深度学习赋能结核病筛查：基于TB-UNET的智能诊断系统在新疆喀什地区的开发与应用

《Scientific Reports》：Development and application of a deep learning-based tuberculosis diagnostic assistance system in remote areas of Northwest China

本刊编辑推荐：为解决新疆喀什地区结核病高发与放射科医生短缺、诊断能力不足的矛盾，研究团队开发了基于深度学习（TB-UNET模型）的结核病诊断辅助系统。该系统在临床测试中使放射科医生的诊断灵敏度提升11.8%（p<0.001），准确率提高2.8%（p=0.023），阅片时间从38.83秒缩短至15.93秒（p<0.001），显著提高了结核病筛查效率，为偏远地区传染病筛查提供了可复制的"AI+"模式。

　　

在中国西北部的新疆喀什地区，结核病（Tuberculosis, TB）的发病率显著高于全国平均水平，该地区承担着新疆超过三分之一的结核病病例。面对超过400万人口的筛查需求，当地医疗机构却面临着严峻挑战：放射科医生严重短缺（仅4.05%的卫生技术人员具有高级职称），基层医院信息化水平低，X射线影像的存储、共享和快速阅片仍依赖人工操作。这种传统筛查方式效率低下，误诊和漏诊率高，难以实现传染病的"早发现、早诊断、早治疗"要求。

为解决这一难题，研究团队开展了一项创新性研究，开发并部署了一套基于深度学习的结核病诊断辅助系统。这项发表在《Scientific Reports》的研究，通过人工智能技术优化医疗资源配置，显著提升了结核病筛查效率。

研究团队采用了多项关键技术方法：基于10,897例多中心胸部X射线图像（训练集10,002例，测试集895例）训练TB-UNET深度学习模型；采用前后端分离的系统架构（Vue+Spring Boot）开发诊断辅助系统；在喀什地区216家终端机构（含178家乡镇医院）部署星型拓扑专网；通过5折交叉验证和1000次自助法（bootstrapping）评估模型稳定性。

系统架构与功能模块

系统采用前后端分离开发模式，前端使用Vue框架，后端采用Spring Boot框架，通过HTTP协议进行数据交互。系统包含六大功能模块：检查列表管理模块负责展示检查信息和报告列表；图像查看与诊断模块提供专业阅片平台，集成深度学习算法实现病灶区域提示和影像报告自动生成；系统管理模块处理用户、角色、权限和部门管理；诊断辅助模块与TB-UNET模型交互，为放射科医生提供病灶勾画和结论生成；统计报告模块分析关键业务数据；图像接收与解析模块支持多种图像接收方式，确保数据完整性。

网络拓扑与安全设计

系统构建了覆盖喀什地区216家医疗机构的专用网络，采用星型拓扑结构确保医疗数据安全传输。通过部署网络防火墙、访问交换机和完善的虚拟局域网（VLAN）划分，建立了全面的安全防护体系，有效防御外部网络攻击，保障了医疗数据的稳定性和安全性。

诊断辅助模型性能

TB-UNET模型采用预训练的ResNet-50编码器增强对细微病灶的特征提取能力，使用加权交叉熵损失函数解决类别不平衡问题（TB病例占训练集的26.3%）。在内部验证（n=1000）中，模型灵敏度达78.3%，特异性为96.5%，F1分数0.82。对典型TB表现（如肺结节、浸润灶）的病灶检测准确率（IoU≥0.5）为81.2%，对非典型表现（如胸腔积液）为72.5%。

临床应用效果

在为期6个月（1-7月）的应用中，系统共处理186,523例结核病筛查胸部X射线图像，日均处理12,000例，峰值达28,000例。AI系统标记15,892例疑似结核病（标记率8.52%）。与无AI辅助相比，放射科医生诊断结核病的灵敏度从62.7%（95% CI 58.2-67.1%）提升至74.5%（95% CI 70.3-78.4%），准确率从87.2%（95% CI 85.1-89.1%）提高至90.0%（95% CI 88.2-91.6%），平均阅片时间从38.83秒（95% CI 36.21-41.45秒）减少至15.93秒（95% CI 14.32-17.54秒）。所有参与机构均实现当日报告审核，最大审核时间不超过48小时。

多中心性能一致性

系统在199个中心的性能表现稳定，灵敏度范围71.2-78.3%（均值74.5%±2.4%），特异性96.5-98.7%（均值97.9%±1.7%），准确率88.5-91.2%（均值90.0%±1.1%），变异系数（CV）均小于5%。按医院级别分层分析显示，三级医院、二级医院和初级医院之间的性能无显著差异（p>0.05），表明系统对不同设备质量和工作流程具有良好的适应性。

临床与公共卫生影响

AI系统实施后，月均病例检测量增加18.3%（从286例增至338例），从筛查到治疗开始的中位时间从14.2天缩短至8.7天。区域结核病病例通报率在12个月内提高12.6%（从68.3/10万增至76.9/10万），诊断延迟（从症状出现到确诊）减少32.4%（从21.3天降至14.4天）。系统集成到临床工作流程后，机构间数据传输时间减少76%（从4.2小时降至1.0小时），手动数据录入错误消除92%。

研究结论与意义

该研究证明基于深度学习的结核病筛查系统能有效整合偏远地区影像资源，解决基层医疗机构在放射科医生数量、诊断能力、信息化水平和疾病筛查工作流程方面的不足。系统显著提高了结核病筛查效率，降低了误诊和漏诊率。"AI+"模式对偏远地区其他传染病筛查具有参考价值和复制潜力。

研究的可持续性得到低维护成本（每个站点约500美元/年）、1天培训模块（92%的医护人员培训后达到熟练程度）和高接受度（87%的调查对象表示愿意继续使用）的支持。与世界卫生组织认可的工具（CAD4TB、qXR）相比，TB-UNET表现出相当的诊断性能，但在处理速度上具有优势（平均每张图像2.1秒），这在高通量筛查环境中可能增强可用性。

该研究通过使用复合参考标准（细菌学确认+多专家共识+临床随访）而非单独的放射科医生解读，最大限度地减少了信息偏倚。标签标注者与诊断放射科医生的分离进一步降低了循环验证的风险。尽管研究存在选择偏倚的局限性（主要数据集来自针对有症状或高危人群的结核病筛查活动），但通过将无症状和非结核病症状病例纳入数据集，部分解决了这一问题。

这项研究为全球健康，特别是资源有限环境中人工智能赋能诊断的文献提供了有力证据，展示了人工智能在服务不足地区结核病诊断中的高度相关性和变革潜力。