抽象
肺功能测试的解释可以很容易地自动化,但人工智能是否有必要用于诊断仍存在争议,即使这种帮助似乎已经可用http://bit.ly/2x93kQB
肺功能测试(PFTs)的解释是每一位肺科医师的日常工作。这一解释依赖于美国胸科协会(ATS)/欧洲呼吸协会(ERS)工作组于2005年制定的简单规则[188bet官网地址1]。此任务力指出异常模式(阻塞性,限制性的,并且混合缺陷)的定义将在逻辑上是基于一个统计的方法;即,阻塞性缺陷是在1秒(FEV用力呼气体积1)/肺活量(VC)比<第五百分位数(或FEV的z得分1< - 1.645),限制性缺陷是总肺容量(TLC) <第5百分位(或TLC的z分数< - 1.645)。必须强调的是,超级通货膨胀并不是由特别工作组定义的,这可能是由于难以对静态和动态超级通货膨胀达成一个共同的定义。计算机可以根据z分数的可用性很容易地做出这些功能性诊断,但考虑到简单的解释规则,人们可能会怀疑是否有必要这样做。因此,至少在负责医学学生教学的大学中心,几乎100%的肺科医师会给出正确的肺功能断层的解释。然而,必须指出的是,FEV1/ VC比<第五百分位不一定是异常;它仅仅是非典型的,因为正常人的5%,表现出这种非典型的功能。它是由医生解释功能的探索提供这种细微差别取决于临床情况。这些解释上的困难先前已经被一些作者讨论[2]。
要在疾病诊断到达,植物功能型的结果相结合,与患者信息,症状重,常,其他测试的结果。比利时的研究表明,预测基于植物功能型和临床病史单独[诊断时,专家小组可能达到77%的准确率3]。有趣的是,在后一研究中,作者还证明气道阻力的肺活量,静态肺容积,和肺一氧化碳测量的扩散能力的增加值,以获得患者的最终诊断有呼吸道症状[3]。它强调专家们能分辨细微的异常,或由评估肺功能由ATS / ERS专案组给临床实践中简化的算法大概描述较差异常的组合[1]。这个问题是人工智能的途径。深度学习的成功已经证明主要是在图像数据的输入问题,如在医学图像分析,语音识别和棋盘游戏玩。在肺药,人工智能已经被用于诊断呼吸音,听诊给出诊断的大间变异[这可能是有用的4,五]。最近,在同一项比利时肺功能研究中,研究人员发现,虽然ATS/ERS算法在968名受试者中有38%的人得到了正确的诊断标签,但将肺功能与临床变量相结合的无偏机器学习框架将总体准确率提高到了68% [6]。然而,深度学习缺乏解释力;深层神经网络无法解释如何达到诊断和启用歧视的特征并不容易辨认[7]。用智能医疗机器人取代医生是科幻小说中反复出现的主题;它是否在PFTs的解释中增加了价值仍有待讨论。
用T研究opalovic等。(8,并在最近一期的欧洲呼吸杂志,证明了自己的基于人工智能的软件完美匹配的PFT模式的解释(100%),并在所有情况下,82%分配给正确的诊断,而由呼吸科模式识别的PFT中的情况下,正确诊断74.4%相匹配的准则在病例44.6%被做了。
第一个问题与PFT模式演绎交易。没有必要为人工智能,以确保基于一个简单的算法,100%模式识别。更令人惊讶的,呼吸科没能达到这样的成功率,即便是在大学中心。它强调,很多呼吸科的不适用2005年ATS / ERS的建议,这是按照他们无法申请其他准则[9-11]。总体而言,它可能是一个论据来支持使用一个知道一个FEV人工智能系统1/FVC z分数< - 1.64是阻碍性的,TLC z分数< - 1.64是限制性的。当更精确地观察这项研究的结果时,作者表明,在错误分类的正常模式被错误地标记为阻塞性模式的情况下,76%与四例FEV相关1/ FVC比刚好高于正常范围,但仍低于0.70的固定切断为阳性标记。它强调,慢性阻塞性肺疾病的任意定义(FEV1/ FVC <0.70支气管扩张后)为慢性阻塞性肺病共识提出的全球倡议是混乱的许多肺病,这可能似乎预期的来源。该研究还表明,一个限制性格局的鉴定是一个更艰巨的任务,它强调的是,2005年的定义没有被大多数呼吸科。所以,软件分析可以保证,因为它可能看起来不现实的假设,PFT解释规则将由呼吸科的100%的正确应用。如何更好地遵守彼此互补的方式是通过定期发布有关通过相关期刊,这些“新”规则的信息[12,13]。
最后,它应该是有趣的,以评估该软件给出的解释是否是在植物功能型的经典陷阱正确,如小气道阻塞模式。这种模式中,由ATS / ERS工作队作为强调的,是通过在FEV伴随降低(z分数<-1.645)中所定义1和正常FEV的VC1/VC比值(z分数≥1.645),而静肺体积通过体积描记法测量正常甚至增加(z分数>+1.645)[1]。再次,计算机将能够使基于z得分这个诊断,这是不能在PFT单元罕见[14],那就是支持额外的软件分析比较难诊断的另一个理由。此外,软件分析可能根据ATS进一步规范缺陷严重性的分类/ ERS建议[1],这是不被T在研究调查opalovic等。(8]。人们可以推测,呼吸科不符合这些缺陷严重性的推荐分类。
第二个问题是关于临床诊断的;基于人工智能的软件在所有病例中给出了82%的正确诊断,这是比利时专家之前得出的比例[3],相比于约45%的成功率在这项研究肺病。不过,正如作者指出,“人工智能软件的进一步用途将,如果它通过标准化PFT解释,一些误诊的减少时间最终诊断,减少了所需的最终诊断测试的次数,如果证明可以避免“。所有人一样,我不知道这是什么人工智能软件会给我在我的日常实践中,知道大部分的时间,我练习的PFT在已经确定疾病的框架,所以他们很少诊断。另外,在肺内科诊断问题很少出现在因为其他测试经常需要最终诊断PFT的面貌产生孤独。
在过去的十年中,机器学习技术在许多领域取得了长足的进步。有人提出,机器学习将在几年内推动医疗保健的变化,特别是在需要更精确的预后模型和基于模式识别的医学学科,如放射学和病理学。尽管如此,与人工智能辅助医疗相结合的一个主要问题可能是过度依赖自动化的能力。虽然由于自动化辅助工具的便利和效率,过度依赖技术的现象可能在短期内对用户具有吸引力,但从长期来看,这些工具可能导致相关的技能退化现象。当一项任务的部分或全部组件是部分自动化的,那么完成这项任务所需的技能水平就会随之降低,而这可能会在技术失败或故障时导致严重的性能中断或效率低下。
因此,是模式识别软件有用吗?我会回应,因为所有呼吸科无力学解释规则的肯定。然而,临床诊断人工智能辅助必要?我会回答说,单套的PFT后作出诊断不是主要问题。当然,人工智能将不是在暗示诊断胸腔有更好的表现,但其更迅速地或更有效地达到最终的诊断能力仍有待证明。
这时,人工智能命令在医学界的迷恋一定水平;没有,似乎逃脱它的医疗领域。在肺医药领域,人工智能未来的挑战是如何回答是真实的医疗保健问题的复杂的临床问题。
脚注
利益冲突:C. Delclaux没有什么要披露的。
- 收到2019年4月26日。
- 公认2019年5月29日。
- 版权所有©ERS 2019