吴燕妮， 赵博厚， 陶思敏， 廖生武， 曲泽成， 武 钢

急性阑尾炎(acute appendicitis)是急腹症常见病之一，据欧美大型人群研究[1]显示，急性阑尾炎的发病率约为100/100 000人年。目前其诊断多依据临床表现，而其早期临床表现呈现多元化、不典型性的特点，需借用影像学技术或有创操作以明确诊断。根据以往研究[2-3]表明，5.9%～27.6%的急性阑尾炎患者因为早期无法明确诊断，从而导致阑尾穿孔率从20.3%～28.0%上升至33.3%～50.0%。由此可见，早期预测急性阑尾炎诊断对于急性阑尾炎疾病的进展和预后至关重要。而人工智能作为计算机辅助诊断的主要应用技术之一，近年来与急性阑尾炎诊断相关的研究日渐增多。一项关于成人急性阑尾炎计算机断层扫描(CT)诊断评估研究表明，基于急诊患者的CT影像学数据，通过卷积神经网络诊断急性阑尾炎的准确率高达90.0%[4]。本文将就人工智能与急性阑尾炎诊断之间的临床特征诊断、实验室诊断、影像学诊断及病理诊断等方面的研究进展做一综述。

1 人工智能的发展与现状

在信息爆炸的时代背景下，日渐丰富的电子化产品逐渐进入我们每个领域，这不仅体现在人们的日常生活中，在医疗保健方面尤为明显。电子化医疗服务的模式并不是新生模式，计算机辅助诊断实践在医学上已经使用40余年[5]。然而，如何确保将大数据转化为可操作的运算算法，对于计算机辅助医学诊断来说仍然是一个重大挑战[6]。

1937年，Alan Turing开创性地提出了“通用计算机”(universal computing machine)这一说法，随后McCarthy对“人工智能”(artificial intelligence， AI)这一提法展开了探讨，并认为人工智能是能使机器完成人类所给予指令的一类运算算法。自1998年以来，在医学领域人工智能方面发表的论文数量呈指数级增长[7]。现如今，人工智能更是以不同的呈现形式存在于临床医疗工作中，包括图像识别、信息同步、医学机器人以及互联网医院等。

人工智能是一个宽泛而抽象的概念，它包括一系列模拟人类大脑日常行为的计算运行系统及相关工具，如解决问题、推理逻辑、模式识别和知识获取等[8]。目前，人工智能主要包括机器学习(machine learning， ML)和深度学习(deep learning， DL)两大类，其中机器学习包括监督式学习、无监督式学习、强化学习方法。监督式学习是目前机器学习应用中最常用的方法。而深度学习是一个具有多个层次表示的运算算法，通过获得组成简单但非线性的模块，每个模块将一个层次(从原始输入开始)的表示转换为一个更高的、稍抽象的层次的表示。在一定程度上来说，其本质是特征提取，即通过组合低层次的特征，形成更加抽象的高层表示，以达到最佳特征的目的，它主要通过神经网络来模拟人的大脑学习过程，以期实现对现实对象或数据(图像、语音及文本等)的抽象表达，整合特征抽取和分类器到一个学习框架下[9-10]。

自20世纪60年代以来，人们发现可以利用线性分类器将空间进行简单的区域划分，但在图像和文本识别方面仍旧缺乏相对成熟的自然语言和逻辑关系算法。近年来，随着信息化的衍生发展与对真实世界数据挖掘的进步，越来越多的高级算法融入到医疗图像以及大数据识别中。在图像识别方面，有研究者通过卷积神经网络对胸部X线的图像数据进行疾病分类，如对于慢性阻塞性肺疾病、肺炎、哮喘、结核病和其他肺部疾病的识别，其识别准确率达到92.4%。Attia等[11]使用卷积神经网络算法识别心房颤动的心电图特征。Liang等[12]分析1 362 559名儿科患者的1.016亿临床数据点，并建立了诊断模型，海量的数据增加了模型的拟合度，并在此基础上提高了准确性，在诊断常见儿童疾病方面，其诊断能力可与经验丰富的儿科医生相媲美。此外，Lundberg等[13]研究了一个基于机器学习预测低氧血症风险系统模型的开发和测试，分析了低氧血症的相关危险因素，从而达到提高麻醉医生工作效率和能力的目的。同时，其研究结果表明，如果模型在实际预测中可达15%的准确率，那么麻醉医生对于患者在全麻期间发生低氧血症预测率能提升至30%。

目前，人工智能主要涵盖图像精准识别、大数据统计分析、智能机器人等相关技术，同时这些技术也逐步向医学领域演变并发展，对传统医学模式进行修正改革，或许在未来可以形成一个新兴的医学模式。

2 人工智能与急性阑尾炎诊断的应用进展

2.1急性阑尾炎的临床特征诊断

现阶段，急性阑尾炎的临床特征诊断包括典型的转移性右下腹痛、发热、恶心、呕吐、右下腹压痛以及反跳痛等，而诊断的准确率多取决于临床医生的经验。为此，基于上述临床特征的相关研究提出几种评分系统来规范急性阑尾炎临床诊断评估。

成人阑尾炎评分包括Alvarado评分、改良Alvarado评分、阑尾炎反应评分、RIPASA评分；而儿童阑尾炎评分包括改良Heidelberg阑尾炎评分、Alvarado评分、小儿阑尾炎评分和Tzanakis评分。层出不穷的评分系统里依旧需要面对人工重复评定的问题，并且由于主观差异性而导致诊断性评估亦存在不一致性。以儿童急性阑尾炎评估为例，早期有研究[14]通过人工智能算法对患者医疗电子记录进行数据整理、清洗与分析，从而形成临床决策系统，并以此系统对急性阑尾炎患者进行评估风险分层，从而协助临床诊断分析。随着计算机技术的不断进步，人们对于人工智能算法在医学领域的探索愈加深入，研究层面也从原来基础的自然语言判别转至系统评分叠加算法研究。Stiel等[15]利用人工智能算法就儿童常见的四种不同阑尾炎评分对疑似阑尾炎住院的儿童患者进行诊断评估，发现改良Heidelberg阑尾炎评分对诊断儿童急性阑尾炎有明显优势。人工智能不仅应用于评分系统，而且其借助Logistic回归开发的Alvarado评分结合超声的评分系统，也可用于临床排除阑尾炎，进一步降低阑尾阴性切除率[16]。

此外，也有研究对于急性阑尾炎评分系统的人工智能诊断模型提出验证。Tan等[17]针对提出的一种基于Alvarado评分辅助诊断急性阑尾炎的算法进行了验证分析，这项随机对照试验研究表明，所提出的管理算法并未降低急性阑尾炎对于CT的使用率，同时急性阑尾炎的误诊率、阑尾切除阴性率、住院时间、住院费用等结果在一定程度上也并无明显差异。由此可见，人工智能的计算机辅助诊断仍存在一系列不可回避的问题，这都制约着该技术在急性阑尾炎诊断相关领域的发展。

2.2急性阑尾炎的实验室诊断

在急性阑尾炎诊断方面，除了系统采集病史及体征外，还需要对于疑似急性阑尾炎患者进行一定的生物学检测。目前实验室诊断并未存在特异性明显的实验室项目，临床作为评判的指标主要包括白细胞计数、分类计数、C反应蛋白等，其次还包括育龄期女性妊娠试验、尿常规等与阑尾毗邻脏器相关疾病的鉴别诊断指标。现阶段人脑仍很难识别出实验室指标的相关性及隐匿性，而人工智能却能快速、准确地处理大型数据集，不仅可以大大减少人工清洗整理所耗费的时长，同时也可以依据其大样本的前提为急性阑尾炎诊断提供一些新的指标或新的预测方向。

有研究[18]发现，利用随机森林模型对急腹症患者尿蛋白分析后，能够区分急性阑尾炎和其他易混淆的急腹症，整个模型具有较高的特异性。Reismann等[19]利用人工智能分析出的特征性生物学标记物开发诊断模型，并将其与传统分析方法进行比较，人工智能模型的敏感性、特异性、准确性和ROC曲线下面积(AUCs)都超出了传统分析，具有较好代表性。此外，人工智能在穿孔性阑尾炎诊断评估中亦提供了一些新的预测方向。有研究[20]发现，穿孔性阑尾炎患者多存在高胆红素血症，同时其研究指出，以总胆红素>1.0 mg/dL为临界值诊断穿孔性阑尾炎。

由于人工智能算法种类较多，而一个适合的算法所获得的诊断模型将极大程度地使急性阑尾炎的经验医学具备可解释性。一项对于7244例儿童急性阑尾炎患者经过多种机器学习算法的测试发现，决策树模型更易解释其临床意义，应用该算法检测出的阑尾炎患者较其他算法更多[21]。

人工智能除了在诊断上可以应用推广外，在医疗干预方面同样为临床工作者提供了可视化预测的可能。有研究[22]发现，通过使用机器学习方法对儿童急性阑尾炎患者人口统计学及实验室数据进行分析并建立预测模型，结果表明，其预测准确率最高可达95.31%，而这类算法对于急诊科阑尾炎患者具有临床借鉴意义。

2.3急性阑尾炎的影像学诊断

关于急性阑尾炎影像学检查主要取决于是否能够提高阑尾炎诊断特异性或降低阑尾切除阴性率。对于青少年或孕妇患者，首选超声检查，若超声阴性可选择磁共振成像(MRI)检查以明确诊断；其余急性阑尾炎患者推荐CT检查。近年来，人工智能在医学影像学诊断方面已经成为炙手可热的技术之一，其算法系统能精准且高效地对医学影像学进行识别、解读，并提供人工智能诊断，极大地降低了人工阅片的工作负担及相关人员临床经验不足导致的漏诊、误诊率，进一步弥补了临床医务人员短缺的难题。

一项以随机森林机器学习判断区别化脓性阑尾炎和坏疽性阑尾炎的CT征象的回顾性研究[23]，人工智能阅片提示，肠壁和肠管外气体积聚、阑尾增强程度减低是坏疽性阑尾炎区别于化脓性阑尾炎的重要征象。Rajpurkar等[24]在急性阑尾炎CT影像学鉴别研究中开发了一个用于在腹部和骨盆的对比增强CT上自动检测急性阑尾炎的三维(3D)卷积神经网络，该研究发现，这一类算法在急性阑尾炎的诊断性评估中获得较高的鉴别性能。

人工智能在急性阑尾炎影像学特征提取上具有良好的代表性，同时对于急性阑尾炎患者影像学检查的选择，基于大数据趋势下亦存在一定决策推荐性。有研究[25]表明，通过随机森林、支持向量机和贝叶斯网络分类器模型对完成CT检查和未完成CT检查的患者进行训练，研究发现，支持向量机算法可以用于急性阑尾炎患者是否选择CT检查提供一定推荐性选项。

2.4急性阑尾炎的病理诊断

少数患者尽管临床高度怀疑阑尾炎，但影像学阴性或无法通过现有方法诊断的患者则可能需要通过术后病理来明确诊断，组织病理学表现是诊断急性阑尾炎的金标准，但在临床实践中由于存在其相对高昂的费用、有创性以及过度治疗所导致阑尾炎阴性切除率高等问题，故往往在临床工作中并非首选检查。人工智能可以通过回顾性对急性阑尾炎的病理类型进行整体性评估，在病例库的基础上进行预测模型建立，为术前诊断及拟定术前计划提供方向。

Kang等[26]通过单因素分析后选择存在统计学意义的外周血生物标志物建立逻辑回归算法病理类型诊断预测模型，并发现外周血中性粒细胞百分比、CD4+T细胞、T细胞计数、辅助T细胞计数、B淋巴细胞计数、CD4+/ CD8+比值等外周血生物标志物能够区分急性单纯性阑尾炎和急性化脓性阑尾炎；CD8+T细胞、C反应蛋白、降钙素原等外周血生物标志物能够区分急性化脓性阑尾炎和急性坏疽性或穿孔性阑尾炎。但由于文本数据与客观数据形成混杂型数据，且输出结果可能由二分类转化为多分类，一定程度上增加了数据集的维度，在人工智能算法分析上的难度较前明显提升，故此目前这类研究仍处于一个相对待发掘的状态。

3 总结与展望

人工智能在急性阑尾炎诊断的应用愈加广泛，至今研究认为，人工智能无论是在实验室诊断或是影像学诊断上存在绝对优势，其特征提取、图像分割方法可以有效提高计算机辅助诊断能力。但其在处理临床特征文本及病理诊断这类混杂型数据上仍存在研究探索的空间，并且对于医学诊断模型而言，样本获取困难、标注成本较高、数据隐私性处理等问题仍存在争议，或许这些问题在自然语言与非自然语言的转换上有可能成为解决方案的突破口之一。此外，人工智能辅助诊断急性阑尾炎的病理预测模型仍需面对较大的应用困难。综上所述，人工智能为医学领域的新兴技术，与传统的统计学方法逐渐形成“分庭抗礼”的状态。人工智能算法或许能够为急腹症患者进一步明确急性阑尾炎诊断带来一种新可能。