现阶段，许多放射科诊所使用同行评审系统来确保报告的准确性，并满足联合委员会的评估要求。传统上，同行评审是通过使用ACR的RADPEER程序等系统在整个实践中选择少量的随机病例并进行评分。虽然方便且相对有效，但这种随机审查有几个缺点，包括提交偏差、错误报告不足、需要审查大量的病例才能发现错误以及比其他诊断错误研究中发现的差异率低得多。此外，目前审查一个机构5%的病例的基准没有明确的证据基础。

有意义的同行评审方法之一是对病例进行非随机选择，这可提供更有针对性的教育信息、发现更多的诊断错误并增加绩效改进的价值。然而，非随机病例的选择有其自身的挑战，可能要依靠放射科医生在日常工作中注意和收集错误。此外，一些容易出现误诊的病症发生频率太低，无法在日常工作流程中可靠地识别。作为一种潜在的解决方案，有人提出了自动选择病例的方法，包括使用人工智能（AI）工具进行病例识别。特别是在诊断错误不常发生但具有临床意义的情况下，通过随机选择不可能发现，人工智能可以加快病例的识别以便进行同行评审和可能发布的报告附录。

考虑到这些因素，本项研究选择对CT肺血管造影（CTPA）检查中的偶然肝脏病变进行有针对性的同行评审。肝脏偶发病变很常见，在40岁以上的患者中高达30%，根据病变的大小和患者的风险因素（包括潜在的肝脏疾病或已知的原发性癌症）评估有可能出现恶性肿瘤的风险。尽管放射科医生做出了最大的努力，但多种因素（例如，搜索的满足感、造影剂相位的不理想、越来越大的工作量等）会阻碍这种偶然性病变的发现，并可导致漏诊。

近日，发表在J AM COLL RADIOL杂志的一项研究评估了使用人工智能算法来识别CTPA检查中遗漏的可疑肝脏病变（SLLs）的可行性和能力，并进一步为更有效的同行评审做了准备及铺垫。

本项回顾性研究包括了来自一个多地点远程放射科的1个月连续CTPA检查。视觉分类（VC）软件分析了图像中是否存在SLLs（>1cm，>20 Hounsfield单位）。另外，自然语言处理（NLP）算法评估了相应的报告中对SLL的描述（þ）。含有可能遗漏的SLL（VCþ/NLP）的研究报告由三位腹部放射科医生在两步裁决过程中进行审查，以确认SLL是否被放射科医生遗漏。记录了VCþ/NLP病例的数量、需要放射科医生复查的图像数量以及确认错过SLL的病例数量。计算了放射科医生对SLLs的观察者间一致性。

本项研究共评估了2573次CTPA检查，其中136次被归类为可能含有遗漏的SLLs（VCþ/NLP）。经过放射科医生的审查，确认有13例遗漏的SLLs，占分析的CT研究的0.5%。使用AI，需要复查的CT研究与确认的漏诊SLLs的比例为10:1；如果没有AI的帮助，该比例至少为66:1。在放射科医生复查的136个病例中，观察者之间对SLLs的一致性很好（k 1⁄4 0.91）。

 图 视觉分类器（VC）选择的假阳性 "病变 "示例。通过四个不同病例的肝脏的轴向CT图像显示了VC框（橙色、红色方块），突出了潜在的可疑病变。通过查看连续的层面，这些被驳回的胆囊顶部的部分容积效应（a）、下腔静脉和肝静脉（b）、右肾（c）和肝外周静脉（d）

研究表明，人工智能可以通过快速评估数以千计的检查来识别潜在的具有临床意义的错误，从而加速有意义的同行评审。虽然放射科医生的参与是必要的，但在最初的人工智能筛选后，所需的工作量大大减少。
原文出处：

Sarah P Thomas,Tyler J Fraum,Lawrence Ngo,et al.Leveraging Artificial Intelligence to Enhance Peer Review: Missed Liver Lesions on Computed Tomographic Pulmonary Angiography.DOI:10.1016/j.jacr.2022.07.013