混合人工智能工具分配的标准化DICOM标签评估及其对放射科医师阅片时间的影响

《European Radiology》：Evaluation of standardized DICOM labels assigned by a hybrid AI tool and its impact on radiologists’ reading times

　　

目的：医学人工智能（AI）工具越来越多地被用于管理放射学中日益增长的影像工作量。尽管与日常临床实践高度相关，但AI驱动的工作流工具在研究中仍未被充分代表。DICOM元数据的不一致是工作流优化、AI集成和机构间数据共享的主要障碍。自动DICOM元数据标准化是应对这些挑战的重要一步。本研究评估了一种商用AI辅助混合软件工具的标注准确性及其对放射科医师阅片时间的影响。

材料与方法：一项回顾性队列研究评估了DICOM标准化工具的标注准确性。一项回顾性前后对照设计评估了其对阅片时间的影响。该工具由一家放射学服务提供商于2022年至2024年间应用。对422张计算机放射摄影（CR）图像和1503个计算机断层扫描（CT）系列的标准化DICOM标签（模态、身体部位、左右侧、扫描平面、对比剂协议）进行了人工审核（金标准）。在另一项分析中，比较了DICOM标准化之前（10,966例）和之后（10,342例）的阅片时间。

结果：身体部位的标注准确性范围为83%至100%，扫描平面为91%至100%，协议分类为88%至100%。实施后，CT腹部（-2.9分钟）、全身（-2.2分钟）、头部（-0.73分钟）和颞骨（-2.5分钟）的平均阅片时间显著下降（p ≤ 0.02），相对效率提升8%至22%。外推至年度，相当于节省270小时。CT胸部和鼻窦/眼眶未见显著变化。

结论：本研究表明，AI辅助工具可以充分标准化DICOM标签，并且可能与应用后放射科医师阅片时间的统计学显著减少相关。

论文解读：混合人工智能工具标准化DICOM标签对放射科医师阅片时间的影响

**研究背景与问题**
放射学领域正面临影像检查数量持续增长的挑战，放射科医师工作量不断攀升。尽管人工智能（AI）工具已被广泛应用于影像分类与病灶检测，但针对工作流优化的AI驱动工具在研究中仍相对不足。长期存在的DICOM元数据不一致问题，包括供应商特异性差异及不同模态、协议和机构间应用标准不一，严重阻碍了工作流优化、AI集成与跨机构数据共享。例如，不一致的标签影响PACS中的图像检索、悬挂协议生成及研究数据提取。尽管自动DICOM标准化被认为是解决这些障碍的关键步骤，但此前缺乏对基于AI的标签标准化工具的系统性评估。因此，本研究旨在评估一款商用混合AI工具（结合规则预处理与深度学习）对DICOM标签的标准化准确性，并分析其对放射科医师阅片时间的影响。该论文发表在《European Radiology》。研究人员通过回顾性队列研究与前后对照设计，验证了该工具在临床实践中的可行性与潜在效率提升。

**关键技术方法**
研究采用混合AI软件工具，该工具在图像进入PACS前，通过规则预处理解析现有DICOM标签（如模态、检查描述、系列描述、身体部位），并结合深度学习分析像素数据以识别解剖区域、扫描平面和对比剂相位，最终将结果映射至统一本体以生成标准化标签。样本队列来源于一家服务于英国约40个NHS信托机构的远程放射学提供商。标注准确性评估涉及422张CR图像和1503个CT系列，由资深放射科住院医师以人工审核作为金标准，必要时咨询15年以上经验的资深放射科医师。阅片时间影响分析则纳入10,966例标准化前CT病例与10,342例标准化后病例，时间范围从打开病例至完成报告，采用Mann-Whitney U检验比较前后差异。

**研究结果**

**CR研究中**：通过人工审核，模态与身体部位标签的准确性均达100%（113/113病例及120/120图像）。平面标签在颈椎侧位和膝关节轴位等特定投影中存在轻微变异，总体病例级别准确性为91%-94%，图像级别为96%-98%。左右侧标签在膝关节研究中达100%。

**CT胸部**：模态标签100%准确。身体部位标签在95%图像中正确识别（230/243），但7%病例缺少标签。平面标签及非增强与增强区分均达100%。协议标签（含对比相位）整体准确性为88%（病例级）与90%（图像级），主要因增强相位细分准确率较低（72%）。

**CT腹部**：模态与身体部位标签均达100%准确性。平面标签及非增强/增强区分完全准确。协议标签整体准确性为99%（病例级）与99.7%（图像级），增强相位细分准确率达99.6%。

**CT全身**：模态标签100%准确。身体部位标签在83%病例与88%图像中正确，部分标签缺失。平面与协议标签均达100%准确性。

**CT头部**：模态标签100%准确。身体部位标签准确性为88%（病例级）与93%（图像级）。平面标签100%准确。协议标签准确性为98%。

**CT面骨**：模态、身体部位、平面及协议标签均达100%准确性，仅8%病例存在身体部位标签缺失。

**影响分析**：通过比较实施前后阅片时间，CT腹部（平均减少2.9分钟，相对效率提升20%）、CT全身（2.2分钟，15%）、CT头部（0.73分钟，8%）及CT颞骨（2.5分钟，22%）均出现统计学显著下降（p ≤ 0.02），中位数与第75百分位数亦呈现改善。年外推计算显示总效率提升达270小时，约合34个工作日。但CT胸部和鼻窦/眼眶未观察到显著变化。

**讨论与结论**
讨论指出，该AI工具通过提升DICOM标签的一致性与清晰度，解决了影像数据管理中长期存在的元数据不一致挑战。既往研究多关注AI在检测方面的应用，而工作流优化工具研究空白，本研究为其提供了首个同行评审证据。局限性包括：缺乏独立金标准（可能引入观察者偏倚）、阅片时间定义涵盖整个报告过程（受疲劳、工作流中断等因素影响）、CT胸部病例数量前后不均衡（可能与COVID-19疫情波动或合同变更有关），以及精确效率提升机制（如悬挂协议改善）未被直接验证。尽管如此，工具在多数CT类别中显示出显著阅片时间减少，且年化节省时间可观。

结论部分翻译如下：本回顾性评估表明，AI工具可以充分标准化DICOM标签，并且可能与应用后放射科医师阅片时间的统计学显著减少相关。通过解决影像数据管理中的长期挑战，此类工具有望优化放射工作流，惠及放射科医师及其他医疗专业人员。