论文部分内容阅读
脑膜炎（meningitis）主要表现为头痛、发热、颈项强直、呕吐和癫痫发作等症状，是临床常见病及多发病，具有较高的致残率和致死率[1,2]。早期明确诊断和及时治疗是降低脑膜炎病死率，减少患者神经系统后遗症最重要的手段[3]。临床常见的脑膜炎有结核性脑膜炎（Tuberculous meningitis，TBM）、细菌性脑膜炎（Bacterial meningitis，BM）、隐球菌性脑膜炎（Cryptococcal meningitis，CM）、病毒性脑膜炎（Viral meningitis，VM）、自身免疫性脑炎和寄生虫脑膜炎等[4]。以上各类脑膜炎患者的早期临床表现不典型，实验室检查缺乏特异性，脑脊液病原学检测阳性率低[5,6]。因此，临床医生难以早期明确脑膜炎病因，容易造成误诊、漏诊、延误治疗，影响患者的预后。近年来，随着人工智能技术在医疗领域的快速发展，“人工智能+医疗”模式被越来越多的应用于临床诊断及治疗中，为解决脑膜炎诊断问题提供了新的方向。但国内外尚未出现应用于脑膜炎的人工智能系统。 目的 通过构建脑膜炎专家系统和机器学习算法，建立脑膜炎智能辅助诊断系统，并对系统做初步验证。此外，还通过该系统收集大量脑膜炎患者的临床资料，为深度学习及大数据分析提供临床依据。 方法 收集临床确诊的脑膜炎患者资料。其中449例临床资料用于专家系统的优化调试、机器学习以及系统的初步临床验证，38例前瞻性病例资料用于系统算法的进一步临床验证，从上述资料中抽取 10 例用于脑膜炎病因分型人机比赛，验证系统的临床诊断效能。 按照脑膜炎临床诊断流程，设计脑膜炎智能辅助诊断系统界面。结合脑膜炎相关文献、教科书籍、专家知识、国内外脑膜炎诊断指南等构建脑膜炎知识库，设计诊断规则，从而初步建立脑膜炎专家系统。与此同时，将病例资料用于机器学习，筛选识别脑膜炎最优的机器学习方法。将机器学习算法和专家系统相结合，构建完善的脑膜炎智能辅助诊断系统，并布署于网络平台。 最后，分析比较机器学习、专家系统和临床医生诊断的符合率。举办脑膜炎病因分型人机比赛，对系统的诊断效力进行临床验证。 结果 1. 临床医生初诊情况 在回顾性纳入的449例脑膜炎患者中，临床医生初诊结果如下：127例TBM患者中，除外入院前确诊的1例，余126例初步诊断正确15例，正确率为11.9%；140例BM中，除外入院前确诊的8例，余132例初步诊断正确72例，正确率为54.5%；61例CM中，除外入院前确诊的18例，余43例初步诊断正确4例，正确率为9.3%；121 例 VM 中，初步诊断正确 60 例，正确率为 49.6%。临床医生初诊总正确率为35.8%。 2. 脑膜炎智能辅助诊断系统 建立了脑膜炎智能辅助诊断系统，本系统包含两套诊断模型：一个是基于知识的医学专家系统，一个是基于机器学习算法的智能系统。其中专家系统，基本涵盖了临床常见的所有脑膜炎，包括VM、TBM、BM、CM、自身免疫性脑膜炎、脑寄生虫感染性疾病、癌性脑膜炎，并设定特殊标签诊断特定的脑膜炎。而机器学习算法因为学习数据有限，目前只能识别TBM、BM、CM和VM这四种脑膜炎。目前该系统已布署于网络，可通过手机下载APP使用。 3. 专家系统诊断符合率 在449例脑膜炎患者中，诊断相符合288例，不符合161例，总符合率为64.1%。其中TBM符合率为40.9%，BM符合率为77.1%，CM符合率为42.6%，VM符合率为84.3%。 4. 机器学习结果 最终我们选择了随机森林算法来识别脑膜炎，根据随机森林算法得出识别脑膜炎的 15 维参数按重要性排序分别是：血沉、发病时长、脑脊液白细胞总数、脑脊液淋巴细胞比例、年龄、脑脊液中性粒细胞比例、IgA、脑脊液糖/血糖、IgM、IgG、脑脊液糖、腰穿压力、脑脊液蛋白、血糖、脑脊液单核细胞比例。通过十次十折交叉验证结果，得到随机森林 15 维的总识别率为 81%，标准差为 5.5%。对于 TBM的识别率为75%，CM的识别率为68%，VM的识别率为90%，BM的识别率为85%。 5. 系统的临床验证 通过比较专家系统、随机森林算法与临床医生初步诊断的符合率，我们可以得到在诊断脑膜炎疾病方面，随机森林算法最优，而临床医生初诊正确率最低。对结果进行前瞻性验证时，专家系统和机器学习算法的符合率均为78.9%，差异无统计学意义。其中两者对于CM诊断符合率较低。 人机比赛结果显示：与38名参赛医生相比，系统以准确率为70%排名第一（医生的最高准确率为60%）。除此之外，系统的速度也快于人类医生，其平均每题用时60秒，而参赛医生平均每题用时150秒。因此，初步证明了系统在诊断准确性及速度方面都优于临床医生。 结论 脑膜炎智能辅助诊断系统的设计以临床相关指南、规范、共识为依据，内含两套诊断模型——专家系统和机器学习，能够实际应用于临床，解决脑膜炎诊断困难的问题。本系统在手机端上线以后，将为临床青年医生及基层医生提供临床决策支持，辅助临床医生更科学、合理的做出脑膜炎的临床决策。此外，系统还有利于医生规范问诊流程，学习新的诊疗方案；也有利于收集大量的脑膜炎病历资料，为深度学习及大数据分析提供依据。同时，本研究也开创了人工智能+脑膜炎的先河，为医疗决策的发展提供了新的思路。