约需要花费5~8 年时间，这并不代表医师立刻就可以胜任这项工作，在实践中逐渐积累经验方能成就一名优秀的医师，所以培养出一名优秀的职业诊断医师需要投入大量的时间和金钱，这也在无形之中增加了患者治疗的成本。AI 辅助诊断程序在安装下载后，可以无限次数随时随使用，因而人工智能辅助也有助于降低诊断的成本。

　　1.4 有利于疾病的二级预防

　　目前针对尘肺病没有特效的治疗手段，但是研究结果表明尘肺病的早发现、早诊断、早治疗对于改善尘肺病的长期预后具有十分重要的作用，绝大多数尘肺患者都死于晚期的多种并发症，其中呼吸系统并发症占51.80%，心血管疾病并发症占19.90%，因而尘肺病的早期诊断和治疗对于改善尘肺病患者的预后和抑制疾病的进展具有重要的意义[10]。

　　1.5 避免人为的干预

　　当下政府部门对于尘肺诊断要求严苛，因此当下尘肺病的确诊环节十分复杂，虽说这使得尘肺病的误诊率很低, 但这无形之中建立了极高的标准体系。在这样的标准下，执业医师在对尘肺病患者进行诊断时，为避免假阳性的出现，也会下意识地提高诊断标准，从而造成漏诊病例增加，部分尘肺壹期患者不能得到及时的诊断，从而延误其治疗时机。AI 辅助诊断技术地应用于尘肺病诊断，则可以有效地避免人为因素对于诊断结果的影响，从而得到更加客观的诊断结果。

　　2 关于AI 辅助诊断技术的争议

　　人工智能是一项具有历史性意义的深刻变革，但是与此同时关于它的质疑声仍然存在[11]，因而在看待人工智能作用时，不仅应该看到通过高质量数据和计算机运算能力在提升诊断的灵敏度和特异度方面的作用，也应该考虑其可能产生的不良后果。

　　2.1 过度依赖

　　对AI 辅助诊断技术的主要担忧是它可能会导致诊断医师的专业能力下降，医师过于依赖人工智能而不是临床实践经验，从而无法独立地对病情进行正确诊断，Topol 将这种现象描述为“直觉偏误”，这是指：即使在机器得出错误的结论时，我们也会倾向于接受它的结论[12]，尤其是经验较少的医生更有容易接受机器给他们的建议，从而无法识别机器得出的假阴性和假阳性结果[13]，造成健康者的医疗资源浪费和患者治疗时机的延误。然而这一弊端并不是不可规避的，我们可以通过诊断医师的规范培训提高他们在独立决策的能力[14]。

　　2.2 隐私泄露

　　人工智能应用程序的机器学习基础是大量的研究数据，因此能否维护这些数据的隐私和安全的问题十分关键。大量个人健康数据的数据泄露表明，数据的隐私和安全问题并没有得到有效解决[15]。加拿大放射科医师协会人工智能工作组在谈到放射学中与人工智能相关的伦理和法律问题时强调：大量医疗数据的收集、存储和使用对加强立法、技术进步和数据安全保障提出了新的要求[16]。

　　2.3 偏倚的存在

　　当前针对AI 辅助诊断技术的研究仍存在数据集过小、数据代表性不强等问题，数据集成不良或验证不足，使得研究的稳健性和可重复性仍有待考证。此外，一些机器学习模型可能会出现过拟合和欠拟合的偏差。研究也可能受到发表偏倚影响，研究者往往倾向于只发表表现良好的算法。在接下来的研究中，使用更大的数据集（包括临床信息）执行算法，可以克服一些技术问题，例如过度拟合。此外，为了避免选择偏倚的限制，应该设定严格的纳入排除标准，对于人工智能诊断的金标准也需要反复考证其准确性，当标准本身不正确时后续的研究也势必无法准确。

　　2.4 技术问题

　　当下，AI 辅助诊断应用于尘肺病诊断这项技术仍不成熟，主要表现在：①不同机构胸片拍摄水平有高有低，这在一定程度上限制了人工智能的应用；②人工智能对尘肺小阴影的鉴别方式仍有所欠缺；③医师人工阅片水平良莠不齐，不能作为尘肺病诊断的金标准，即使是顶级专家的判断也不一定完全正确；④关于当前人工智能诊断效能的可信度，仍需要进一步确定[17]。所以仍旧需要大量研究使其具有可行性。在接下来的研究中，应该对人工智能系统进行调整和优化，克服技术难题，使其可以更好地造福人类。

　　2.5 数据损失

　　常见的计算机辅助诊断胸片算法主要有两类：基于规则的算法和基于机器学习的算法，前者是基于肺部的位置、纹理等特征设立一些启发式规则来实现分类正常区域与阴影区域，而后者是基于图像中的各个像素进行分类，这种方法需要通过训练集训练来提取图像特征。由此可见，当下人工智能辅助尘肺病诊断从理论上讲都是通过读取患者的DR 胸片，然后对胸片进行接下来的数据分析，而不是直接读取DR 胸片的原始数据。胸片由数字转换为影像，再由影像转为数字的过程中会造成信息损失，使得到结果存在争议。因此，在接下来的研究中我们可以考虑是否可以直接读取胸片的原始数据，从而避免信息损失，进而得到更准确地分析结果。

　　3 针对尘肺病诊断标准的建议

　　尘肺病作为我国当前发病率排名第一的职业病，其诊断和治疗都值得我们引起重视。因此我们倡议针对尘肺病诊断的国家标准应该进行规范化调整。

　　当下尘肺的诊断标准制定十分严格，要求全面，但在实际应用中，屡屡出现“不适用”和悖于“以人为本”的情况；尤其是社会底层的边缘人群，负面影响可能会更明显，尘肺病极高的门槛，将部分患者阻隔在诊断之外，使其合法权利无法得到维护，这部分人大多是经济水平和文化水平均不高的农民工，他们需要救助，却苦于没有途径，从而贻误治疗时机。

　　职业病诊断并不是单纯的医学问题，而是医学与法律的综合性判断。根据《职业病诊断与鉴定管理办法》规定，在劳动关系存在争议时，可以提起上诉，这个过程会使正常的职业病诊断程序因受到诉讼影响而中止，和用人单位劳动关系的认定也较为困难也导致其无法尽快完成职业病诊断。但实际上职业病的诊断过程中，证明劳动雇佣关系并不必要，所以我们认为对尘肺病职业病相关标准的修改十分必要。

　　根据《尘肺病诊断标准》规定，尘肺病只有在尘肺病确诊之后方能对尘肺病进行赔偿和治疗，而实际上在尘肺病诊断之前纤维化就已经存在了，因此诊断后才对其进行治疗，实际上已经延误了尘肺病的早期治疗时机，因而在尘肺病表现出临床指征前就应该对其进行治疗。但是根据当前医疗政策，尘肺病不包括在职工医保和居民医保的报销范围内，因此即使在尘肺未确诊之后，在用人单位没有为劳动者办理工伤保险的情况下，仍需要自己先行垫付医药费进行纤维化的治疗，以后还会因为用人单位的自己紧张而延误报销，给尘肺病患者带来经济与心理的巨大负担。因此我们认为应将尘肺病分为疾病诊断与职业病鉴定两个阶段，而人工智能辅助诊断在第一阶段将发挥重要作用。

　　AI 辅助诊断技术应用于尘肺病诊断不仅仅只是一个技术问题，人工智能的发展最终应该促进所有生物的福祉，人工智能的发展成果应当被全人类所共享，改善人类赖以生存的社会和环境，推动人类和社会繁荣进步，增进人民和社会福祉[18]，因此我们可以借助人工智能促进社会医疗资源公平，从而实现人工智能的发展成果被全人类所共享。所以我们倡议将AI辅助诊断技术纳入职业病诊断标准，这对于AI 辅助诊断技术的落地具有重要意义。

　　4 参考文献

　　[1] 金凡力, 张蓝熙, 陈锴, 等. 细胞因子在尘肺发病机制中的研究进展[J]. 中华劳动卫生职业病杂志,2020,38(12):948-952.

　　[2] Karkhanis VS, Joshi JM.Pneumoconioses[J]. Indian J ChestDis Allied Sci, 2013,55(1):25-34.

　　[3] 张磊, 朱磊, 李志恒, 等. 煤工尘肺住院患者疾病负担及其影响因素分析[J]. 北京大学学报( 医学版),2014,46(2):226-231.

　　[4] 张镏琢, 李智民, 罗军, 等. 尘肺病诊断读片差异性分析[J]. 职业卫生与应急救援, 2019, 37(5):425-428,40.[5] 汪伟. 基于深度卷积神经网络的尘肺病DR 影像诊断研究[D]. 唐山: 华北理工大学, 2021.

　　[6] 季冰, 刘伶俐. 人工智能在医学影像领域的应用与挑战[J]. 中国医学伦理学,2019,32(8):981-985.

　　[7] Singh R,Kalra MK,Nitiwarangkul C,et al.Deep learning inchest radiography:Detection of findings and presence ofchange[J].PLoS one,2018,13(10):e0204155.

　　[8] 张敏, 陈钧强. 人工智能技术在尘肺病诊断中的应用研究进展[J]. 环境与职业医学,2020,37(2):192-196.

　　[9] 汪伟, 李宝平, 沈福海, 等. 尘肺胸片人工智能读片三种模型效能比较研究[J].环境与职业医学,2022,39(1):41-46.

　　[10] Hao C,Jin N,Qiu C,et al.Balanced Convolutional NeuralNetworks for Pneumoconiosis Detection[J].Int J Environ ResPublic Health,2021,18(17):9091.

　　[11] Spiegel JM,Ehrlich R,Yassi A,et al.Using ArtificialIntelligence for High-Volume Identification of Silicosisand Tuberculosis:A Bio-Ethics Approach[J].Ann GlobHealth,2021,87(1):58.

　　[12] Topol EJ.High-performance medicine:the convergence ofhuman and artificial intelligence[J].Nat Med,2019,25(1):44-56.

　　[13] Carter SM,Rogers W,Win KT,et al.The ethical, legal andsocial implications of using artificial intelligence systems inbreast cancer care[J].Breast,2020,49:25-32.

　　[14] Coiera E.The fate of medicine in the time of AI[J].Lancet,2018,392(10162):2331-2332.

　　[15] L i u V , M u s e n M A , C h o u T . D a t a b r e a c h e s o fprotected health information in the United States[J].JAMA,2015,313(14):1471-1473.

　　[16] W i n f i e l d A F T , J i r o t k a M . E t h i c a l g o v e r n a n c e i sessential to building trust in robotics and artificialintelligence systems[J].Philos Trans A Math Phys EngSci,2018,376(2133):20180085.

　　[17] 王峥, 张建芳, 钱青俊. 我国职业性尘肺病诊断标准的演变和发展 [J]. 中国工业医学杂志,2017,30(01):69-71.

　　[18] O k u m u r a E , K a w a s h i t a I , I s h i d a T . C o m p u t e r i z e dclassification of pneumoconiosis on digital chest radiographyartificial neural network with three stages[J].J DigitImaging,2017,30(4):413-426.

　　[2023-02-09 收稿]

关注读览天下微信， 100万篇深度好文， 等你来看……