推動人工智能技術在肺結核影像領域的發展和運用

李多 呂平欣

人工智能(artificial intelligence,AI)是計算機科學的一個分支,旨在開發智能機器,使它們能夠像人類一樣進行學習、推理、判斷和決策,AI在醫學影像學領域展現出巨大的應用潛能[1]。結核病仍然是全球傳染病中死亡的主要原因之一,胸部X線攝片(簡稱“胸片”)及計算機斷層掃描(computed tomography,CT)在肺結核的篩查、診斷、療效評價及隨訪的各個環節中都發揮著非常重要的作用。一項AI方法在肺結核影像學診斷準確性的薈萃分析中,納入了61項研究,涵蓋了124 959例患者,臨床試驗的合并敏感度和特異度分別為91%(95%CI:89%～93%)和65%(95%CI:54%～75%),模型開發研究的合并敏感度和特異度分別為94%(95%CI:89%～96%)和95%(95%CI:91%～97%)[2]。目前,AI在結核病領域的研究不只局限于肺結核的篩查和診斷,還涉及肺結核影像征象識別、肺結核耐藥診斷及疾病負擔評價等。本文中,筆者將對AI在肺結核篩查、診斷、活動性評價、耐藥性評價及與其他疾病鑒別診斷等中的應用進行評述。

一、AI在肺結核篩查中的應用研究

肺結核的早期篩查和診斷對于結核病控制至關重要。世界衛生組織(World Health Organization,WHO)推薦使用胸片作為篩查技術[3],然而,胸片的準確診斷在很大程度上取決于放射科醫師的臨床經驗,而在結核病高負擔地區,常缺乏足夠的放射科醫師來閱讀胸片。因此,人們越來越關注基于AI的軟件進行肺結核檢測,提高診斷準確性的同時降低成本。

早期開發的輔助診斷肺結核的AI產品是使用手動創建的預設特征模型建立的計算機輔助診斷(computer aided diagnosis,CAD)系統,其性能受到人為預設特征影響,如空洞的存在等,很難將結核病的各種表現形式合并到一個CAD系統中,系統的精度從42%到100%不等,通常用于特定特征檢測;此外,所使用的數據集通常很小,限制了CAD系統在全球不同衛生條件下的適用性[4]。隨著卷積神經網絡(convolutional neural network,CNN)的深度學習算法的開發應用,肺結核影像AI研究呈爆發式增長,基于深度學習的CAD模型的性能隨著數據量的增加(公開數據集的增加)和算法的優化而不斷提升[5]。

目前,已有5種AI算法獲得了胸片結核病檢測的認證。一項在孟加拉國的研究評估了這5種用胸片進行結核病診斷的AI算法,進行了AI算法間相互比較及與放射科醫師進行比較[6]。研究包括23 954名在3個結核病篩查中心就診或轉診的15歲及以上人群的胸片。所有胸片均由3名放射科醫生和5種AI算法獨立閱讀,5種AI算法包括CAD4TB(version 7)、InferRead DR(version 2)、Lunit INSIGHT CXR (version 4.9.0)、JF CXR-1(version 2)、qXR(version 3)。所有5種AI算法都明顯優于放射科醫師,但只有qXR和CAD4TB在敏感度為90%時特異度不低于70%(特異度分別為74.3%和72.9%),符合WHO對分子診斷試驗的測試目標產品特性(target product profile,TPP),TTP要求敏感度≥90%及特異度≥70%。所有5種 AI算法都將所需的Xpert測試數量減少50%,同時,將敏感度保持在90%以上。所有AI算法在老年組(>60歲)和有結核病病史的人群中均表現較差。國內一項前瞻性多中心臨床研究的結論同樣表明,基于CNN算法的結核病篩查軟件(JF CXR-1)是有效和安全的[7]。該研究納入了1161名15歲以上志愿者,與放射科醫師的結果相比,該軟件敏感度為94.2%(95%CI:92.0%～95.8%),特異度為91.2%(95%CI:88.5%～93.2%),一致率為92.7%(95%CI:91.1%～94.1%),Kappa值為0.854(P=0.000)。研究認為,結核病篩查軟件有望成為解決結核病高負擔地區缺乏放射科醫師的潛在方案。也有研究將CAD用于特殊人群的肺結核篩查,Park等[8]評估基于深度學習的CAD在γ-干擾素釋放試驗結果陽性患者的胸片上識別活動性肺結核的準確性。CAD比放射科醫師表現出更高的敏感度(81.8%vs.72.7%;P=0.046),但特異度低于放射科醫師(84.1%vs.85.7%;P<0.001)?；贑AD的預篩查比放射科醫師表現出更高的特異度(88.8%vs.85.7%;P<0.001),在相同的敏感度下,工作量減少了85.2%。CAD可以明顯提高放射科醫師的敏感度,基于CAD的預篩查可以減少放射科醫師的工作量,同時提高特異度。

近期研究在模型泛化能力和可視化方面不斷突破,模型性能變得更加完善。Kazemzadeh等[9]開發了一種深度學習系統(deep learning system,DLS)來檢測胸片上的活動性肺結核,使用來自10個國家的回顧性胸片訓練模型。DLS在4個國家(中國、印度、美國和贊比亞)和南非的一個采礦工人群體中進行了驗證,將DLS的性能與放射科醫師進行了比較,在四國測試集(1236名受試者,17%患有活動性結核病)中,DLS的受試者工作特征曲線(receiver operating characteristic curve,ROC曲線)高于所有9名放射科醫師,ROC曲線下面積(AUC)為0.89(95%CI:0.87～0.91)。與放射科醫師相比,DLS敏感度更高(88%vs.75%;P<0.001),特異度不低(79%vs.84%;P=0.004)。使用DLS篩查疑似結核病患者,陽性患者進一步使用核酸檢測確認,可以使結核病患者的例均檢測成本降低40%～80%。深度學習模型不僅能通過胸片篩查肺結核,同時可以在胸片上識別并標注出病變區域[10],能幫助放射科醫師對其進行判讀,加快肺結核流行地區的結核病篩查速度?？焖俸Y查意味著早診斷、早治療,有利于肺結核的防治,助力實現終結結核病流行的全球目標。

近年來,已有越來越多的證據表明,CAD軟件產品可以提高對胸片解讀的可行性和準確性。WHO通過評估目前已有的相關研究成果,在2021年更新的《結核病篩查指南》中提出了一個新的建議:支持使用CAD代替人類讀者,對15歲及以上患者解讀胸片,對肺結核進行篩查和分診[3]。

二、AI在肺結核診斷中的應用

AI在肺結核診斷中的應用也有廣泛的研究,包括與社區獲得性肺炎、非結核分枝桿菌感染及肺癌等的鑒別。一項研究將深度卷積神經網絡(deep convolutional neural network,DCNN)應用于胸片來區分活動性肺結核與非結核病患者,共納入了5000例肺結核患者和4628例非結核病患者,訓練3種不同的DCNN算法,AlexNet、VGG及ResNet的AUC值分別為0.9917、0.9902、0.9944;基于ResNet算法的AI在不同臨床亞組表現出出色的診斷能力,并在胸片上標記了精確的結核病區域,優于其他模型[10]。但是這項研究納入的非結核病患者未詳細介紹是正常人群還是肺部其他疾病患者。

(一)AI鑒別肺結核與社區獲得性肺炎

應用胸部CT圖像鑒別活動性肺結核與社區獲得性肺炎的研究取得了很好的研究結果。Ma等[11]以基于CNN的深度學習模型U-Net為基本框架,開發了一個基于CT圖像的肺結核自動檢測模型。U-Net深度學習算法主要應用于活動性肺結核病變區域的自動檢測和分割,并使用了一種基于ROI(regions of interest)連接性的聚類技術,將多個2D-ROI 轉換單個3D OOI(object of interest)。該研究回顧性收集了846例研究對象的胸部CT圖像數據,包括痰涂片陽性活動性肺結核患者、肺炎患者和肺部正常者,分為訓練集和測試集。經過測試后,這款AI工具的AUC值為0.980。準確率、敏感度、特異度、陽性預測值和陰性預測值分別為96.8%、96.4%、97.1%、97.1%和96.4%,表明AI工具在活動性結核病的檢測和非結核病(即肺炎患者和肺部正常者)的鑒別診斷方面表現良好。該研究雖然納入肺炎患者,但在鑒別診斷中將肺炎患者和肺部正常者歸為一類,即依然為二分類,不清楚肺炎和肺結核分類的差異,大大降低分類模型的臨床應用性。Han等[12]開發了基于胸部CT的3D-CNN模型,用于區分活動性肺結核和社區獲得性肺炎。3D-CNN最優模型在內部和外部測試集的準確率分別為98.9%和93.4%。該模型在2個測試集中的AUC值均高于2名放射科醫師。劉雪艷等[13]的研究納入正常肺部組(544例)、普通肺部感染組(526例)和繼發性肺結核組(934例),應用VB-NET進行自動肺野分割,對照了BasicNet和DenseNet深度學習模型在肺結核診斷和鑒別診斷中的效果,結果顯示,DenseNet模型明顯優于BasicNet模型,其平均AUC、敏感度、特異度、準確率、精確率和F1值分別為92.1%、79.7%、89.4%、86.2%、77.8%和0.785,診斷能力與放射科中年資醫師的診斷水準相當,有望作為繼發性肺結核的輔助診斷工具。

目前,基于CT圖像的肺結核和肺炎的鑒別診斷深度學習研究雖取得較好的研究結果,但均主要為小樣本回顧性研究,從病例納入、圖像采集、數據處理、模型建立及驗證等研究過程均缺乏統一標準,可重復性和泛化能力不足。

(二)AI鑒別肺結核與非結核分枝桿菌感染

非結核分枝桿菌肺病近年來的發病率和患病率不斷增加,并且與肺結核有相似的臨床癥狀和影像學表現。然而,大部分非結核分枝桿菌對抗結核藥物耐藥,早期準確診斷其感染對患者的治療及預后至關重要。一項研究開發了一個基于3D-ResNet的深度學習模型,可以快速輔助診斷非結核分枝桿菌肺病與肺結核,為患者提供及時、準確的治療策略[14]。這項研究使用804例肺結核患者和301例非結核分枝桿菌肺病患者,以8∶1∶1的比例訓練、驗證和測試模型,并另外收集肺結核及非結核分枝桿菌肺病患者各40例作為外部測試集。該模型在訓練、驗證和測試數據集上的AUC值分別為0.90、0.88和0.86,而在外部測試集上的AUC值為0.78。該模型的性能高于放射科醫師,并且在沒有人工標注的情況下,該模型在CT上自動識別異常的肺部區域比放射科醫師快1000倍。Yan等[15]應用影像組學,利用6種機器學習模型,包括KNN(K-Nearest Neighbor)、SVM(Support Vector Machin)、XGBoost(eXtreme Gradient Boosting)、RF(Random Forest)、LR(Logistic Regression)、DT(Decision Tree),通過從CT圖像上空洞中提取的影像組學特征可以鑒別非結核分枝桿菌肺病和肺結核,影像組學診斷比放射科醫師更準確,并且這6種分類器中,LR分類器在鑒別2種疾病方面表現最好。

也有研究應用AI通過胸片區分肺結核與非結核分枝桿菌肺病。Park等[16]研究顯示,結合EfficientNet B4和ResNet 50的集成模型區分肺結核與非結核分枝桿菌肺病的表現最好,在所有評估指標上都優于放射科醫師,外部驗證集上診斷肺結核的準確率為85%,診斷非結核分枝桿菌肺病的準確率為78%。另一項研究在研究對象中加入了一組臨床懷疑分枝桿菌感染但分枝桿菌培養陰性的患者(模仿者),研究者開發了一個深度神經網絡模型,該模型在內部測試集上的分類準確率[(66.5±2.5) %]高于高級肺科醫師[(50.8±3.0) %;P<0.001]和初級肺科醫師[(47.5±2.8) %;P<0.001]。在不同患病率情景中,該模型在檢測肺結核和非結核分枝桿菌肺病的AUC值具有穩定的性能[17]。

深度學習模型結合臨床與實驗室檢查結果能提高肺結核與非結核分枝桿菌肺病的鑒別診斷能力。Ying等[18]研究顯示,雖然與單獨使用深度學習模型相比,使用結核感染T細胞斑點試驗(T-SPOT.TB)區分非結核分枝桿菌肺病和肺結核的結果更好,但是通過結合這兩種方法,當兩種方法的預測一致時,鑒別診斷的準確性大大提高。姚陽陽等[19]的研究納入133例患者(非結核分枝桿菌感染患者58例、肺結核患者75例)的胸部CT圖像,以空洞為靶病灶進行勾畫,提取影像組學特征,根據年齡、γ-干擾素釋放試驗結果建立臨床模型,選擇10個影像組學特征結合臨床模型構建聯合模型,在測試集中影像組學模型的診斷性能高于臨床模型,而聯合模型的診斷性能表現最佳,其AUC、敏感度、特異度及準確率分別為99.50%、94.12%、100.00%、96.77%。進一步說明,未來聯合模型的探索有望成為突破單純影像組學診斷瓶頸的方法。

(三)AI鑒別肺結核與肺癌

結核瘤可表現為與肺癌非常相似的肺結節,是最容易在術前誤診為肺癌的良性結節。術前準確區分結核瘤與肺癌一直是影像工作的難點,也是影像組學研究的熱點。Zhang等[20]使用臨床參數、影像組學特征及兩者的組合開發了預測模型,采用logistic 回歸模型建立的組合模型性能最好,在訓練組、測試組和外部驗證組的AUC值分別為0.940、0.990和0.960。Zhuo等[21]和Feng等[22]的研究同樣表明,結合影像組學特征和臨床參數的組合模型對肺腺癌和結核瘤有良好的預測價值。

三、AI識別肺結核不同征象

吳樹才等[23]開發了一種基于深度學習CNN的肺結核CT輔助診斷模型,由診斷醫師對CT圖像進行分類標注,經過訓練后,CNN診斷模型對測試數據集中浸潤性肺結核、空洞性肺結核、胸膜增厚、干酪性肺炎和胸腔積液的診斷準確率分別為95.33%(10 982/11 520)、73.68%(2151/2920)、73.07%(1128/1544)、83.33%(1020/1225)和94.11%(814/865)。這項研究納入的研究對象均為肺結核確診患者,目的是區分肺結核的不同征象,因此,模型在臨床工作中的診斷效能尚不明確。Li等[24]訓練了一個新的三維成像深度學習模型,可以識別活動性肺結核的不同征象。該研究使用的數據庫包括223例活動性肺結核患者和501名健康受試者的胸部CT圖像。所有活動性肺結核患者的CT圖像都由放射科醫師手工標注及分類,對4種最先進的三維CNN模型進行訓練和評估。通過訓練、驗證和測試,最好的模型能在胸部CT圖像上標注出肺結核的病變區域,并根據病變類型將其分類為粟粒性、浸潤性、干酪性、空洞性肺結核和結核瘤。研究結果表明,活動性肺結核單個病灶識別的召回率和準確率分別為85.90%和89.20%,單個肺結核患者識別的總召回率和總準確率為98.70%和93.70%,活動性肺結核病灶分類準確率為90.90%。該模型生成的診斷報告包括肺結核感染的可能性、病灶所處的部位及病變類型,可供臨床醫師或放射科醫師參考。Yan等[25]開發的深度學習模型可以在CT圖像上識別肺結核的6種病變類型,包括空洞、實變、小葉中心結節或樹芽征、簇狀結節、纖維索條、鈣化肉芽腫,分類的準確率為83.37%。

四、AI用于區分活動性與非活動性肺結核

肺結核病灶活動性判斷是臨床醫師決定是否需要臨床干預和活動性肺結核治療干預后何時停藥的關鍵因素。隨著世界各國肺結核X線平片公共數據集的建立,基于X線的大樣本多中心的深度學習的研究爆發式增長。Lee等[26]基于治療前和治療后的胸片作為陽性和陰性類別標簽構建的深度學習模型對肺結核活動性的判定AUC值可達0.83,模型對于痰菌不同陽性程度(活動程度分級)的預測能力高于肺科醫師。Nijiati等[27]基于CT圖像的區分活動性肺結核與非活動性肺結核的研究,應用3D Nested Unet對肺野進行分割,采用容積3D ResNet訓練模型,并且通過3D梯度加權類激活圖(Grad CAM)技術為每個圖像生成加權激活圖,研究結果顯示,AI模型在區分活動性肺結核和非活動性肺結核方面達到了與放射科醫師同樣高的水平,但診斷速度比放射科醫師快10倍。CAM激活區在病變區更明顯,與放射科醫師關注的診斷區域一致。Yan等[25]建立的深度學習模型同樣是應用胸部CT,在測試集中區分活動性肺結核和非活動性肺結核的準確率為98.25%。

秦李祎等[28]研究回顧性納入肺結核治愈患者102例,連續收集患者治療前、中、后CT影像資料共770份,按照“趨勢評價”的原則定義了適合小樣本深度學習任務的活動性判定標準,在治療前、后的資料中篩選出活動性病灶332個,以及非活動性穩定病灶464個,按照8∶2的比例將病灶隨機分為訓練集和測試集,此外在同一醫院前瞻性納入肺結核治愈患者72例,收集縱向CT影像資料共540份作為獨立驗證集,通過遷移學習的方式進行深度學習模型的構建,采用了Mask R-CNN的架構以實現病灶的自動分割及活動性判定?；谶w移學習的Mask R-CNN深度學習模型在測試集中的AUC值為0.875,敏感度為85.7%,特異度為78.6%;在獨立驗證集中的AUC值為0.799,敏感度為78.7%,特異度為75.0%。該研究應用明確診斷的隊列數據,避免了以放射科醫師的判斷為診斷標準的風險偏倚,模型展現出強大的肺結核病灶的活動性和非活動性分類潛力。后期可增加多中心數據進一步調優,未來有望在輔助新發現的肺結核患者肺內病灶是否具有活動性的判定,以及活動性肺結核治療干預后治愈狀態的精準判斷中發揮作用。

五、AI用于肺結核的嚴重程度評估及治療監測

除了檢測肺結核外,AI還能評估疾病的嚴重程度。Yan等[25]開發了一種基于深度學習的全自動CT圖像分析系統,用于肺結核的檢測、診斷和負荷量化。該研究回顧性納入892例病原學確診肺結核患者的CT圖像,對1921個病灶進行了手動標記,根據6種病變類型(空洞、實變、小葉中心結節或樹芽征、簇狀結節、纖維索條、鈣化肉芽腫)進行分類,并對病灶受累范圍進行視覺評分。AI模型根據網絡激活圖計算“結核病評分”,定量評估疾病負擔;用外部獨立測試集驗證AI模型的性能。其中,重癥患者的量化結核病評分明顯高于非重癥患者,并且AI模型量化的結核病評分與放射科醫師估計的CT評分之間存在中至強度的相關性。

深度學習還能夠跟蹤治療后的變化,并估計其嚴重程度。Lee等[26]回顧性收集了2011—2017年間成功治療的肺結核多中心連續隊列的胸片及肺部正常的胸片以豐富陰性類別。治療前和治療后胸片分別標記為陽性和陰性。用這些胸片訓練CNN,輸出值為0～1之間的數字,表示胸片為活動性肺結核的概率,當涂片陽性程度增加時,開發的模型的輸出值平均增加0.30,并在治療過程中逐漸下降,基線、3個月和6個月時輸出值分別為0.85、0.51和0.26。這一結果表明,該模型能評估肺結核疾病負擔及治療效果。

一項研究使用CNN通過胸片來預測活動性肺結核患者實現痰菌培養陰轉所需的時間,CNN模型預測值與實際值明顯相關(Pearson相關系數為0.392,P=0.002)[29]。但這項研究樣本量較小,只包括180例患者的胸片,盡管結果不是十分令人滿意,但依然表明CNN模型識別了一些胸片特征,這些特征有助于預測實現痰菌培養陰轉所需的時間。

六、AI用于耐藥肺結核檢測

耐藥結核病已經成為一個世界性的公共衛生問題,它降低了個體患者獲得積極治療結果的可能性,并增加了疾病傳播的可能性[3]。因此,早期發現結核病耐藥性對于改善治療結果和控制疾病傳播至關重要。Jaeger等[30]通過圖像分析和機器學習方法在胸片中自動區分耐藥結核病和藥物敏感結核病,使用人工神經網絡結合一組形狀和紋理特征,其AUC值為66%,結果不理想可能是由于這項研究僅包含135例患者。該團隊另一項研究使用了包含5642張胸片的更大數據集,最終獲得了更理想的結果,InceptionV3的AUC值增加到0.85[31]。一項基于CT圖像的深度學習研究利用了來自ImageCLEF 2017競賽的小型數據集,其中包括230例藥物敏感和耐多藥結核病患者的CT圖像,實現了基于圖像塊(patches)的CNN和SVM的組合,在患者水平預測耐多藥結核病的準確率為91.11%,圖像塊水平預測的準確率為79.8%[32]。Li等[33]納入2個中心的257例肺結核患者,其中,耐多藥肺結核患者107例,藥物敏感肺結核患者150例,以肺內空洞為靶病灶建立影像組學特征模型,同時選擇臨床特征和主觀CT表現,通過多因素logistic回歸模型建立臨床模型,以及組學模型與臨床模型建立的聯合預測模型,測試結果顯示,放射組學模型的AUC值均明顯高于臨床模型(0.844vs.0.589;P<0.05)或測試隊列(0.829vs.0.500;P<0.05)。在訓練隊列中,放射組學模型的AUC值略低于聯合模型(0.844vs.0.881;P>0.05)和測試隊列(0.829vs.0.834;P>0.05),但差異均無統計學意義。該研究認為,影像組學模型有可能作為預測耐多藥肺結核的工具。潘犇等[34]納入耐藥肺結核和藥物敏感肺結核患者共234例(耐藥肺結核患者88例,藥物敏感肺結核患者146例),以肺內最大病灶為靶病灶進行勾畫,篩選出14個影像組學特征作為預測指標構建耐藥肺結核預測模型,而兩組患者僅既往肺結核治療史差異有統計學意義,影像組學模型結合臨床特征建立的聯合模型性能最佳,在訓練集和測試集的AUC值分別為0.878和0.888。

以上研究結果顯示,基于胸片的AI研究預測模型性能較差,基于CT圖像建立影像組學模型預測性能明顯提高,影像組學模型結合臨床及實驗室檢查建立的聯合模型能夠進一步提升耐藥肺結核的預測效能。

七、肺結核影像AI研究存在的問題及挑戰

肺結核影像AI模型在肺結核篩查及診斷中具有較高的敏感度和特異度,表明AI軟件在結核病的篩查及診療中有巨大的潛力,特別是深度學習算法的開發和公開可用的肺結核胸片數據集,大大促進了肺結核AI產品性能的提升和落地應用。但基于肺結核影像的研究在報告、設計和方法方面均存在廣泛差異。Zhan等[2]對AI方法在肺結核醫學成像中的診斷準確性進行系統評價和薈萃分析,從搜索到的3987篇研究中篩選出61項研究(23項臨床研究,38項發展研究)納入分析,文章對研究質量進行了評估,認為大多數發展研究被歸類為高風險,特別是在患者的選擇方法、使用的參考標準和指標試驗方面均存在缺陷。很大一部分文章使用放射專家的判斷而不是“確定性”診斷標準作為參考,這意味著系統可能高估了軟件的診斷準確性;此外,缺乏外部數據驗證也使得評估算法性能變得非常困難。

因此,迫切需要肺結核AI臨床試驗的標準化報告指南,以進一步確認它們在各種人群和環境中的穩定性和異質性。另外,研究大多為單中心數據,我國目前尚缺乏肺結核的標準化醫學影像數據庫,迫切需要構建符合我國法律、法規、國情,以及科研人員使用習慣的標準化醫學影像數據庫,才可以實現科學數據價值的最大化,促進醫學影像AI的發展。目前,AI在肺結核影像應用的研究多集中在肺結核的篩查及分類診斷中,缺乏大量應用AI方法對結核病進行治療監測、預后和疾病負擔估計的研究?？傊?推動AI技術在肺結核影像領域的發展和運用,能提高結核病的篩查、診斷及治療水平,有利于實現終結結核病流行的全球目標。

值得注意的是,本文中筆者僅從臨床角度對肺結核AI研究進行綜述,而醫學影像AI為交叉學科研究,機器學習算法的開發在醫學影像AI研究中同樣起著決定性作用,如從早期的預設特征的“專家系統”模型,依賴于專家給出的手動勾畫的特征,典型的算法包括支持向量機、隨機森林和決策樹;2006年出現的深度學習可以在最少的人為干預下自動學習這些圖像特征,從而實現更高效、更節約資源的圖像分析任務,但依然存在過擬合、缺乏可解釋性、訓練數據不足等問題[35]。針對醫學圖像的訓練數據不足,除了遷移學習的應用,基于生成對抗網絡(generative adversarial network,GAN)的合成數據訓練模型可以有效生成多樣化豐富的訓練數據,提高模型的泛化能力和分類精度[36]。隨著計算機的計算能力、數據量的增加和AI算法的不斷進步,很多醫學影像AI模型的性能超過臨床醫師,但依然存在很多需要攻克的難題,需要進一步進行跨學科知識的學習,真正實現更加有效的學科融合,以共同促進結核病AI的發展。

利益沖突所有作者均聲明不存在利益沖突

作者貢獻李多:醞釀和設計實驗、實施研究、起草文章;呂平欣:醞釀和設計實驗、實施研究、對文章的知識性內容作批評性審閱