创新奖获奖团队：宾夕法尼亚大学医学院的PennAInsights

宾夕法尼亚大学医学院正在将人工智能工具整合到放射科医生的工作流程中，以帮助提高诊断准确性。

为了实现从偶发性管理向慢性病患者的长期主动管理转变，并减轻医生负担，费城宾夕法尼亚大学医学院的放射科医生和IT专家开发了一种人工智能解决方案——PennAInsights。该方案自动化了从图像采集到AI分析再到诊断报告的整个工作流程。由于其潜在影响和多学科性质，《医疗创新》杂志将其评为2025年的三个创新奖之一。

宾夕法尼亚大学医院放射学教授查尔斯·卡恩（Charles Kahn）博士解释说，传统的放射学工作流程非常耗费人力，且无法捕捉到细微的早期变化。“随着程序量的增长和放射科医生数量的缓慢增长，很多情况下，我们的工作量已经超出了我们的处理能力。”他说道，“此外，典型的影像研究中包含的信息远远超过任何一位人类医生所能提取的信息。因此，借助AI，我们可以从日常的影像研究中提取大量信息，从而支持患者的护理。”

创建PennAInsights平台的目标是开发一种自动化解决方案，从现有的影像研究中提取定量指标，以提高诊断准确性、减轻医生负担并实现早期干预。

以下是PennAInsights的工作原理：加密后的图像从PACS系统传输到符合HIPAA标准的云AI服务器，在那里，一系列经过验证的AI模型处理这些研究并将定量注释作为DICOM结构化报告直接返回到放射科医生的工作流程中。在试点应用中，它解决了腹部脂肪堆积、肝脂肪变性和脑萎缩等问题。

宾夕法尼亚大学放射学副教授沃尔特·威奇伊（Walter Witschey）博士解释了他们的想法。“如果你看看放射学领域获得FDA批准的AI工具数量，那是巨大的。但实际上很少有工具被真正应用于临床护理的端到端工作流程中。它们使用起来非常繁琐，不具备互操作性，也没有与医疗系统集成。这些解决方案都没有提供我们所寻找的完全集成、互操作的AI解决方案。所以我们决定自己尝试构建。我们具备专业知识，多年来一直在处理图像的技术细节，例如DICOM标准和设备之间的互操作连接，如HL7消息系统。我们还有一些在研究中部署的非常有效的AI应用程序。我们在宾夕法尼亚大学生物库中进行了部署。回想起来，当时开始时似乎风险很大，但现在看来我们不应该采取其他方式。”

一个例子是脂肪肝疾病。卡恩解释说：“这很重要，因为肝脏中异常脂肪积累的人患各种疾病的风险增加。在严重的情况下，人们可能会出现肝脏肿瘤，或者需要进行肝脏移植。”

脂肪肝疾病的发病率正在上升，但人们并不一定知道自己患有这种疾病，因此提供早期检测是一个机会，可以在早期发现并帮助人们缓解病情，从而可能节省大量的下游医疗费用。

“你可能会在某项研究中注意到这一点，但不一定是其非常早期的形式。这就是基于AI的检测可以帮助我们更敏感地捕捉这些信息，并确保它成为常规信息的一部分。”卡恩补充道，“即使你是因疑似肾结石而来的，我们也可以查看肝脏中的脂肪程度或肝脏是否增大。我们还可以检查骨密度，看是否存在骨质疏松症的风险。我们还可以检查冠状动脉钙化，这可能表明你有冠状动脉疾病的风险。”

该项目始于2019年，但在疫情期间有所延迟。2023年5月正式上线。这一努力是多学科合作的结果，得到了IT团队的大力支持。“从我们的角度来看，重要的是理解技术要求，并确保它通过正确的治理过程，包括基础设施和安全方面以及数据方面，”宾夕法尼亚大学医学院应用和数字健康副总裁安娜·肖恩鲍姆（Anna Schoenbaum）博士说，“我们与这里的医疗服务提供者合作，确保满足要求，进行测试，并确保安全执行。”

宾夕法尼亚大学医学院信息系统应用经理阿米娜·埃拉希（Ameena Elahi）表示，她的团队不断寻求创新方法，通过尽可能自动化流程来消除工作流程中的延误，并最大限度地利用现有基础设施中的工具。

试点研究结果

在为期六个月的试点中，PennAInsights处理了2,973次腹部CT扫描，平均总周转时间为2.8分钟。他们发现，94.9%的研究在5分钟内完成，确保所有AI注释在初始报告审查前可用。现在，放射学报告中一致包含了以前仅在24%的脑MRI报告中提到的神经退行性风险的定量指标。试点工作流程的运营成本约为每月700美元（每名患者不到1美元），显示出显著的成本效益。预计对脂肪肝疾病和认知衰退等疾病的早期干预将减少下游并发症和整体医疗费用。

自成功试点完成后，该平台已在宾夕法尼亚大学医学院所属的医院中广泛使用。图像被发送到集中式PACS系统，并由软件进行分析。“迄今为止，我们已经分析了超过20,000项研究，并正在扩展到身体的其他部位，如胸部，以及一些将整合最新AI进展的工具。”威奇伊解释道。

作为下一步，宾夕法尼亚大学医学院的临床医生正在探索将大型语言模型（LLMs）与Epic集成，以自动结构化非结构化的放射学报告发现——例如检测肾上腺结节——以触发临床决策支持。这一扩展目前处于测试环境中，有望进一步简化报告和患者管理。“使用LLMs来结构化非结构化的放射学报告发现将促进实时临床决策支持，简化放射科医生的工作流程，增强诊断一致性，并提高整体效率。”埃拉希解释道。

卡恩表示，还有更大的可能性。“我们有一个令人惊叹的资源，即宾夕法尼亚大学生物库。我们有能力将从影像研究中得出的各种发现与遗传学和其他医疗特征——患者的表型联系起来，”他说，“在这里，我们不仅可以连接日常放射学工作流程问题，还可以将影像信息与患者的遗传和基因表达特征联系起来，并将其与他们的整体健康状况联系起来。这是一个非常有趣的领域。”

卡恩指出，其他学术医疗中心也在努力将AI应用于放射学工作流程，但宾夕法尼亚大学医学院拥有许多关键的构建块，使其成为可能。“你需要在整个管道中都有优势，”他说，“你需要一个非常强大的研究团队——不仅有沃尔特和他的团队，还有宾夕法尼亚大学生物库及其愿景。你需要一个非常强大的IT团队，我们非常感谢安娜和她的团队给予我们支持，使这一切成为可能。然后，你需要临床方面的人员，他们有兴趣将这一成果推向前进，以帮助服务我们的患者。”

关于PennAInsights的视频概述请点击此处。

(全文结束)