2022人工智能和机器学习在慢性阻塞性肺疾病诊疗中的应用（全文）.docx

《2022人工智能和机器学习在慢性阻塞性肺疾病诊疗中的应用（全文）.docx》由会员分享，可在线阅读，更多相关《2022人工智能和机器学习在慢性阻塞性肺疾病诊疗中的应用（全文）.docx（12页珍藏版）》请在优知文库上搜索。

1、2022人工智能和机器学习在慢性阻塞性肺疾病诊疗中的应用(全文)摘要本文简述了近年来国外人工智能在慢性阻塞性肺疾病诊治和管理中的应用情况，包括慢阻肺的筛查和诊断、疾病分级和病情评估、疾病管理和监测及治疗等方面，最后指出未来应用的前景。近年来人工智能(artificialintelligence,AI)领域中的机器学习(machinelearning,ML),尤其是深度学习在呼吸病临床医学应用中的进展迅速，包括慢阻肺、支气管哮喘、肺癌和肺间质病等方面L2本文将进一步介绍AI在慢B引市的筛查和诊断、分级和评估、管理和监测以及治疗中的应用，现分述如下。一、AI/ML用于慢阻肺的筛查和诊断慢阻肺患者缺

2、乏特异性症状，其临床诊断主要是根据肺功能检测结果，因而，其准确性高度依赖于受试者的配合情况，这就可以解释临床实践中常见的慢阻肺诊断不足和过度诊断问题。应对这种挑战，几种AI/ML技术应用于临床，产生一种既经济又安全有效的慢B引市诊断方法，比如依据下述步骤构建Al诊断专家系统：询问表格、WebFIex密码、专家专门小组控制效力及临床效力。询问表格包括人口学资料、症状、环境和诊断实验。在临床效力方面,专家系统在241例慢阻肺患者中总体准确率达到97.5%3L目前慢阻肺存在诊断不足（大约70%）和过度诊断（30%62%）问题。来自欧洲16家医院的120名肺病专家和AI软件系统对具备完整的肺功能检测资

3、料和有限的临床信息，包括吸烟史、咳嗽、咳痰和呼吸困难的50例患者进行评估。这些患者包括阻塞性和限制性肺部疾病、肺血管疾病和健康对照组。相关诊断标准系由3名肺科专家根据肺功能试验、完整的病史加上任何一项辅助检查结果制定出来的。尽管专家能够对肺功能检测结果进行正确的分类（阻塞性、限制性或正常），其正确率为74.4%5.9%,但肺病专家的诊断精确度（precision）仅为44.6%8.7%,而根据Al软件对于肺功能检测结果类型判断的正确率为100%诊断率为82%（P0.00011这一项研究中对于8种情况的判断，AI算法的敏感性和阳性率、预测效力均优于肺病专家。Al系统可以对现有的医学资料、患者的临

4、床数据和诊断案例等大数据进行学习，并将这些资料抽取成高维特征数据库。当诊断新患者时，首先提取典型患者临床资料的特征，然后将该特征与数据库进行比对，查找到与该患者特征相似的案例被用作诊断参考。作者得出结论认为，由于肺病专家对于肺功能检测结果的解释可能会引起错误，而以AI为基础的软件系统可以提供更准确的解释，同样可以作为一种有效的决策支持工具，以改善临床实践水平。然而应当注意到，临床医生的真实临床表现水平可能会被低估，因为他们接受的临床信息较少。如果不考虑这一点，本项研究表明AI对于呼吸病学具有一种潜在的作用并且远远超出图像分析范畴4o为了进一步验证专家系统对于慢阻肺诊断的价值,Braido3股计

5、了一套问卷和应用硅片研发和验证WebFleX密码。他们首先在60例患者中验证这种专家模板导向器的性能,之后在241例患者中验证其临床效应,结果显示专家诊断系统证实的慢阻肺的诊断准确率为97.5%,认为这种专家系统即使在基层单位对慢阻肺的诊断也是一种安全可用的工具。另一项相似的研究结果显示，应用临床决策支持系统评估323例慢阻肺患者的敏感度为96%,特异度为90%o为了减少慢阻肺早期诊断中对于肺功能检测的依赖，ML算法也被用于分析来自人体支气管上皮细胞提取物的转录资料。这将有助于确定慢阻肺发病过程中15种基因的异常表达。其中10种基因以前没有报道过可作为慢阻肺的生物标志物。其后应用随机森林算法对

6、于这些不同基因组进行分析,以区别非吸烟者和吸烟者及慢阻肺患者5Io尽管每个亚组具有明显的诊断准确率（65%）,但是还需要进一步研究，以改善这种模型用以区分慢阻肺患者和单纯吸烟者的性能。鉴于慢阻肺患者诊断缺少特异性生物标志物，今后还需要结合另外两种血液生物标志物N乙酰糖蛋白和脂蛋白，通过比较54例慢阻肺患者与74名正常人。这种模式诊断准确率可达84.62%,AUC为0.906Jo这提示联合应用ML算法和生物标志物有助于慢阻肺的诊断,并可减少对于肺功能检测的依赖，然而这些尚需要采用大样本研究进一步验证其效力。最近有一项研究采用30例慢阻肺患者和25名健康人的39项呼吸音资料,结合3项肺功能特征，采

7、用ML算法进行5级分层以区别正常人与慢阻肺患者，支持向量机以及logistic回归分析，其诊断准确性、敏感性和特异性均为100%7,通过同样途径从132例慢阻肺患者中提取22种不同的临床特征，根据这些证据产生一种可用于慢脚市和哮喘的诊断决策支持系统，根据随机森林分类法，结果表明与其他技术相比，慢阻肺的诊断准确率最高达97.7%o此外研究表明吸烟、FEVL年龄、FVC也是重要的预测指标8,但是这些研究的样本数较小，而且为单中心研究结果，医学资料的输入不够均衡，可能会影响到慢阻肺的诊断，特别是在欠发达地区。最近研发的一种自动远距离健康AI处理系统，在几个研究机构中对780例慢阻肺患者进行验证，诊断

8、准确率达97%9,这种简单的设备可用于边远地区和死亡率较低的患者中。二、AI/ML用于慢阻肺的分级和评估按照GOLD建议，根据症状评估、急性加重情况和既往住院情况，慢阻肺患者可以分为四种表型。然而，这一模式的分辨率并不很高，而以AI/ML为基础的整合算法需要更多信息，包括生理学特点、肺功能检测结果、合并症、基因和生物学标志物，这样才能产生准确的表型分组、病情严重评估和指导治疗10,ILl2,13z14,15,16o比如应用K-means分组就是分析了1195例慢阻肺患者的生理学特征、病史、慢阻肺评估计分以及应用支气管舒张剂之后的FEVl,这样就确立了公认的4种表型:ACO（1组轻度慢阻肺（2组

9、）中度慢阻肺（3组）和重度慢阻肺（4组），第4组患者应用支气管舒张剂后的FEVl最低（46.7%预计值），6min步行距离最短（365m）,慢阻肺评估实验计分最高（17.5分），然而，第1组急性发作风险最高12o不过这些结果尚需要更长时间的随访（6个月）的支持和验证。另一项研究纳入1676例亚洲慢阻肺患者，对其肺功能和生命质量计分进行为期1年的监测，将慢阻肺患者分为3种亚型：第1组的定义是肺功能结果恶化，但是症状很少。第3组显示症状并不严重，但是BMI高（肥胖）第2组显示病情重，症状多，包括急性加重风险更高，FEVl恶化速度更快13,然而这项重要研究的一个局限性在于90%的研究对象均为男性。另

10、一项使用两种ML方法（K-means和等级分组）并根据患者的合并症和危险因素将30961例慢阻肺患者分为五种表型：焦虑和抑郁组、重度气流受限和衰竭组、心血管疾病和糖尿病组、肥胖/特应性组以及无合并症组10L虽然上述研究应用不同的ML算法和临床变量，但是都具有某些局限性，全部有证据的设想都是在探索不同的表型分组，以改善个体治疗。出于同样的目的，应用8980例慢阻肺患者的肺量计测值形成深度神经网络模式确定了4种胸部CT图像扫描表型（正常、气道病变为主、肺气肿为主、混合型），与FEV1/FVC、FEVl占预计值和随机森林分组相比，这种深度神经网络模型对于肺气肿/气道为主型，肺气肿/小气道为主型具有较

11、高的准确性（AUC分别为0.80、0.91）z然而,这项研究没有包括非吸烟的慢阻肺高危因素17o慢阻肺患者存在的持续气流受限评估主要是依赖肺功能检测结果,然而临床实践中仅有少数患者能够完成这些实验检查,这就限制了高达56%的气流受限患者的诊断18,19,鉴于在电子健康记录系统中很难确定FEVl测值，为此设计了一种自动Al工具，在41659例患有慢阻肺的退伍军人中确定FEVl,这种新型Al模型显示出95%的正确率，作为一种检测工具有助于在大样本的患者人群中评估慢阻肺的病情20L胸部CT扫描技术广泛用于确定肺部结构异常改变和评估慢阻肺的状态,然而大量的扫描资料并不能通过肉眼识别，这就提示在这个领域

12、内需要应用AI和AI/ML系统21z最近一项前瞻性研究，为了分析胸部CT扫描影像结果，采用支持向量机对慢阻肺患者的肺通气功能进行评估，这种评估模型采纳了87项扫描图像特点,在27例慢阻M患者中进行效力检验,准确性为88%,AUC为0.82220这些结果是令人鼓舞的，但可惜样本数较小。其中，大部分是中重度慢阻肺患者，将来的研究中应当包括轻度慢阻肺患者。有作者应用一系列资料将人工智能算法用于预测慢阻肺患者临床预后或确定气道阻塞模型23,ML模型成功的用于肺功能检测结果的自动解释、阻塞性肺疾病的鉴别诊断。卷积神经网络模型是一种用以辨认CT阻塞模式的适时方法23oGonzalez等24在慢阻肺Gene

13、和Eclipse患者中（以下简称为Gene组和Eclipse组）应用胸部CT以确定这种方法是否可用于慢阻肺的诊断和分型，并预测加重和死亡，在第一阶段患者先应用来自Gene组的慢阻肺患者的胸部CT资料进行模型训练，之后应用已经产生的算法在其余1OOo例Gene组慢阻M患群口1672例Eclipse组患者,在Gene组慢阻肺患者中根据可能性50%进行预测，确定一致性指数为0.856。根据GOLD分期标准大约二分之一患者可以正确分期，75%的分期正确或接近正确，同样这种算法表明在Eclipse组中判断结果稍差一些，29%分期正确，75%分期相同或接近。同时还研究了预测急性加重的能力，根据这种模式测算

14、Gene组慢阻肺患者发生AE的可能性是对照组的2.15倍（一致性指数为0.64）,但是在Eclipse组这种模型并不能预测危险性增加的患者在Gene组死亡预测能力很好（一致性指数为0.72）,但是在Eclipse组则不好。总体而言,AI的使用在慢阻肺的诊断中显示出有希望的结果。因为急性加重而住院是慢阻肺患者病情严重程度的评估指标，这对于临床实践也是很有用的，因而有作者采用改良式决策树算法分析了202例重度急性加重慢阻肺住院患者和208例轻度急性加重慢阻肺住院患者，共分析了28项临床特征，包括人口学、病史、生物标志物，根据患者入住ICU时的情况将患者分为重度和轻度两组，总体分期准确率达80.3%

15、,提示这种算法可以用于评估住院的急性加重慢阻肺患者的严重程度25,但是这项研究中没有包括住院患者的BMI和其他炎症因子。慢阻肺与急性加重、早期确定急性加重是慢阻M研究的重要目标之一，采用机器学习法进行一项为期6个月的研究，旨在形成一种预测急性加重的模式26O采用这种方法只能通过患者提供的资料进行学习，不管急性加重的定义如何，全部模型都具有很好的预测价值，便携式神经网络模式是最准确的（89.3%）,而K-means准确率为84.7%,放射状基线功能神经网络模式准确率为82.8%o另外一项研究显示,便携式神经网络模型（居家电子监测症状）可以在急性加重发生之前4.8d预测其发生，准确率为80.5%,

16、只有3%的假阳性率26,但其样本数较小（15例患者共发生41例次急性加重2015年同一组作者报道了相似的结果，15例患者中发生33例次急性加重，其中31例次急性加重发生前（4.52.1）d预测出来，这种方法有助于早期预测急性加重，这对于医生和患者都是非常有好处的24Jo2014年Hardenge等应用个体生理学特点、患者报告的症状、所用药物（吸入装置、抗生素、口服激素），通过可移动设备进行检验的一种算法,40%的急性加重者在患者开始用药3d前即可发出报警信号270Gonzale等24将深度学习技术用于预测7983例慢性阻塞性肺疾病患者急性加重和呼吸衰竭的发生率，预测结果与临床的吻合率为74.6%oYing等27建立了一种慢性阻塞性肺疾病疾病危重程度的自动分类算法，通过分析各种临床特点的权重建立预测模型，与GOLD指南相比分类准确率达到90%。三、AI/ML用于慢阻肺的管理和监测慢阻肺患者持续存在气