![信息学](http://www.alohadebbie.com/sites/default/files/field/image/60325190_l.jpg)
医疗实践和技术的进步在很大程度上是由研究推动的,近年来,也许没有任何学科比信息学更有影响力——信息学是一门关于创建、存储、查找、共享和操作信息的研究和实践。更有效地存储和共享医疗数据对于向基于价值的医疗保健转型至关重要,而放射学在这些努力中发挥着核心作用。2016年发表的几项主要研究考察了信息技术在医学成像中的作用,其中许多研究在第102届国际医学影像学会年会上得到了强调北美放射学会(RSNA)11月27-Dec。2016年2月,在芝加哥。
会议由William Hsu博士,加州大学洛杉矶分校(UCLA)放射科学系驻院助理教授,和Charles E. Kahn, Jr.,医学博士,理学硕士,宾夕法尼亚大学佩雷尔曼医学院放射学教授和副主席主持。
该研究强调了信息学在放射学中可以发挥的四个主要作用:
•互操作性和沟通
•自然语言处理
•放射组学和放射基因组学
•机器学习
互操作性和沟通
当然,改进的信息存储和共享可以极大地改善医疗团队之间和患者之间的沟通。对于医疗提供者来说,这将导致更好的合作和协调,这对患者来说就意味着更好的治疗。
改善协调的一种方式是通过更好的护理标准化。2016年12月发表的一项研究血管与介入放射学杂志观察医生对五种介入放射学(IR)程序新创建的标准化报告模板的反应。模板被分发到20家IR诊所,研究人员在一年后评估模板的采用(通过随机抽样)和医生满意度(通过调查)。10所院校采用了新模板,报告使用率平均达到57%。每个实践都根据自己的偏好修改模板,编辑长度、冗长和/或所需填写字段的数量。研究人员发现,填写字段数量的减少与模板采用之间存在显著的正相关关系。1
提高放射学结果的可读性和共享的便利性,为放射科医生提供了极大的机会,以提高他们对医疗保健团队其他成员的价值——这一想法得到了最近研究的支持。该杂志去年5月在网上发表了一项研究放射学询问了30名初级保健提供者(pcp),询问他们如何跟进放射科报告中附带的影像学发现。一些医生分享说,虽然他们觉得必须进行随访,但如果放射报告中没有明确的建议,他们会觉得这个过程令人沮丧。2
虽然这类结果在本质上主要是定性的,但信息技术及其带来的改进的协调可以产生可量化的积极影响病人护理.2016年8月的一项研究美国医学信息学协会杂志发现通过健康信息交换(HIE)结果,在大型学术医疗中心的急诊科治疗的时间更快——每减少一个小时,就诊时间缩短52.9分钟,成像的可能性降低(最高可降低2.5%,取决于方式),住院的可能性降低2.4%,平均费用降低1187美元。3.
得益于患者门户、电子医疗记录和其他类似技术,患者从与放射科医生的更多接触中看到了类似的好处。这类系统仍在开发中,提供商的采用也仍在进行中,但研究表明,患者确实发现了它们的价值。一项横断面研究发表在2016年6月的放射学学术2014年,我们观察了一家大型医疗系统中有在线门户访问的129000多名患者。主要的兴趣点是有多少患者看过他们的放射报告,实验室结果和任何临床记录。在61131名至少有一份放射学报告的患者中,有31308人(51.2%)查看了这些报告。毫不奇怪,同时查看实验室结果或临床记录的患者明显更有可能查看他们的放射报告。4
研究人员还收集了社会人口统计数据,以评估可能影响报告观看的因素。女性、25-39岁的患者和说英语的人最可能在网上访问他们的结果(所有三个组的使用率都超过50%)。传统上服务不足的人群,包括医疗保险患者和非裔美国人,是最不可能访问在线报告的人群之一。4
深度学习
在信息学的前沿是深度学习,这个术语在整个RSNA 2016的许多会议和供应商展台上都能听到。深度学习(以及人工智能和机器学习等相关概念)包括教计算机识别模式,建立一个参考库,最终使计算机能够自己识别和预测模式。应用于放射学的深度学习研究专注于构建算法来回顾成像病例,以便计算机最终能够自己识别各种疾病状态和诊断。
这种计算机辅助诊断在最近的几项研究中得到了验证。加州大学欧文分校的一个团队进行了一项回顾性研究,测试了一种自动系统,用于在计算机断层扫描(CT)中检测和解剖定位创伤性胸椎和腰椎椎体骨折。该研究包括104例患者的检查,其中94例为骨折阳性,其余10例为对照组,共确定了141例骨折。放射科医生对这些位置进行标记和分类,然后将图像分成训练和测试子集。系统在训练集中检测到34个发现中的28个,在测试集中检测到107个发现中的87个。每个患者的假阳性率分别为2.5和2.7。5
教计算机达到这种诊断确定性的水平是一个不小的成就:必须审查大量的成像病例,以建立一个合适的参考库,机器可以从中得出准确的结论。然而,什么构成了一个显著的数字还有待确定,它可能因算法的不同而不同。2015年,马萨诸塞州总医院(MGH)和哈佛医学院(Harvard Medical School)开始了一项研究,旨在确定需要多少数据来训练这样一个系统,以达到必要的高精度。研究团队最初让卷积神经网络(CNN),一种机器学习系统,将轴向CT图像分为6个解剖类。使用了六种不同大小的训练数据集(包括5、10、20、50、100和200张图像)。然后,该系统将在来自MGH图像归档和通信系统(PACS)的6000张CT图像上进行测试,以衡量准确性。6
自然语言处理
机器学习中正在探索的一个特殊方面是自然语言处理(NLP),即教会计算机分析文本并建立词汇数据库。在成像应用中,系统可以将词汇分析与图像参考库结合起来,为诊断医疗状况提供决策支持。
Hsu强调了去年发表的两项研究,将NLP算法应用于不同的医学成像案例。第一项研究调查了从乳房x光检查报告中提取的数据如何用于决策支持。研究团队建立了一个决策支持系统(DSS),它可以挑选出2022世界杯篮球预选赛赛程乳房成像报告和数据系统(BI-RADS)关于病变恶性程度的描述。目的是让DSS根据恶性肿瘤的概率和最终BI-RADS评估类别,从放射学文本报告中准确预测乳腺癌诊断。使用300份乳腺x光检查报告的参考标准,DSS能够达到97.58%的准确性,预测正确的BI-RADS最终类别。7
在西北大学范伯格医学院的一项研究中,类似的努力也被应用于超声心动图报告。该分析的范围略大,使用定制的、超声心动图专用的NLP工具EchoInfer从报告中提取与心血管结构和功能相关的多个数据元素。该系统分析了来自1684名患者的15,116份报告,每份报告提取了59个定量数据元素和21个定性数据元素。研究人员从50份报告中抽样发现,该系统在所有80个数据元素中实现了94.06%的精度和92.21%的召回率;在400份扩大样本量的报告中,精确度为97%,召回率为92- 99.9%。任何错误都归咎于报告的非标准化性质。8
Radiomics和Radiogenomics
教授计算机算法协助从医学图像中进行检测和诊断的部分工作要求算法理解不同类型图像的表型或物理外观。一种方法是使用放射组学,使用数据描述算法从医学图像中提取定量特征。
然而,与任何其他类型的分析一样,结果必须是可重复的,以便有信心地使用。在去年3月发表的一项研究中,哥伦比亚大学医学中心的一个团队探索了不同的CT成像参数和序列如何影响放射学数据的可重复性。
使用肺癌患者的CT扫描,每一张扫描都使用不同的参数进行重建,包括:
•六种不同的成像设置;
•不同的切片厚度(1.25,2.5和5毫米);而且
•锐利和平滑重建算法。
将重建图像与使用相同的6个成像设置重建的同一天重复扫描进行比较。数据表明,辐射组学特征在各种成像设置中很大程度上是可重复的;然而,研究人员警告说,平滑和清晰的重建算法不应该互换使用。9
研究小组进行了单独的分析,以了解不同的成像参数如何揭示不同的放射学特征。为了达到这个目的,他们检查了在相同的切片厚度下用不同的算法重建的重复扫描(总共有三种设置)。89个定量特征被分为15个特征类。结果显示,肿瘤大小、直方图密度和形状等基本特征在所有设置中都是可重复的,而纹理特征则更不一致。9
参考文献
1.McWilliams, J.P,等人,《IR中的标准化报告:一个展望》
多机构试点研究,《血管与血管杂志》
介入放射学,2016年12月。
2.Zafar, h.m., Bugos, e.k., Langlotz, C.P, Frasso, R.“追鬼:
影响初级保健医生随访的因素
《放射学》5月17日发表在网上,
2016.
3.艾佛森,J., Kocher, K.E., Adler-Milstein, J. "健康信息前
与改善急诊科护理相关的变化
通过从外部更快地获取患者信息
美国医学信息学杂志
2016年8月12日。
4.Miles, r.c., Hippe, d.s., Elmore, j.g.等
放射学报告:频率和社会人口学
与使用相关的特征,“学术放射学,
2016年6月在线发布。
5.Burns, J.E, Yao, J, Munoz, H, Summers, R.M.“自动检测,
创伤性椎体骨折的定位和分类
胸椎和腰椎CT检查,”放射学,2016年1月。http://
pubs.rsna.org/doi/abs/10.1148/radiol.2015142346
6.Cho, J., Lee, K, Shin, E,等人
实现医学图像深度学习系统的必要高度
准确性?, arXiv:1511.06348v2, 2016年1月7日。
7.Bozkurt, S., Gimenez, F., Burnside, E.S.等
从乳房x光检查报告中提取信息以作决定
生物医学信息学杂志,2016年8月。E-published
2016年7月4日。
8.纳特,C.,阿尔巴格达迪,m.s.,琼纳拉加达,s.r.,《自然语言》
大规模数据提取的处理工具
超声心动图报告,PLoS One, 2016年4月28日。
9.赵斌,谭勇,蔡伟勇,等。“放射组学的重现性
用成像技术解读肿瘤表型,《科学报告》
2016年3月24日。