醫療領域是人工智慧（AI）賦能的主要場景之一，人工智慧（AI）有望為疾病帶來新的解決辦法，提升診斷治療效率。腫瘤轉移的早期診斷對於臨床治療至關重要，人工智慧（AI）在醫學領域已顯示出巨大的應用前景。本文將結合陳娟的研究成果，講述她對運用人工智慧AI在醫學放射成像領域的精準診斷，以及運用AI檢測腫瘤轉移的診斷性能。

陳娟2012/07-2019/07，在江蘇省中西醫結合醫院(Jiangsu Province Hospital of Chinese and Western Medicine)檢驗科擔任主管檢驗技師、教學秘書長，主持PCR免疫室工作，擔任內審員、質控組成員，從事中藥研究和相關基因檢測與心血管疾病、糖尿病和腫瘤標誌物相關的研究工作。新冠（COVID-19）疫情爆發後，陳娟擔任南京華銀醫學檢驗所實驗室(Nanjing Huayin Medical Laboratory)基因中心主任，積極開展新型冠狀病毒感染肺炎感控防護工作以及實驗室檢測技術指南和實驗室生物安全指南等相關的工作。2021/10-至今，擔任南京潤太醫學檢驗實驗室主任、主要負責人，為實驗室提供服務相關的專業、學術、顧問或諮詢、組織、管理及教育事務。她還是The Clinical and Laboratory Standards Institute (CLSI)會員，中國民族醫藥學會(China Medical Association of Minorities,CMAM)外科分會理事、中國中醫藥資訊學會(China Medical Informatics Association)睡眠分會第二屆理事會常務理事。

為了評估AI演算法在醫學放射學成像檢測腫瘤轉移中的診斷準確性。陳娟在PubMed和Web of Science中檢索2000年1月1日至2020年1月30日發表的文獻，將評估AI模型通過醫學放射學圖像診斷腫瘤轉移的文獻納入研究。同時排除了使用組織病理學圖像或醫學波形數據圖像以及側重於感興趣區域分割的文獻。她將提供足夠資訊以構建列聯表的文獻納入meta分析，並對這些文獻進行了亞組分析。另外，她對使用相同數據集比較AI模型與醫療專業人員診斷效能的文獻進行了單獨研究。

陳娟共檢索到文獻2617篇，納入系統評價69篇。其中，meta分析納入了34篇可構建列聯表（共123張）的文獻。Meta分析結果顯示AI演算法診斷敏感性為82%（95%CI 79-84%），特異性為84%（82-87%），曲線下面積（AUC）為0.90（0.87-0.92）。在4篇具有外部驗證的文獻中，AI演算法診斷敏感性為89%（95%CI 84-93%），特異性為74%（69-79%），AUC為 0.88（0.85-0.0.91）。對不同AI演算法的分析表明，機器學習診斷敏感性為87%（83-90%），特異性為89%（82-93%）；深度學習為86%（82-89%）和87%（82-91%）。單獨分析8篇比較了使用同一樣本的AI演算法和醫療專業人員之間的診斷效能的文獻，結果顯示，AI演算法敏感性為89%（83-93%），特異性為85%（79-89%）；而對於醫療專業人員則為72%（61-81%）和72%（63-79%）。

陳娟提出的AI演算法通過醫學放射成像診斷腫瘤轉移的效能令人滿意，就敏感性和特異性而言，其效果與醫療專業人員相當甚至更好。陳娟的研究證明了AI在醫療領域應用的文獻需要使用更加規範嚴格的術語和評價標準，並且完善外部驗證和與醫療專業人員的比較。

陳娟認為，AI技術的發展為檢測腫瘤轉移的診斷性能提供了一個可行的方案。一方面，AI通過使用電腦的演算法優化流程和決策的能力已成功被應用於智慧診療、醫學影像分析、電子健康病歷的大數據管理、精準醫療、分子生物學及新藥研發等方向，極大地改善了醫療環境。另一方面，AI在檢測腫瘤轉移的性能上已經展現了一定的潛力：它可以通過使用高效的演算法從大量成像數據中檢測和“學習”特徵，幫助醫師減少診斷和治療相關錯誤並促進個性化醫療，從而達到指導臨床實踐的目的。此外，AI可以用於識別疾病特有的模式並關聯新的特徵，以獲得具有創新性的科學見解。正如過去50年中放射學的數字化隨著解析度的提高和更廣泛的使用而徹底改變了這一領域，下一個十年準備在放射學中進行一場由人工智慧推動的革命--不是為了取代放射科醫生、腫瘤科醫生或一般的臨床醫生，而是為他們提供一個新的工具庫，以更好地指導治療，並最終改善病人護理。（作者：石修奇）