人工智能、专家系统及计算机辅助诊断与治疗在妇产科领域的应用
中华妇产科杂志 1998年第11期第0卷 综 述
作者：冒韵东
单位：210029 南京医科大学第一附属医院妇产科
自计算机诞生以来，随着计算机性能的不断提高、体积的不断缩小、使用的不断简化，现已渗透到几乎所有领域。其在医学领域的应用也取得了很大的进展，代表其发展水平的就是人工智能(artificial intelligence，AI)。
人工智能是用计算机模拟专家思维和推理过程，于50年代兴起的一个综合性很强的边缘学科，它是由控制论、信息论、计算机科学、电子学、生物学、神经学、生理学、心理学、数学、语言学和哲学等多种学科相互渗透而形成的。专家系统(expert system, ES)是人工智能领域中最广泛、最实用、最有成就的分支(其它两个分支为模式识别和智能机器人)，是在某领域内具有专家水平，模拟专家的思维活动，推理判断，求解专门问题的计算机程序系统。一个完整的专家系统应由下列5个部分组成：知识库、数据库、推理机、知识获取模块和解释接口［1］。医学诊断、治疗专家系统就是运用专家系统的设计原理与方法，模拟医学专家诊断、治疗疾病的思维过程编制的计算机程序，它可以帮助医生解决复杂的医学问题，作为医生诊断、治疗的辅助工
具［2］。
一、 历史回顾
早在1954年，美国的钱家其已将计算机应用于放射治疗，计算剂量分布和制定治疗计划；1959年，美国的Ledley 等首次将数学模型引入临床医学，提出了可将布尔代数和Bayes定理作为计算机诊断的数学模型，并以此诊断了一组肺癌病例，开创了计算机辅助诊断的先例；1966年，Ledley首次提出“计算机辅助诊断”(computer aided diagnosis,CAD)，形成了计量医学；1976年，美国斯坦福大学的Shortliffe 等研制成功了著名的用于鉴别细菌感染及治疗的医学专家系统——MYCIN，建立了一整套专家系统的开发理论［3］；1982年，美国匹兹堡大学的Miller等发表了著名的Internist-Ⅰ内科计算机辅助诊断系统，其知识库中包含了572种疾病，约4 500种症状［4］；1991年美国哈佛医学院Barnett等开发的“解释”软件，包含有2 200种疾病和5 000种症状［5］。
二、人工智能在妇产科领域应用的进展
(一)国外妇产科界早期的专家系统
计算机辅助诊断与治疗的研究领域主要有以下几个方面
1.产科风险评分与建议：如Nesbitt等［6］的产科风险评分；Anderson等［7］的计算机建议系统。
2.计算机辅助决策制定：Anderson等［7］报道的产前决策系统，Pearlman等［8］设计的“Well-Baby”(婴儿安危)系统。
3.胎儿监护中的应用：如Henry等［9］开发的监护宫缩系统；Sokol等［10］报道的胎儿宫内窘迫监护系统。而在这方面研究更多的是应用计算机分析胎心率与宫缩描记图(cardiotocography, CTG)［11］。70年代中后期，有些系统已能预测胎儿异常，如Lowensohn等［12］设计的系统可预测72%的胎儿头皮血pH＜7.2；Rey等［13］开发的系统可预测55%的新生儿Apgar评分为低分；Chik等［14］报道的系统可预测63%的新生儿异常；而Rosen等［15］研制的系统则可预测Apgar 评分达85%。此外还有分析胎儿心电图和脑电图的系统［14，16］。
4.B超结果的解释：主要在胎儿体重的估计方面［17］。
5.妇科方面：如Small等［18］开发的妇科疾病诊断专家系统，包括：子宫肌瘤、慢性盆腔感染性疾病、子宫（内膜）息肉、宫颈息肉、慢性膀胱尿道炎、结肠炎和回肠炎，临床检查包括盆腔检查、子宫输卵管造影，B超及腹腔镜。
(二)妇产科领域近期的研究
计算机在妇产科领域应用的近期研究，主要集中在CTG的计算机辅助分析和分娩处理上。其中较突出的研究是英国普利茅斯医学院研究生院妇产科Keith等(1994～1995年)［19～22］开发的智能CTG分析系统。该系统为联合应用数字算法和人工神经网络法的系统，它基于400多条具有专家水平的产时评估及处理规则。而且CTG先经数字算法预处理，再经人工神经网络分析，可大大提高分析精度。此外，该系统可象医生分析病情一样，对所作出的处理建议进行解释，这样使用者可以不必盲从该系统的建议，而象与一位经验丰富的同行讨论病例一样，对信息加以判断。由英国16家水平领先的妇产科中心的17位专家对该系统进行了评估。他们对从2 400份高危分娩病历中选出的50份病例资料，同时进行人为分析和CTG系统分析。具体方法为，由专家和CTG系统各自在间隔1个月以上的时间内分析病例2次。结果：(1)CTG系统与17位专家的意见一致者，明显多于仅与某位专家的意见一致者(67.33%，Kappa=0.31，P＜0.001)；(2)由两位操作者分别完成CTG系统分析时，结果一致性可达99.16% (Kappa=0.98，P＜0.001)；(3)在无需干涉（正常分娩、脐动脉pH＞7.15、脐静脉pH＞7.20、5分钟Apgar评分≥9分）的病例中，CTG系统的建议比15位专家都好；(4)CTG系统建议11例行剖宫产，15位专家也有同样建议；(5)与多数专家的分析一致，CTG系统也可识别出多数新生儿分娩窒息（脐动脉pH＜7.05，或碱缺失≥12 mmol/L，5分钟Apgar评分≤7分，且有新生儿病率）。此外，CTG系统还能识别专家们认为不可识别的胎心率与宫缩描记图，说明智能CTG系统在协助提高医生诊断技能方面，有相当的潜力。
在妇产科领域应用的还有如著名的Oxford Sonicaid System 8000系统。Hiett等［23，24］在575例高危妊娠中，用该系统与目测法进行比较，对正常曲线，医生与8000系统分析的结果一致者占93%～96%；对异常曲线，两者分析的结果一致者仅占30%～40%；根据医生目测的结果对51%孕妇的产程进行干涉，而根据8000系统分析的结果，仅对9%孕妇的产程进行干涉。结果机测促使9例分娩，6例结果异常(4例胎儿宫内窘迫；1例妊娠28周，1例妊娠32周，因宫内窘迫手术产；1例妊娠32周者因严重宫内发育迟缓，死于并发症)，而目测促使2例分娩新生儿均正常。他们还将该系统用于监测硫酸镁对CTG的影响，结果发现胎心率基线无改变，而长程、短程变异明显下降，加速次数减少。Kol等［25］用人工神经网络法解释无激惹试验(NST)，其结果与专家分析的950幅CTG结果进行比较，其区别正常图形的正确率为89%，区别异常图形的正确率为87%。
土耳其Hacettepe大学妇产科Beksac等用人工智能测定孕妇血清标志物以诊断先天性疾病[26];解释脐血流波形［27，28］，反映正常结果的特异性及敏感性达98.6%和51.5%；Beksac等［29］同时还用人工神经网络及图像处理技术开发了细胞遗传学中染色体辨认和分类的专家诊断系统，及超声测量胎头有关数据估计胎龄的智能专家系统［30］。
另外，还开发出一些其它的专家系统，如Shimomura等［31］研究的Apgar评分模糊专家系统(AFES)；Vintzileos等基于Bayes定理，在妊娠中期用超声判断21－三体危险性的系统［32］；Chard等［33］研究的Down综合征筛查系统。Kaufmann等［34］开发的应用人工神经网络法预测体外受精成功率的系统，其准确率可达59%。 Bruning等用2 290例附件肿瘤的组织病理及超声数据编制的，用于辅助超声诊断附件肿瘤的ADNEXPERT系统，其根据超声资料评估出附件肿瘤病理状况的准确率达71%［35］。
近10年来，国外应用较为广泛的是计算机辅助细胞学检测系统(computer-assisted cytologic test, CCT)，如PAPNET，AutoCyte，AutoPap。这类系统具有自动图像处理及自动读片功能，但最后的可疑图像仍需细胞学专家进行诊断。这类系统可以避免因视觉疲劳而造成的注意力分散及漏诊，可提高阳性率及准确性。近年来，应用人工神经网络的方法，可降低CCT的假阴性率［36］。
我国在妇产科领域有关人工智能、专家系统等方面的研究虽起步较晚，但也已取得了一些进展。1982年，宇文贤［37］开发了滋养细胞疾病的电子计算机诊断医疗专家咨询系统，其后，张志华［38］也报道了电子计算机辅助诊断盆腔子宫内膜异位症。特别值得提出的是，重庆医科大学第二附属医院妇产科石应珊等［39］报道的应用计算机辅助判断头位分娩，该系统根据头位难产和头位分娩评分法及Bayes定理，以BASIC语言编制程序，其前瞻性判断阴道自然分娩、催产和(或)助产及剖宫产的总符合率达94.52%，而同期的临床符合率为80.39%（P＜0.01)。以后张曦[40]报道的胎儿宫内窘迫电脑诊疗专家系统等；以及近年来潘俊峰等［41］应用计算机辅助监护产程；程雪梅等［42］应用CCT诊断子宫颈病变；刁晓娣等［43］应用神经网络法预测足月胎儿体重，其符合率达80.9%；宋学红等［44］应用CCT检测子宫颈涂片中人乳头状瘤病毒感染，贺又娥等［45］应用CCT配合阴道镜检查诊断子宫颈病变，取得了一定成果。
三、总结与展望
纵观国内外人工智能、专家系统的发展，可从以下3个方面进行总结。
(一)人工智能、专家系统理论
70年代，多用概率统计法，即所谓的数字计算法，从疾病－临床资料（症状、体征、理化检查）的发生频率与疾病概率之间的明确统计学分析，得出最相似的诊断。此方法现已趋于淘汰。80年代后，则多用人工智能的方法，即以疾病的数值表叙与专家的推理相结合导致的一种决策方法。两种方法都要通过一定的数学模型来实现，常见的数学模型有Bayes公式，模糊数学及加权求和－阈值浮动（至80年代中期，国内2/3的系统采用了这3种数学模型，但这3种数学模型的应用，有一定局限性）。还有的研究是关于诊断系统的通用开发平台等方法学方面的，使医学诊断专家系统在解释方法学、评价标准、知识库建立以及因果-定量推理等方面成为研究热点。关于医学诊断中推理的复杂性，有人提出，病人可能有相互关联的多种疾病，而表现出的症状并不确定与某一类疾病有关，一个症状是否会出现也不确定，因而复杂程度不同的推理，可在精密程度不同的模型中进行。此外，由于人类疾病的适时性，有必要在没有明确的诊断结论时给出有关诊疗建议。同时，用来监测、存储和显示大量数据的系统数据库应与推理有机的结合起来。启发式分类也是人工智能方法中的一种，即从一组输入数据中提取特征，并进行分类，根据分类特征在一组已知的诊断类型中选择。模糊逻辑原理尤其适合于医学应用，因为医学决策所需的许多信息都是不确定的。
适于人工智能、专家系统应用的计算机语言，在早期有LISP和PROLOG，但到现在，尚无更新的、合适的语言出现。
(二)人工神经网络在医学专家系统中的应用
人工神经网络是最近几年发展起来的一项新技术，是模仿生物神经系统中神经元的一种数学处理方法。由于它的并行处理方式、自学习能力、记忆能力、预测事件发展能力，因而可以起到专家系统的作用。特别在分类、诊断以及基于分类的智能控制和优化求解方面，神经网络专家系统比传统的专家系统(指上述用概率统计法，数学模型建立的专家系统)有更优越的性能。上面提到的一些妇产科系统，就是很好的例证。故人工神经网络代表着当前最先进的人工智能技术，但此项技术尚不成熟。如只适用于解决规模较小的问题，其性能受训练数据集的限制，以及无法解释推理过程和得出结论的依据等。
(三)问题与展望
国内人工智能、专家系统在妇产科领域的应用和发展不仅起步晚，而且规模小，水平低，应用范围窄，缺乏较好的验证及评估方法。这与我国的经济水平低、资金缺乏、信息闭塞、计算机普及教育差及计算机普及率低、相当一部分妇产科医生对计算机缺乏认识、计算机专业人员与医生缺乏交流等原因有关。但这一情况近期已有所改善。国外在妇产科领域起步虽较早，水平较高，具有较为科学、全面的验证与评估方法，应用范围也较广。但与内科等领域相比，规模仍较小，而且其发展水平落后于计算机与人工智能的发展。
综上所述，计算机及人工智能技术的诞生与发展，使我们开发医学领域中的人工智能－专家系统成为现实。但目前这方面的发展还很不平衡，还存在不少问题需要解决，如软件的发展落后于硬件；缺乏一种令人满意的通用专家系统开发平台或计算机语言；大量的低层次重复开发与缺少大型的、性能优越、经得起临床检验的专家系统；缺乏客观的、科学的、重复性好的验证系统。要解决这些问题，需要从事计算机软件、硬件研究的专家和医学专家们的共同努力，需要计算机知识的普及，加强跨学科的生物医学工程人员的培养。相信未来的智能医学诊断与治疗专家系统，将成为医生的得力助手，为各种疾病的诊断和治疗，做出更大贡献。
参考文献
1 郭仲秋，吴健，胡正国. 专家系统在医疗中的应用. 医学信息,1998,11:15-16.
2 宋红，林家瑞. 医学诊断专家系统进展. 国外医学生物医学工程分册,1995,18:129-133.
3 杨友春. 计算机在临床应用的概况. 金陵医院学报, 1995,8:65-67.
4 Miller RA, Pople HE, Myers JD. Internist-I, an experimental computer-based diagnostic consultant for general internal medicine. N Engl J Med, 1982,307:468-476.
5 Barnett GO, Hoffer EP, Packer MS, et al. DXPLAIN-demostration and discussion of a diagnostic clinical decision support system. Proc Annu Symp Comput Appl Med Care, 1991,878.
6 Nesbitt REL, Aubry RH. High-risk obstetrics: Ⅱ. value of semi objective grading system in identifying the vulnerabal group. Am J Obstet Gynecol, 1969,103:972-985.
7 Anderson G, Llerena C, Davidson D, et al. Practical application of computer assisted decision making in an antenatal clinic: a feasibility study. Methods Inf Med, 1976,15:224-229.
8 Pearlman MH, Hammond WE, Thompson HK. A automated “well-baby” questionnaire. Pediatrics, 1973,51:972-979.
9 Henry MJ, McColl DDF, Crawford JW, et al. Computing techniques for intrapartum physiological data reduction: I. uterine activity. J Perinat Med, 1979,7:209-214.
10 Sokol RJ, Roux JF, McCarthy S. Computer diagnosis of labor progression:Ⅵ. fetal stress and labor in the occipitoposterior position. Am J Obstet Gynecol, 1975,122:253-260.
11 Flowers CE, Hinkley CM, Hatcher JW. The use of a digital computer in monitoring the condition of the fetus during labor. Am J Obstet Gynecol, 1971,111:644-649.
12 Lowensohn RI, Yeh SY, Forsythe A, et al. Computer-assessed fetal heart rate patterns and fetal scalp pH: a preliminary study. Obstet Gynecol, 1975,46:190-193.
13 Rey HR, Huh S, Person S, et al. A computerized management system for fetal monitoring. Biomed Sci Instrum, 1980,16:129-137.
14 Chik L, Sokol RJ, Rosen MG, et al. Computer-interpreted fetal monitoring data: discriminant analysis of perinatal data as a model for prediction of neurological status at one year of age. J Pediatr, 1977,90:985-989.
15 Rosen MG, Sokol RJ, Chik L. Use of computers in the labor and delivery suite: an overview. Am J Obstet Gynecol, 1978,132:589-594.
16 Curran JT. A bedside computer in fetal assessment. Postgrad Med J, 1970,46:392-394.
17 Warsof SL, Gohari P, Berkowitz RL, et al. The estimation of fetal weight by computer-assisted analysis. Am J Obstet Gynecol, 1977,128:881-892.
18 Small SL, Muechler EK. Heuristic determination of relevant diagnostic procedres in a medical expert system for gynecology. Am J Obstet Gynecol, 1989,161:17-24.
19 Keith RD, Westgate J, Ifeachor EC, et al. Suitability of artificial neural networks for feature extraction from cardiotocogram during labour. Med Biol Eng Comput, 1994,32:S51-57.
20 Keith RD, Greene KR. Development, evaluation and validation of an intelligent system for the management of labour. Baillieres Clin Obstet Gynecol, 1994,8:583-605.
21 Keith RD, Westgate J, Hughes GW, et al. Preliminary evaluation of an intelligent system for the management of labour. J Perinat Med, 1994,22:345-350.
22 Keith RD, Beckley S, Garibaldi JM, et al. A multicentre comparative study of 17 experts and an intelligent computer system for managing labour using the cardiotocogram. Br J Obstet Gynaecol, 1995,102:688-700.
23 Hiett AK, Devoe LD, Youssef A,et al. A comparison of visual and automated methods of analyzing fetal heart rate tests ［see comments］. Am J Obstet Gynecol, 1993,168:1517-1521.
24 Hiett AK, Devoe LD, Brown HL， et al. Effect of magnesium on fetal heart rate variability using computer analysis. Am J Perinatol, 1995,12:259-261.
25 Kol S, Thaler I, Paz N, et al. Interpretation of nonstress tests by an artificial neural network. Am J Obstet Gynecol, 1995,172:1372-1379.
26 Beksac MS, Durak B, Ozkan O, et al. An artificial intelligent diagnostic system with neural networks to determine genetical disorders and fetal health by using maternal serum markers. Eur J Obstet Gynecol Reprod Biol, 1995, 59:131-136.
27 Beksac MS, Basaran F, Eskiizmirliler S, et al. A computerized diagnostic system for the interpretation of umbilical artery blood flow velocity waveforms. Eur J Obstet Gynecol Reprod Biol, 1996,64:37-42.
28 Beksac MS, Egemen A, Izzetoglu K, et al. An automated intelligent diagnostic system for the interpretation of umbilical artery Doppler velocimetry. Eur J Radiol, 1996,23:162-167.
29 Beksac MS, Eskiizmirliler S, Cakar AN, et al. An expert diagnostic system based on neural networks and image analysis techniques in the field of automated cytogenetics. Technol Health Care,1996,3:217-219.
30 Beksac MS, Odcikin Z, Egemen A, et al. An intelligent diagnostic system for the assessment of gestational age based on ultrasonic fetal head measurements. Technol Health Care， 1996,4:223-231.
31 Shimomura K, Shono H, Kohara M, et al. Neonatal assessment using the Apgar fuzzy expert system. Comput Biol Med, 1994,24:171-178.
32 Vintzileos AM, Egan JF. Adjusting the risk for trisomy 21 on the basis of second-trimester ultrasonography. Am J Obstet Gynecol, 1995,172:837-844.
33 Chard T, Macintosh MC. Screening for Down's syndrome. J Perinat Med, 1995,23:421-436.
34 Kaufmann SJ, Eastaugh JL, Snowden S, et al. The application of neural networks in predicting the outcome of in-vitro fertilization. Hum Reprod, 1997,12:1454-1457.
35 Bruning J, Becker R, Entezami M, et al. Knowledge-based system ADNEXPERT to assist the sonographic diagnosis of adnexal tumors. Methods Inf Med, 1997,36:201-206.
36 Koss LG, Sherman ME, Cohen MB, et al. Significant reduction in the rate of false-negative cervical smears with neural network-based technology (PAPNET Testing System). Hum Pathol, 1997,28：1196-1203.
37 宇文贤. 滋养细胞疾病的电子计算机诊断医疗专家咨询系统. 吉林医学,1982, 3: 1-5.
38 张志华. 电子计算机辅助诊断盆腔子宫内膜异位症. 中华妇产科杂志,1983,18:85-88.
39 石应珊, 凌罗达, 顾美礼,等. 计算机辅助判断头位分娩难易度. 中华妇产科杂志, 1986,21:67-71.
40 张曦. 胎儿宫内窘迫电脑诊疗专家系统. 中华妇产科杂志,1990, 25: 285-287.
41 潘俊峰, 余玉琳,柴靖华,等. 计算机辅助产程监护. 中华妇产科杂志, 1995,30:183-184.
