人工智能在塵肺病診斷預(yù)防的應(yīng)用路徑

前言：想要寫出一篇引人入勝的文章？我們特意為您整理了人工智能在塵肺病診斷預(yù)防的應(yīng)用路徑范文，希望能給你帶來靈感和參考，敬請閱讀。

【摘要】人工智能診斷塵肺病技術(shù)的出現(xiàn)，為解決一直困擾職業(yè)健康檢查和塵肺病診斷的焦點(diǎn)“DR讀片問題”帶來了新的手段與方法。通過人工智能算法分析，從粉塵作業(yè)人員中早期發(fā)現(xiàn)潛在的塵肺病疑似患者，對減少塵肺病的新發(fā)病數(shù)，令工傷保險的作用前移，從而達(dá)到早預(yù)防、少發(fā)病、預(yù)防未病，具有重要作用。

【關(guān)鍵詞】塵肺病；人工智能診斷；預(yù)防

塵肺病是我國發(fā)病人數(shù)最多的職業(yè)病。由于塵肺病診斷的復(fù)雜性和特殊性，曾出現(xiàn)如“開胸驗(yàn)肺”等傷害塵肺病患者的事件，還在某些地區(qū)發(fā)生因塵肺診斷結(jié)果誤差大而引發(fā)的職業(yè)病診斷法律責(zé)任問題。如何精確地診斷塵肺病，既不漏過任何一個需要保障的塵肺病患者，又可控制工傷保險基金的流失，是當(dāng)前工傷保險面臨的任務(wù)之一。人工智能診斷塵肺病技術(shù)的出現(xiàn)，為解決職業(yè)健康檢查和塵肺病診斷的焦點(diǎn)“DR①讀片問題”帶來了新的手段與方法。人工智能技術(shù)在塵肺病篩查和質(zhì)量控制中的運(yùn)用取得了良好的效果。

1研究焦點(diǎn)

提及塵肺病，首先應(yīng)明確幾個基本概念。塵肺病的臨床表現(xiàn)是粉塵作業(yè)人員長期在接塵環(huán)境中工作而導(dǎo)致的肺部纖維化（特發(fā)性肺纖維化）。肺纖維化是一個長期漸變的過程，因此塵肺病屬于慢性病。塵肺病是可預(yù)防的，當(dāng)下就塵肺病而言，工傷保險如何強(qiáng)化塵肺病預(yù)防是值得系統(tǒng)研究的重要課題。

2工傷保險機(jī)構(gòu)面臨的問題

2.1職業(yè)健康體檢質(zhì)量監(jiān)督難度大，職業(yè)病發(fā)病數(shù)據(jù)失真

作為二級預(yù)防的職業(yè)健康檢查一直存在缺乏有經(jīng)驗(yàn)的職業(yè)病診斷醫(yī)生的問題。近兩年，很多省市原有的公立職業(yè)健康體檢機(jī)構(gòu)逐漸退出體檢行業(yè)，同期，眾多新備案的民營體檢中心開始承接業(yè)務(wù)。但由于新成立的體檢機(jī)構(gòu)缺乏能力建設(shè)，職業(yè)健康檢查的整體質(zhì)量面臨巨大挑戰(zhàn)。同時，各省職業(yè)病防治院作為職業(yè)健康檢查的質(zhì)量監(jiān)督機(jī)構(gòu)，要面對全省的職業(yè)健康體檢機(jī)構(gòu)，很難做到全面有效的監(jiān)督檢查，可能導(dǎo)致職業(yè)病發(fā)病數(shù)據(jù)失真。

2.2診斷一致性導(dǎo)致的診斷結(jié)論爭議

2.2.1塵肺病診斷中除職業(yè)史、接塵史、既往病史外，最為重要的就是X光胸片的結(jié)論。X光片屬于醫(yī)學(xué)影像范疇，從技術(shù)上就很難去除“讀片誤差”。這種誤差具體體現(xiàn)在：（1）讀片者讀片能力和經(jīng)驗(yàn)導(dǎo)致的差異；（2）讀片者個人狀態(tài)和環(huán)境導(dǎo)致的差異；（3）X光片拍攝質(zhì)量導(dǎo)致的讀片差異；（4）疑難問題，區(qū)分塵肺初期或者復(fù)雜病情鑒別診斷所導(dǎo)致的讀片差異。據(jù)全國職業(yè)病醫(yī)師指定教材《塵肺病》統(tǒng)計(jì)的數(shù)據(jù)顯示，在一組專家的讀片中，塵肺病的讀片差異率在18.8%-33.2%，平均為22.5%；而經(jīng)驗(yàn)不多的醫(yī)生和經(jīng)驗(yàn)豐富的醫(yī)生之間讀片差異率可達(dá)到75.6%。這是制約塵肺診斷一致性提高的關(guān)鍵因素。

2.2.2塵肺病作為法定職業(yè)病，診斷和認(rèn)定會涉及到經(jīng)濟(jì)利益。這就導(dǎo)致了其中一些按照國家標(biāo)準(zhǔn)原本不應(yīng)該被診斷為塵肺病的人會希望醫(yī)生幫助他們診斷為塵肺病。同時，某些醫(yī)生出于同情而在診斷中偏向把原本應(yīng)診斷為塵肺0期的疑似人員診斷為塵肺1期。與之相反，企業(yè)作為塵肺病患者的責(zé)任人，往往要承擔(dān)代價不菲的賠償。因此，有些企業(yè)會要求體檢機(jī)構(gòu)在例行的職業(yè)健康檢查中少報甚者不報塵肺病發(fā)病情況，質(zhì)疑甚至希望改變某些塵肺檢查為陽性的診斷結(jié)果。以上，前者傷害了國家和企業(yè)的利益，造成了工傷保險基金的損失；后者傷害了以農(nóng)民工為主體的弱勢接塵勞動者的權(quán)益。

3科技創(chuàng)新在塵肺病篩查方面的應(yīng)用

3.1人工智能技術(shù)的發(fā)展及其在醫(yī)學(xué)領(lǐng)域的應(yīng)用

隨著新一代人工智能（AI）技術(shù)的突破，使計(jì)算機(jī)在原來必須由醫(yī)生完成的醫(yī)學(xué)影像讀片工作上取得了突破。在肺結(jié)節(jié)篩查、糖尿病視網(wǎng)膜病變篩查、乳腺癌篩查、冠心病影像解讀等多方面產(chǎn)生了有代表性的應(yīng)用。同樣，在塵肺病陰陽性篩查方面，經(jīng)過數(shù)年來的發(fā)展，業(yè)界在作為塵肺病診斷標(biāo)準(zhǔn)的數(shù)字化X線胸片的AI識別算法上取得了重大突破。

3.2人工智能塵肺病算法的難點(diǎn)和獨(dú)特性

由于數(shù)據(jù)量有限、標(biāo)注困難、單張片子尺寸大、信息量多等專有的特點(diǎn)，塵肺病人工智能算法需要采用特別的算法和網(wǎng)絡(luò)結(jié)構(gòu)。塵肺病的診斷樣本標(biāo)注非常困難，對于一個權(quán)威專家，標(biāo)注一張X光圖片都需要幾分鐘甚至更多時間，這嚴(yán)重限制了數(shù)據(jù)集的規(guī)模。而在訓(xùn)練樣本不足的情況下，隨機(jī)梯度下降很容易在小數(shù)據(jù)集上過度匹配，從而嚴(yán)重影響訓(xùn)練效果。針對這些問題，業(yè)界專家提出新的算法，如TMinit。在此算法下，通過樣本的全局統(tǒng)計(jì)分布特性對網(wǎng)絡(luò)進(jìn)行初始化。這種算法極大增強(qiáng)了模型在測試集上的魯棒性②。實(shí)驗(yàn)表面，采用TMinit算法，訓(xùn)練時間降低了5—10倍，而模型訓(xùn)練精度提高了5個百分點(diǎn)以上。

3.3塵肺病人工智能篩查系統(tǒng)應(yīng)用現(xiàn)狀

塵肺病人工智能篩查系統(tǒng)已經(jīng)部署并應(yīng)用到國內(nèi)多家職業(yè)病防治機(jī)構(gòu)和職業(yè)健康體檢機(jī)構(gòu)中，正在成為幫助職業(yè)病醫(yī)生診斷的得力幫手和有效手段。以某省級職防院的應(yīng)用為例。該院自2018年12月開始使用人工智能塵肺病篩查系統(tǒng)，經(jīng)過一年多的試用，效果良好?，F(xiàn)已部署到院內(nèi)放射科和體檢車中，幫助職業(yè)病醫(yī)師和放射醫(yī)師進(jìn)行粉塵作業(yè)人員健康檢查的X光篩查。應(yīng)用說明如下：（1）體檢篩查①應(yīng)用時間：2018年12月-2019年12月；②篩查總數(shù)：11225例；③篩查結(jié)果為疑似陽性總數(shù)：935例；④篩查結(jié)果為陰性總數(shù)：10290例；⑤每病例分析時間：<0.5秒。與人工讀片相比，速度提升了兩個數(shù)量級。（2）診斷一致性分析①驗(yàn)證人工智能系統(tǒng)的準(zhǔn)確性、敏感性和特異性（見表1）準(zhǔn)確性在此驗(yàn)證集上達(dá)到了98%。②分析某省級職防院診斷專家的一致性，在此組X光病例集中，院方專家的一致性是93.9%。在此測試中，塵肺病人工智能模型在區(qū)分是否塵肺陽性的讀片一致性上，達(dá)到了不低于省級職防院有經(jīng)驗(yàn)塵肺診斷醫(yī)師的水平。

4適用場景及意義

4.1塵肺病早期預(yù)防監(jiān)測

通過人工智能算法分析，從粉塵作業(yè)人員中早期發(fā)現(xiàn)潛在的塵肺病疑似患者，可用于提醒督促企業(yè)改善生產(chǎn)環(huán)境、讓高概率患塵肺病的粉塵作業(yè)人員及時轉(zhuǎn)崗，以阻止或延后該接塵職工成為塵肺病患者。減少塵肺病的新發(fā)病數(shù)，令工傷保險的作用前移，達(dá)到早預(yù)防、少發(fā)病、預(yù)防未病的目的。

4.2監(jiān)管部門大規(guī)模摸底篩查

針對原來全國塵肺病發(fā)病情況摸底難的問題，智能平臺可以幫助監(jiān)管部門進(jìn)行準(zhǔn)確有效的大規(guī)模普查，最大程度還原真實(shí)發(fā)病情況。通過實(shí)時監(jiān)測，對風(fēng)險進(jìn)行控制，在問題暴發(fā)前可及時預(yù)警，從而避免先前大規(guī)模流調(diào)時存在的人力不足、成本過高、抽樣誤差大、數(shù)據(jù)質(zhì)量差等問題。真正幫助監(jiān)管部門做到情況（數(shù)據(jù)）了然于胸。

4.3公立職業(yè)病醫(yī)療機(jī)構(gòu)的診斷一致性分析

塵肺病人工智能篩查系統(tǒng)可以準(zhǔn)確匯總分析職業(yè)病醫(yī)師診斷的一致性，可以得出每一張X光片針對不同職業(yè)病醫(yī)師讀片的相對“一致性”數(shù)據(jù)。大量讀片分析后可以得到職業(yè)病醫(yī)生的基本一致性數(shù)據(jù)。

4.4公立職業(yè)病醫(yī)療機(jī)構(gòu)的體檢篩查

全國各地職業(yè)病防治院每年都面臨著不定期大量集中體檢的巨大壓力。體檢人員中超過90%的被檢者屬正常人群，而職防院需要消耗大量的人力、時間用于接塵職工的篩查。應(yīng)用智能輔助篩查系統(tǒng)能篩掉90%以上沒有問題的片子，醫(yī)生只需對剩余陽性的檢查結(jié)果做進(jìn)一步的診斷，效率最多可以提升一個量級，單位時間可以完成更多、更高質(zhì)量的體檢任務(wù)。

4.5區(qū)域質(zhì)控中心的質(zhì)量復(fù)核

塵肺病診斷和職業(yè)健康檢查的質(zhì)控監(jiān)督工作人員少、壓力大、難以有效覆蓋。應(yīng)用智能輔助篩查系統(tǒng)可以分析報告的一致性，找到問題，對體檢機(jī)構(gòu)進(jìn)行有效監(jiān)督。

4.6民營體檢機(jī)構(gòu)的能力問題

引入塵肺病智能輔助篩查系統(tǒng)后，將解決民營機(jī)構(gòu)合格醫(yī)師不足、外送讀片成本高、篩查時間長的問題。體檢速度、質(zhì)量將大幅提升，有助降低成本。

5建議

5.1流程中加入人工智能塵肺病手段評估診斷一致性來保證診斷的客觀性

通過在診斷階段或者工傷認(rèn)定階段部署塵肺病人工智能系統(tǒng)，作為第三方手段衡量塵肺診斷的一致性，避免出現(xiàn)某些省市曾經(jīng)出現(xiàn)的“用一些醫(yī)生的診斷結(jié)論去衡量另外一些醫(yī)生的診斷結(jié)果”。此處人工智能應(yīng)用并不是作為“金標(biāo)準(zhǔn)”來替代醫(yī)生診斷，而是從計(jì)算機(jī)的角度更為客觀地衡量醫(yī)生診斷的一致性。

5.2將工傷預(yù)防費(fèi)用于企業(yè)的塵肺病預(yù)防控制管理

根據(jù)2017年8月人社部、財政部、原衛(wèi)計(jì)委、安監(jiān)總局聯(lián)合印發(fā)的《工傷預(yù)防費(fèi)使用管理暫行辦法》，規(guī)定每年可以用不超過統(tǒng)籌地區(qū)上年度工傷保險基金征繳收入3%的資金用于開展工傷預(yù)防工作的費(fèi)用。人工智能手段可以幫助企業(yè)做好健康管理、監(jiān)護(hù)和預(yù)防工作，讓企業(yè)對員工的健康情況有長期、準(zhǔn)確的了解?？稍趩T工發(fā)病之前通過轉(zhuǎn)崗、重新培訓(xùn)等手段避免、減輕或延遲員工的發(fā)病。建議工傷保險基金可在宣傳和教育外增加一項(xiàng)工傷預(yù)防費(fèi)分類，以積極主動的預(yù)防監(jiān)控，從源頭上控制塵肺病的發(fā)病可能，達(dá)到控源頭、減發(fā)病、降支出的目標(biāo)。

【參考文獻(xiàn)】

[1]朱秋鴻,王煥強(qiáng),余晨,等.塵肺病影像學(xué)診斷技術(shù)研究進(jìn)展[J].環(huán)境與職業(yè)醫(yī)學(xué)，2011.

[2]毛翎,彭莉君,王煥強(qiáng).塵肺病治療中國專家共識（2018年版）[J].環(huán)境與職業(yè)醫(yī)學(xué),2018,35(8):677-688.

[3]毛翎，黃建安，周韶?zé)槪?直讀數(shù)字式攝影應(yīng)用于塵肺病診斷的可行性研究[J].環(huán)境與職業(yè)醫(yī)學(xué)，2011.

[4]GBZ70-2015，國家衛(wèi)生計(jì)生委.職業(yè)性塵肺病的診斷[S].北京:中國標(biāo)準(zhǔn)出版社，2016.

[5]國家藥品監(jiān)督管理局醫(yī)療器械技術(shù)審評中心官網(wǎng).深度學(xué)習(xí)輔助決策醫(yī)療器械軟件審評要點(diǎn)[EB/OL].2019-07-03.

[6]毛翎.塵肺病診斷中差異率是客觀存在的[N].醫(yī)師報，2018-3-22(2).

[7]李巖,孫大為,張毅南,等.直接數(shù)字化X射線攝影在塵肺病診斷中應(yīng)用研究[J].中國職業(yè)醫(yī)學(xué),2012，39(6).

作者：徐明 單位：中國生物醫(yī)學(xué)工程學(xué)會醫(yī)學(xué)人工智能分會