资讯

影像智能化报告会有时

2020-07-02 17:39

1. 暗自期待智能化的诊断辅助工具

通常影像医生每天工作当中至少 80% 的病例是枯燥的,属于消耗时间和体力的常规操作。在剩下 20% 很有意思或者有难度的病例当中,仍然有 80% 的工作还是体力活儿。我们没指望决策支持系统能替代我们深度思考,但是特别期待能有一套智能化的工具帮助降低一些劳动强度。比如:各种各样的 AI/后处理将图像分析做好了,只待我去确认;或者这些测量值和关键图像已经自动继承到报告当中;或者推理结论已经按照专家共识整理好了,不用再去翻书;或者自动将开单科室的医生们关注的要点显式地列出了,免得自己忘记,甚至根据规则自动给出 MDT 建议……

梦想总是要有的,万一实现了呢?

2. 影像诊断的三重境界

影像决策支持工具还没有给日常工作带来本质性的改变,原因在于真实世界的影像诊断业务不仅内部逻辑复杂,而且跨越的场景众多,需要综合很多相关技术,逐个场景地去解决问题。这必然是一个漫长的过程。

从诊断的逻辑层次来讲,我们可以分成三重境界。最基础的层面是正确识别不同设备影像的生理特征与病理特征。考虑到疾病众多,同一疾病在不同的影像设备下的表现不同,这些基础性的图像识别场景就有几百种甚至上千种之多。这种影像场景识别的工作耗费时间和体力,完全以人的识别能力为金标准,所以特别适合 AI 来做。其次,很多疾病诊断需运用参考诊断/鉴别诊断的逻辑,诊断医生连续在看图-推理-再看图的过程中切换思考。这类知识库有几千条内容,完全是清晰的规则推理。第三个层面是跨科室的临床思维。我们的主任医师写报告往往言简意赅,但临床医生就愿意看,因为主任们将临床的关注点都写进去了。这类逻辑的学术本质是跨本体的知识互联,是一个与影像 AI、参考/鉴别诊断技术相互独立的技术领域。结构化报告系统工作在后两个层面,它的逻辑基于影像学领域的专家共识,这些共识都是有坚实的统计学证据支撑的,本来就是诊断的基础,属于白箱推理,所以很容易被诊断医生们理解与接受。

3. 标签化数据是知识积累的基础

在 2017 年之前,影像自身的标签一度被认为就是影像的大数据本身,现在我们理解了影像报告的标签才是。因为影像报告不仅包含关键图像与测量值,还包含了其他临床信息与诊断医生的深度专业思考。

影像领域有很多高阶应用:比如撰写毕业和科研论文;向临床提供图文混排的报告发布;实现复杂语义学的危急值报告;对报告的质量和效率做出评价;基于绩效进行规范化培训的安排与自动化的考核;探索中国人自己的专家共识等等,全部都依赖于结构化的标签数据才能实现。

影像决策支持的完整链条从申请开始,延伸到扫描、后处理和诊断环节。在这四个环节上,每个单病种都是一个近乎独立的知识库。另一方面持续迭代是任何一个 CDSS 的精髓。上述四个领域的知识库要进行持续迭代,都需要通过 HIS/EMR/随访系统获取治疗方案、病理结果和随访情况。如果这些环节上单病种的知识库都去建立接口,语义连接关系将重回蜘蛛网状态。诊断报告系统位于影像学检查流程的输出环节,本身就需要抓取这些信息进行持续迭代。结构化报告系统有责任将这些从外部获取的标签化信息,结合报告当中的其他诊断信息,反馈给前端的各级知识库系统,才能使全系统的迭代得以闭环。

4. 结构化并非万能但是趋势无疑

与门诊电子病历结构化面临的挑战完全不同,影像科医生浏览完图像之后,多数情况下对诊断类型有一个大体的判断,所以有机会使用大型的前结构化报告模板来进行前瞻性的质量控制。结构化模板适合单病种的诊断,严谨而灵活性和效率不足。

半结构化的模板适用于复杂的诊断场景,诊断医生可以根据诊断描述的需求动态地使用多种 CDE(Common Data Element)模板组合出个性化的诊断报告。CDE 的报告模式不仅灵活且可以保存结构化的标签,缺点是不利于使用推理逻辑。

基于文本报告运用 NLP 技术进行处理,通常被当作标签提取技术,而不是一种实时的报告质控技术。NLP 技术存在时间和空间识别的盲点,需要根据专业特点进行个性化训练,因为不存在通用的 NLP 全标签提取技术,所以 NLP 对报告文本的处理通常用于特定科研项目的回顾性分析。

在健康筛查、判断骨折、出血等业务场景下,往往不需要复杂的多场景影像分析和推理,很可能没有必要使用结构化报告。

在肿瘤的 TNM 分期、心脏\血管影像、肌肉骨关节影像方面,要写一份报告本来就很花费时间,这时使用结构化报告不仅提高效率,同时还提高质量。如果有 AI 的助力,还可以逐步提高报告填写的自动化程度。

在复杂业务场景下,比如涉及多器官/组织的侵犯,存在合并症/并发症的情况,因缺乏专家共识,也没有足够多的数据积累,导致缺少清晰的诊断思路。这种复杂场景的决策支持有赖于单病种决策支持的拓展,以及不断完善的跨本体的知识互联,才能逐步得到解决。

5. 参与创作并分享知识

2019 年北京大学第一医院影像科王霄英教授团队在前列腺 MR 显著癌的诊断领域进行了有益的科研探索。在这个探索工作中,设计开发了 7 个序贯型的 AI 模型与结构化报告整合运用,将前列腺的各种分割、测量、炎症、增生的判断、显著癌的 PI-RADS 逻辑,以及包膜侵犯、淋巴结转移、骨转移的探测全部实现自动化,最后自动化地给出 PI-RADS 评分和 TNM 分期结论。

AI 的方法大幅降低了医生们亲自参与图像分析的门槛。只要业务划分足够准确,标注针对性强,算法是否高明并不影响最终的质量,甚至都不影响效率。北大医院的尝试说明了任何一家医院都可以进行同样的尝试,或者在其他器官/疾病上进行类似的尝试。充分依赖精准的诊断知识与逻辑,依赖于本科室的特定设备和特定的扫描方案,在比较有限的代价下,几乎肯定能做出适合自己业务的高水平智能化诊断方案。

影像诊断的知识由图像识别、推理逻辑、跨科室的知识推理组合而成,各自有各自的优势领域,不能简单互相取代。这需要综合的知识、技术和方案。前列腺 MR 的扫描我们可以做一个解决方案,但肝脏就不行了。这个器官太大,疾病种类太多,我们肯定需要划分多个场景,在每个场景下运用多个工具获取信息、进行推理。考虑到我们有那么多器官和疾病,没有哪个医疗机构和企业全能到自己搞定所有的智能化方案。那不如我们分享吧,大家交叉做一些工作,然后拿出来互换,避免重复,大幅提高效率,节省成本。

从进入医科大学的校门起,老师们就开始分享知识,这些知识原本就是社会公共财富。影像学诊断知识基于生理/病理的因果关系和统计学证据支撑。这个逻辑在大数据时代变化了吗?解释肺癌的发病率不断升高的原因,如果不把年龄这个因素拿掉,仅通过数据相关性分析,就会荒唐地发现与气候变暖、计算机速度变快、汽车的普及等存在强相关。智能化工具还远没有聪明到能产生新逻辑的地步。在运用了智能化工具之后,知识体系在延伸,但诊断逻辑没有本质性变化,公开与分享仍然是知识传播的主要方法。

在影像诊断领域我们能分享什么呢?从精准化的 AI 模型,到结构化报告模板,再到 MDT 的知识库……。

6. 未来是决策支持的时代

随着人口老龄化、健康筛查的普及、影像设备精度、速度的提高,诊断医生面临的影像数据以 20%-30% 的速度增加。另一面,医学院校培养的诊断医生仅能满足诊断整体人力资源每年 3%-4% 的增长。对于多数医疗机构来讲,通过招聘满足诊断需求,难度越来越大。

信息系统的普及、数据分析/挖掘的深化,加快了相关知识的积累,知识的半衰期从 10 年下降到 5 年,甚至下降到 3 年。也就是说每隔 5 年(3 年),影像诊断知识的 50% 都会变得陈旧过时。诊断所涉及的数据维度和推理深度大幅增加,正在超越医生的记忆极限。现有的进修、网课、培训班、学术会议等学习方式虽然各有千秋,但从参与人员的广度和诊断知识的覆盖宽度来讲,这些方法尚不能满足系统性提升诊断队伍整体水平的迫切需求。

影像决策支持是改变现状的出路。所谓影像学的决策支持,是将影像学的知识植入到现有的 RIS/PACS 流程当中。决策支持 = 知识 + 流程。只有将知识变成日常诊断工具,高深技术才能被使用起来;只有将工具植入到日常工作流程中,复杂的知识才能低成本、规模化地使用起来。

畅想一下影像科室的工作场景:当下医疗机构聘任 30 人,支付 30 份工资,干 30 个人的工作;未来使用决策支持系统之后,仍然聘任 30 人,但支付 40 人的工资,干 50 个人的工作。多支付的这 10 个人的工资实际上作为知识更新的服务费支付给了决策支持系统。这个场景提示我们决策支持业务的 2 个本质特征:首先,影像决策支持的业务版图在影像诊断的人力资源领域;其次,在满足影像诊断业务工作量增长、个性化、高质量的三个前提下,平均单个患者的诊疗成本是降低的。

影像决策支持系统并不取代医技护的岗位,而是取代他们的体力劳动和简单的推理劳动,将他们的工作推向更高的境界。当前的影像决策支持赶不上专家的能力,就像早期蒸汽机在竞赛中输给马车一样。假以时日,决策支持会像高铁/飞机一样超越人的能力,并终将成为我们不可或缺的生产力工具。

点击量:

扫码关注「实验菌」,入科研社群,领学习资源

更有优质直播、研选好物、福利活动等你来!

评论

商家推荐

美国PE耗材TEA消耗品N0770611

询价

美国PE耗材TEA消耗品N0770623

询价

美国PE耗材TEA消耗品N0770630

询价

美国PE耗材TEA消耗品N0770631

询价

美国PE耗材TEA消耗品N0770720

询价

美国PE耗材TEA消耗品N0770730

询价

美国PE耗材TEA消耗品N0770731

询价

美国PE耗材TEA消耗品N0770732

询价

美国PE耗材TEA消耗品N0770733

询价

美国PE耗材TEA消耗品N0770750

询价