孟超肝病外脑2.0在人工智能临床诊疗领域的应用初探
DOI: 10.3969/j.issn.1001-5256.2023.12.022
Application of Mengchao Liver Disease-Brain System version 2.0 in artificial intelligence-assisted clinical diagnosis and treatment: A preliminary study
-
摘要:
目的 探讨孟超肝病外脑2.0版在临床诊疗中的初期应用。 方法 使用福建医科大学孟超肝胆医院东南肝胆健康大数据研究所大数据智能信息化系统自动抓取2021年6月9日—21日入院的内外科在院病例共160例,以慢性乙型肝炎辅助诊断、肝纤维化解读、慢性乙型肝炎分期模型、肝硬化辅助诊断、肝硬化辅助分期、原发性肝癌辅助诊断、原发性肝癌BCLC分期、原发性肝癌中国分期、Child-Pugh评分、APRI评分等智能辅助诊断工具为测试内容,评价孟超肝病外脑2.0人工智能结论的完整性、准确性。 结果 所有辅助诊断工具在测试时间内提取到规范的关键维度完整率为94.17%。抓取数据的准确性方面,人工智能报告结构化准确率为97.55%;文本处理准确率为91.61%。 结论 孟超肝病外脑2.0为医学专科大数据平台建设提供一种创新模式,在初期临床诊疗中作为一种辅助诊断工具,具有较高准确率。 -
关键词:
- 人工智能 /
- 孟超肝病外脑 /
- 决策支持系统, 临床
Abstract:Objective To investigate the application of Mengchao Liver Disease-Brain System version 2.0 in clinical diagnosis and treatment. Methods This study was conducted among 160 patients who were admitted to the internal medicine and surgical departments from June 9 to 21, 2021, and their data were automatically captured by the intelligent information system of Southeast Big Data Institute of Hepatobiliary Health, Mengchao Hepatobiliary Hospital of Fujian Medical University. The completeness and accuracy of Mengchao Liver Disease-Brain System version 2.0 were evaluated based on the intelligent diagnostic tools such as auxiliary diagnosis of chronic hepatitis B, interpretation of liver fibrosis, staging model of chronic hepatitis B, auxiliary diagnosis of liver cirrhosis, auxiliary staining of liver cirrhosis, auxiliary diagnosis of primary liver cancer, BCLC stage of primary liver cancer, Chinese staging of primary liver cancer, Child-Pugh score, and APRI score. Results All auxiliary diagnostic tools had a complete rate of 94.17% in terms of the extraction of correct key dimensions within the test period. The artificial intelligence report had a structured accuracy of 97.55% in capturing data and an accuracy rate of 91.61% in text processing. Conclusion Mengchao Liver Disease-Brain System version 2.0 provides an innovative mode for the construction of big data platform in medical specialties and has a high accuracy as an auxiliary diagnostic tool in clinical diagnosis and treatment. -
表 1 慢性乙型肝炎辅助诊断
Table 1. Auxiliary diagnosis of chronic hepatitis B
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 HBsAg 160 157 1 2 98.13 2 HBeAg 160 158 1 1 98.75 3 HBV DNA 160 158 1 1 98.75 4 ALT 160 160 0 0 100.00 5 HBsAg和/或HBV DNA阳性6个月以上 160 147 0 13 91.88 注:用例维度总数160个,一共得出32个结论,其中18个正确,14个错误,准确率为56.00%。 表 2 肝纤维化解读
Table 2. Interpretation of hepatic fibrosis
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 适用人群 15 14 1 0 93.33 2 肝硬度值 15 15 0 0 100.00 3 ALT 15 15 0 0 100.00 4 TBil 15 15 0 0 100.00 5 ALT正常值上限 15 15 0 0 100.00 注:用例维度总数15个,一共得出3个结论,其中2个正确,1个错误,准确率为66.66%。 表 3 慢性乙型肝炎分期模型
Table 3. Staging model of chronic hepatitis B
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 凝血酶原活动度 42 41 1 0 97.62 2 国际标准化比值 42 41 1 0 97.62 3 TBil 42 41 1 0 97.62 4 Alb 42 41 1 0 97.62 5 ALT 42 41 1 0 97.62 6 AST 42 41 1 0 97.62 7 胆碱酯酶 42 41 1 0 97.62 注:用例维度总数42个,一共得出6个结论,其中5个正确,1个错误,准确率为83.33%。 表 4 肝硬化辅助诊断
Table 4. Auxiliary diagnosis of hepatocirrhosis
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 肝组织学有无肝硬化 256 256 0 0 100.00 2 食管与胃底静脉曲张 256 254 0 2 99.21 3 MRI、CT、超声提示肝硬化 256 255 0 1 99.60 4 肝硬度值提示肝硬化 256 256 0 0 100.00 5 血小板计数 256 256 0 0 100.00 6 Alb 256 256 0 0 100.00 7 国际标准化比值 256 256 0 0 100.00 8 APRI评分 256 256 0 0 100.00 注:用例维度总数256个,一共得出32个结论,其中29个正确,3个错误,准确率为90.62%。 表 5 肝硬化辅助分期
Table 5. Auxiliary staging of hepatocirrhosis
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 显著门静脉高压 119 117 1 1 98.32 2 消化道静脉曲张 119 117 1 1 98.32 3 腹水 119 118 0 1 99.16 4 消化道静脉曲张出血 119 118 1 0 99.16 5 肝性脑病 119 119 0 0 100.00 6 脓毒症 119 119 0 0 100.00 7 其他多器官功能损伤 119 119 0 0 100.00 注:用例维度总数119个,一共得出17个结论,其中13个正确,4个错误,准确率为75.47%。 表 6 原发性肝癌辅助诊断
Table 6. Auxiliary diagnosis of primary hepatic carcinoma
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 甲胎蛋白 384 383 1 0 99.74 2 CT扫描 扫描方式 384 382 1 1 99.47 性质/特征 384 381 1 2 99.21 结节大小 384 381 1 2 99.21 3 超声 方式 384 382 1 1 99.47 性质/特征 384 377 1 6 98.17 结节大小 384 377 1 6 98.17 4 MRI 方式 384 384 0 0 100.00 性质/特征 384 380 0 4 98.95 结节大小 384 379 0 5 98.69 5 普美显 性质 384 384 0 0 100.00 结节大小 384 384 0 0 100.00 注:用例维度总数384个,一共得出32个结论,其中20个正确,12个错误,准确率为62.50%。 表 7 原发性肝癌BCLC分期
Table 7. BCLC staging of primary hepatic carcinoma
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 肿瘤数目 49 48 0 1 97.96 2 肿瘤大小 49 47 0 2 95.92 3 Child-Pugh评分 49 49 0 0 100.00 4 腹水 49 49 0 0 100.00 5 PS评分 49 49 0 0 100.00 6 门静脉侵犯 49 46 0 3 93.88 7 肝外转移 49 47 1 1 95.92 注:用例维度总数49个,一共得出7个结论,其中4个正确,3个错误,准确率为57.14%。 表 8 原发性肝癌中国分期
Table 8. Chinese staging of primary hepatic carcinoma
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 PS评分 42 42 0 0 100.00 2 Child-Pugh评分 42 42 0 0 100.00 3 肝外转移 42 41 0 1 97.62 4 血管侵犯 42 42 0 0 100.00 5 肿瘤数目 42 40 0 2 95.24 6 肿瘤最大径 42 40 1 1 95.24 注:用例维度总数42个,一共得出7个结论,其中4个正确,3个错误,准确率为57.14%。 表 9 Child-Pugh 评分
Table 9. Child-Pugh score
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 TBil 160 158 1 1 98.75 2 Alb 160 159 1 0 99.38 3 凝血酶原时间延长 160 159 1 0 99.38 4 腹水 160 156 2 2 97.50 5 肝性脑病 160 158 2 0 98.75 注:用例维度总数160个,一共得出32个结论,其中28个正确,4个错误,准确率为87.50%。 表 10 APRI评分
Table 10. APRI score
序号 关键指标 用例维度总数 正确维度数 错误维度数 准确率(%) 检查时间 检验值 1 AST正常值上限 96 96 0 0 100.00 2 血小板计数 96 96 0 0 100.00 3 AST 96 95 1 0 98.95 注:用例维度总数96个,一共得出32个结论,其中31个正确,1个错误,准确率为96.87%。 表 11 各辅助诊断工具自动抓取的完整性
Table 11. Integrity of automatic data capture for all auxiliary diagnosis tools
工具名称 工具数量 关键维度数 正确维度数 错误维度数 检查时间 检验值 原发性肝癌辅助诊断 32 384 360 9 15 Child-Pugh评分 32 160 156 2 2 APRI评分 32 96 95 1 0 原发性肝癌中国分期 7 42 38 1 3 原发性肝癌BCLC分期 7 49 42 0 7 肝硬化辅助诊断 32 256 253 0 3 肝硬化辅助分期 17 119 115 3 1 慢性乙型肝炎辅助诊断 32 160 140 3 17 慢性乙型肝炎分期模型 6 42 33 7 2 肝纤维化解读 3 15 14 0 1 合计 200 1 323 1 246 26 51 表 12 各辅助诊断工具自动抓取的准确性
Table 12. Accuracy of automatic data capture for all auxiliary diagnosis tools
工具名称 测试数 维度数 维度类型 结构化 文本处理 维度总数 结构化 文本 处理 工具导入 总数 正确 错误 总数 正确 错误 原发性肝癌辅助诊断 32 12 1 11 0 32 32 0 352 325 27 384 Child-Pugh评分 32 5 3 2 0 96 92 4 64 58 6 160 APRI评分 32 3 3 0 0 96 95 1 0 0 0 96 原发性肝癌中国分期 7 6 0 5 1 0 0 0 35 30 5 35 原发性肝癌BCLC分期 7 7 0 6 1 0 0 0 42 34 8 42 肝硬化辅助诊断 32 8 3 4 1 96 93 3 128 128 0 224 肝硬化辅助分期 17 7 0 7 0 0 0 0 119 113 6 119 慢性乙型肝炎辅助诊断 32 5 4 1 0 128 124 4 32 19 13 160 慢性乙型肝炎分期模型 6 7 5 2 0 30 30 0 12 12 0 42 肝纤维化解读 3 5 4 1 0 12 12 0 3 2 1 15 合计 200 65 23 39 3 490 478 12 787 721 66 1 2771) 注:1)工具导入数据46次未列入表中(测试过程中原发性肝癌中国分期使用7次Child-Pugh评分数据,原发性肝癌BCLC分期使用7次Child-Pugh评分数据,肝硬化辅助诊断使用32次APRI数据)。 -
[1] China Academy of Information and Communications Technology. Blue paper of AI medical industry development by 2020[EB/OL].( 2020-09-17)[ 2023-04-20]. http://www.caict.ac.cn/kxyj/qwfb/ztbg/202009/t20200908_323708.htm. http://www.caict.ac.cn/kxyj/qwfb/ztbg/202009/t20200908_323708.htm中国信息通信研究院. 2020人工智能医疗产业发展蓝皮书[EB/OL].( 2020-09-17)[ 2023-04-20]. http://www.caict.ac.cn/kxyj/qwfb/ztbg/202009/t20200908_323708.htm. http://www.caict.ac.cn/kxyj/qwfb/ztbg/202009/t20200908_323708.htm [2] General Office of the State Council. About Suggestions to Promote the Development“Internet and Medical Health”[EB/OL].( 2018-04-28)[ 2023-04-20]. https://www.gov.cn/zhengce/content/2018-04/28/content_5286645.htm. https://www.gov.cn/zhengce/content/2018-04/28/content_5286645.htm国务院办公厅. 关于促进“互联网和医疗健康”发展的意见[EB/OL].( 2018-04-28)[ 2023-04-20]. https://www.gov.cn/zhengce/content/2018-04/28/content_5286645.htm. https://www.gov.cn/zhengce/content/2018-04/28/content_5286645.htm [3] White paper medical imaging AI in China[EB/OL].( 2019-01-09)[ 2023-04-20]. https://ai.sjtu.edu.cn/info/news/90. https://ai.sjtu.edu.cn/info/news/90中国人工智能医疗白皮书[EB/OL].( 2019-01-09)[ 2023-04-20]. https://ai.sjtu.edu.cn/info/news/90. https://ai.sjtu.edu.cn/info/news/90 [4] LIU HZ, LIN HT, LIN ZW, et al. Application value of machine learning algorithms for preoperative prediction of microvascular invasion in hepatocellular carcinoma[J]. Chin J Dig Surg, 2020, 19( 2): 156- 165. DOI: 10.3760/cma.j.issn.1673-9752.2020.02.008.刘红枝, 林海涛, 林昭旺, 等. 机器学习算法在肝细胞癌微血管侵犯术前预测中的应用价值[J]. 中华消化外科杂志, 2020, 19( 2): 156- 165. DOI: 10.3760/cma.j.issn.1673-9752.2020.02.008. [5] LIN X, GUO JJ, WANG Q, et al. Construction status of domestic and foreign medical terminology sharing service platforms and discussion on the construction of platform[J]. China Digit Med, 2019, 14( 11): 103- 106. DOI: 10.3969/j.issn.1673-7571.2019.11.032.林鑫, 郭进京, 王茜, 等. 国内外医学术语共享服务平台建设现状及平台构建探讨[J]. 中国数字医学, 2019, 14( 11): 103- 106. DOI: 10.3969/j.issn.1673-7571.2019.11.032. [7] WANG L, GUO PF, YANG Y, et al. Preliminary exploration of primary liver cancer big data[J]. Chin J Hepatobiliary Surg, 2019, 25( 9): 695- 698. DOI: 10.3760/cma.j.issn.1007-8118.2019.09.014.王垒, 郭鹏飞, 杨远, 等. 原发性肝癌大数据建设初步探索[J]. 中华肝胆外科杂志, 2019, 25( 9): 695- 698. DOI: 10.3760/cma.j.issn.1007-8118.2019.09.014. [8] WANG L, ZENG JX, CHEN ZW, et al. Study of China automatic staging model of hepatocellular carcinoma based on big data platform[J/OL]. Chin J Hepatic Surg Electron Ed, 2020, 9( 2): 148- 152. DOI: 10.3877/cma.j.issn.2095-3232.2020.02.012.王垒, 曾建兴, 陈振伟, 等. 基于大数据平台的肝细胞癌自动化中国分期模型研究[J/OL]. 中华肝脏外科手术学电子杂志, 2020, 9( 2): 148- 152. DOI: 10.3877/cma.j.issn.2095-3232.2020.02.012. [9] MIDDLETON B, SITTIG DF, WRIGHT A. Clinical decision support: A 25 year retrospective and a 25 year vision[J]. Yearb Med Inform, 2016,( Suppl 1): S103- S116. DOI: 10.15265/IYS-2016-s034. [10] MILLS S. Electronic health records and use of clinical decision support[J]. Crit Care Nurs Clin North Am, 2019, 31( 2): 125- 131. DOI: 10.1016/j.cnc.2019.02.006. [11] SCHWARTZ JM, MOY AJ, ROSSETTI SC, et al. Clinician involvement in research on machine learning-based predictive clinical decision support for the hospital setting: A scoping review[J]. J Am Med Inform Assoc, 2021, 28( 3): 653- 663. DOI: 10.1093/jamia/ocaa296. [12] ANTONIADI AM, DU YH, GUENDOUZ Y, et al. Current challenges and future opportunities for XAI in machine learning-based clinical decision support systems: A systematic review[J]. Appl Sci, 2021, 11( 11): 5088. DOI: 10.3390/app11115088. [13] LIU HZ, LIN KY, ZENG JX, et al. Preliminary application of the integrated risk prediction platform in clinical diagnosis and treatment of hepatocellular carcinoma[J]. China Digit Med, 2022, 17( 2): 61- 65. DOI: 10.3969/j.issn.1673-7571.2022.2.014.刘红枝, 林孔英, 曾建兴, 等. 一体化风险预测平台在肝癌临床诊疗中的初步应用[J]. 中国数字医学, 2022, 17( 2): 61- 65. DOI: 10.3969/j.issn.1673-7571.2022.2.014. [14] LIU JF, LIU HZ, CHEN ZW, et al. Construction system and preliminary application of big data platform for liver disease and liver cancer[J]. Chin J Dig Surg, 2021, 20( 1): 46- 51. DOI: 10.3760/cma.j.cn115610-20201126-00742.刘景丰, 刘红枝, 陈振伟, 等. 肝病和肝癌大数据平台建设体系及其初步应用[J]. 中华消化外科杂志, 2021, 20( 1): 46- 51. DOI: 10.3760/cma.j.cn115610-20201126-00742. [15] LIU HZ, LIU JF. Application of big data and artificial intelligence in screening and diagnosis of primary liver cancer[J/OL]. Chin J Hepatic Surg Electron Ed, 2023, 12( 1): 1- 5. DOI: 10.3877/cma.j.issn.2095-3232.2023.01.001.刘红枝, 刘景丰. 大数据和人工智能在原发性肝癌筛查与诊断中的应用[J/OL]. 中华肝脏外科手术学电子杂志, 2023, 12( 1): 1- 5. DOI: 10.3877/cma.j.issn.2095-3232.2023.01.001. [16] CHOI GH, YUN J, CHOI J, et al. Development of machine learning-based clinical decision support system for hepatocellular carcinoma[J]. Sci Rep, 2020, 10( 1): 14855. DOI: 10.1038/s41598-020-71796-z. [17] LIU HZ, LIU JF. Application status and prospect of artificial intelligence in surgical treatment of primary liver cancer[J]. J Clin Hepatol, 2022, 38( 1): 10- 14. DOI: 10.3969/j.issn.1001-5256.2022.01.001.刘红枝, 刘景丰. 人工智能在原发性肝癌外科治疗中的应用现状与展望[J]. 临床肝胆病杂志, 2022, 38( 1): 10- 14. DOI: 10.3969/j.issn.1001-5256.2022.01.001. [18] FANG GX, GUO PF, FAN JH, et al. Clinical decision support system based on explainable artificial intelligence-brain of Mengchao liver disease[J]. Chin J Dig Surg, 2023, 22( 1): 70- 80. DOI: 10.3760/cma.j.cn115610-20221102-00679.方国旭, 郭鹏飞, 范鉴慧, 等. 基于可解释人工智能的临床决策支持系统: 孟超肝病外脑[J]. 中华消化外科杂志, 2023, 22( 1): 70- 80. DOI: 10.3760/cma.j.cn115610-20221102-00679. -
孟超肝病外脑2.0 在人工智能临床诊疗领域的应用初探.pdf