人工智能胸部疾病辅助诊断系统在基层医疗卫生机构全科医生诊断中的实效性评估

doi:10.12114/j.issn.1007-9572.2024.0423

中国全科医学 ›› 2025, Vol. 28 ›› Issue (31): 3948-3953.DOI: 10.12114/j.issn.1007-9572.2024.0423

所属专题：社区卫生服务最新研究合辑；数智医疗最新文章合辑

人工智能胸部疾病辅助诊断系统在基层医疗卫生机构全科医生诊断中的实效性评估

方俊泽¹, 高怀婷²^,^*(), 邢素霞¹, 王瑜¹

1．100048　北京市，北京工商大学计算机与人工智能学院
2．100022　北京市东城区东花市社区卫生服务中心全科医学科

收稿日期:2024-09-26 修回日期:2025-01-06 出版日期:2025-11-05 发布日期:2025-09-23
通讯作者: 高怀婷
作者贡献：
方俊泽负责提出研究思路，设计研究方案，实施研究，起草与撰写论文；高怀婷负责研究的实施，数据收集与采集，文章质量的控制与审查，对论文负责；邢素霞、王瑜负责数据统计分析，绘制图表。
基金资助:
国家自然科学基金资助项目(61671028); 北京市自然科学基金资助项目(KZ202110011015)

The Effectiveness Evaluation of Artificial Intelligence Assisted Diagnosis System for Chest Diseases in the Diagnosis of General Practitioners in Primary Healthcare Institutions

FANG Junze¹, GAO Huaiting²^,^*(), XING Suxia¹, WANG Yu¹

1. School of Computer and Artificial Intelligence, Beijing Technology and Business University, Beijing 100048, China
2. Department of General Practice, Donghuashi Community Health Service Center, Dongcheng District, Beijing 100022, China

Received:2024-09-26 Revised:2025-01-06 Published:2025-11-05 Online:2025-09-23
Contact: GAO Huaiting

分享到

摘要/Abstract

摘要： 背景在部分基层医疗卫生机构中，由于放射科医生配备不足且无法保证全天候在岗，而全科医生对胸部影像的解读能力有限，影响了医疗机构服务质量与效率。目的探讨人工智能胸部疾病辅助诊断系统在基层医疗卫生机构中的应用效果，重点评估其在提升全科医生诊断效率、准确性及患者满意度方面的作用。方法于2024年4月，在北京市东城区东花市社区卫生服务中心选取16名全科医生为研究对象，采用随机分组法，分为全科+AI组8名、对照组8名，同时纳入两组医生接诊的共100例需X光影像检查的呼吸系统疾病患者，每组各50例，全科+AI组采用胸部疾病辅助诊断系统（ADSC）识别X光影像，辅助全科医生做出疾病诊断，对照组按照常规流程诊治，记录两组医生所用时间并进行对比，将两组患者X光影像上传区域影像中心进行阅片审核，评估两组医生诊断准确性；对患者进行满意度调查，对两组医生进行ADSC使用体验评价。结果两组医生的性别、年龄、学历、职称比较，差异无统计学意义（P>0.05），两组患者的性别、年龄比较，差异无统计学意义（P>0.05）。全科+AI组诊断所需时间低于对照组[（92.47±24.52）s比（249.31±56.46）s，P<0.001]，诊断准确率高于对照组（96%比72%，P=0.002 7），全科+AI组患者满意度高于对照组（98%比84%，P=0.036），两组医生ADSC使用体验评价，≥80%的全科医生认为其在使用便捷性（81.25%）、诊断决策（93.75%）、专业知识助益（87.50%）、应用可行性（87.50%）方面具有意义，93.75%的全科医生对系统使用感到满意，并愿意继续使用该系统。结论人工智能胸部疾病辅助诊断系统显著提升了基层医疗卫生机构全科医生的诊断效率、准确性和患者满意度，且大多数医生对ADSC的使用持积极态度。

关键词: 胸部疾病, 人工智能, 全科医生, 放射摄影术, X光影像, 基层医疗卫生机构, 诊断，计算机辅助

Abstract:

Background

In primary healthcare institutions, due to insufficient staffing of radiologists, it is impossible to ensure that they are on duty 24/7, and general practitioners have limited interpretation ability of chest images, which affects the quality and efficiency of medical services.

Objective

To explore the application effect of artificial intelligence assisted diagnosis system for chest diseases in primary healthcare institutions, with a focus on evaluating its role in improving the diagnostic efficiency, accuracy, and patient satisfaction of general practitioners.

Methods

During the vacation period of radiologists in April 2024, 16 general practitioners from Donghua Community Center were selected as the research subjects. They were randomly divided into a general practitioner+AI group of 8 and a control group of 8. At the same time, a total of 100 respiratory system disease patients who required X-ray imaging examination were included in the two groups of doctors, with 50 patients in each group. The general practice+AI group uses the assisted diagnosis system for chest diseases (ADSC) to identify X-ray images and assist general practitioners in making disease diagnoses. The control group receives diagnosis and treatment according to routine procedures, records the time spent by the two groups of doctors for comparison, and uploads the X-ray images of the two groups of patients to the regional imaging center for review and evaluation of the diagnostic accuracy of the two groups of doctors; Conduct a satisfaction survey on patients and evaluate the ADSC usage experience of two groups of doctors.

Results

The gender, age, education, and professional title of the two groups of doctors were compared, and there was no statistically significant difference (P>0.05) . The gender and age of the two groups of patients were compared, and the difference was not statistically significant (P>0.05) . The time required for diagnosis in the general practice+AI group was significantly shorter than that in the control group [ (92.47 ± 24.52) s vs (249.31 ± 56.46) s, P<0.001], and the diagnostic accuracy was higher than that in the control group (96% vs 72%, P=0.002 7) . The satisfaction of patients in the general practice+AI group was significantly higher than that in the control group (98% vs 84%, P=0.036) . In terms of user experience evaluation of ADSC, ≥80% of general practitioners believed that it was meaningful in terms of convenience (81.25%) , diagnostic decision-making (93.75%) , professional knowledge assistance (87.50%) , and application feasibility (87.50%) . 93.75% of general practitioners were satisfied with the use of the system and willing to continue using it.

Conclusion

The artificial intelligence assisted diagnosis system for chest diseases has significantly improved the diagnostic efficiency, accuracy, and patient satisfaction of general practitioners in primary healthcare institutions, and most doctors hold a positive attitude towards the use of ADSC.

Key words: Thoracic diseases, Artificial intelligence, General practitioners, Radiography, X-ray images, Primary health care institutions, Diagnosis, computer-assisted

中图分类号:

R 56

方俊泽,高怀婷,邢素霞,等. 人工智能胸部疾病辅助诊断系统在基层医疗卫生机构全科医生诊断中的实效性评估[J]. 中国全科医学, 2025, 28(31): 3948-3953. DOI: 10.12114/j.issn.1007-9572.2024.0423.
FANG Junze,GAO Huaiting,XING Suxia, et al. The Effectiveness Evaluation of Artificial Intelligence Assisted Diagnosis System for Chest Diseases in the Diagnosis of General Practitioners in Primary Healthcare Institutions[J]. Chinese General Practice, 2025, 28(31): 3948-3953. DOI: 10.12114/j.issn.1007-9572.2024.0423.

图/表 6

参考文献 20

[1]	陈晓文，汤明玥，杨庆华，等. 人工智能影像诊断技术在基层医院中的应用与思考[J]. 影像研究与医学应用，2022，6(10)：4-6.
[2]	PESAPANE F, CODARI M, SARDANELLI F. Artificial intelligence in medical imaging：threat or opportunity? Radiologists again at the forefront of innovation in medicine[J]. Eur Radiol Exp，2018，2(1)：35. DOI：10.1186/s41747-018-0061-6.
[3]	SHIN H C, ROBERTS K, LU L, et al. Learning to read chest X-rays：recurrent neural cascade model for automated image annotation[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition. （CVPR）. June 27-30，2016，Las Vegas，NV，USA. IEEE，2016：2497-2506. DOI：10.1109/CVPR.2016.274.
[4]	JING B Y, XIE P T, XING E. On the automatic generation of medical imaging reports[C]//Proceedings of the 56th Annual Meeting of the Association for Computational Linguistics（Volume 1：Long Papers）. Melbourne，Australia. Stroudsburg，PA，USAACL，2018：2577-2586. DOI：10.18653/v1/P18-1240.
[5]	GALE W, OAKDEN-RAYNER L, CARNEIRO G, et al. Producing radiologist-quality reports for interpretable deep learning[C]//The 16th IEEE International Symposium on Biomedical Imaging. Venice，Italy：IEEE：2019，1275-1279.
[6]	蒋希，袁奕萱，王雅萍，等. 中国医学影像人工智能20年回顾和展望[J]. 中国图象图形学报，2022，27(3)：655-671.
[7]	陈丽，曹红格. 人工智能技术在影像诊断中的应用及展望[J].现代医用影像学，2020，29(01)：19-21.
[8]	陆春吉，郭珉江，张芳源，等. 人工智能在基层医疗卫生领域应用的利益相关者分析[J]. 中国医学科学院学报，2021，43(1)：101-108. DOI：10.3881/j.issn.1000-503X.13118.
[9]	邢素霞，方俊泽，鞠子涵，等. 基于记忆驱动的多模态医学影像报告自动生成研究[J]. 生物医学工程学杂志，2024，41(1)：60-69. DOI：10.7507/1001-5515.202304001.
[10]	KISILEV P, SASON E, BARKAN E, et al. Medical image description using multi-task-loss CNN[C]//Deep Learning and Data Labeling for Medical Applications. Cham：Springer International Publishing，2016：121-129.
[11]	WANG Z Y, HAN H W, WANG L, et al. Automated radiographic report generation purely on transformer：a multicrite ria supervised approach[J].IEEE Trans Med Imaging，2022，41(10)：2803-2813. DOI：10.1109/TMI.2022.3171661.
[12]	ZENG X H, LIAO T X, XU L M, et al. AERMNet：Attention-enhanced relational memory network for medical image report generation[J]. Comput Methods Programs Biomed，2024，244：107979. DOI：10.1016/j.cmpb.2023.107979.
[13]	WANG Z Y, ZHOU L P, WANG L, et al.A self-boosting framework for automated radiographic report generation[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition（CVPR）. June 20-25, 2021. Nashville，TN，USA. IEEE，2021：2433-2442. DOI：10.1109/CVPR46437.2021.00246.
[14]	ALLEN M R, WEBB S, MANDVI A, et al. Navigating the doctor-patient-AI relationship - a mixed-methods study of physician attitudes toward artificial intelligence in primary care[J]. BMC Prim Care，2024，25(1)：42.
[15]	刘环，朱世飞，陈法余，等. 人工智能在基层全科医生实践中的应用：基于皮肤病诊断与病程管理的视角[J]. 中国全科医学，2024，27(31)：3884-3889.
[16]	曹益铭.多模态数据与知识双驱动的医学诊断报告生成关键技术研究[D]. 济南：山东大学，2023.
[17]	陈冲，陈俊，夏黎明. 人工智能促进医学影像临床应用与研究[J]. 放射学实践，2024，39(1)：12-16.
[18]	GORDON E R, TRAGER M H, KONTOS D, et al. Ethical considerations for artificial intelligence in dermatology：a scoping review[J]. Br J Dermatol，2024，190(6)：789-797.
[19]	BUCK C, DOCTOR E, HENNRICH J, et al. General practitioners' attitudes toward artificial intelligence-enabled systems：interview study[J]. J Med Internet Res，2022，24(1)：e28916.
[20]	程齐，欧阳雪晖. 人工智能在影像医学中的实际应用[J]. 分子影像学杂志，2023，46(3)：571-574.

组别	人数	性别		年龄		学历		职称
组别	人数	男	女	<40岁	≥40岁	本科生	研究生	中级	高级
对照组	8	2/8	6/8	3/8	5/8	4/8	4/8	3/8	5/8
全科+AI组	8	3/8	5/8	7/8	1/8	4/8	4/8	4/8	4/8
P值		1.000		0.119		1.000		1.000

组别	人数	性别		年龄		学历		职称
组别	人数	男	女	<40岁	≥40岁	本科生	研究生	中级	高级
对照组	8	2/8	6/8	3/8	5/8	4/8	4/8	3/8	5/8
全科+AI组	8	3/8	5/8	7/8	1/8	4/8	4/8	4/8	4/8
P值		1.000		0.119		1.000		1.000

组别	例数	性别		年龄
组别	例数	男	女	<20岁	20~39岁	40~60岁	>60岁
对照组	50	21（42.0）	29（58.0）	20（40.0）	7（14.0）	8（16.0）	15（30.0）
全科+AI组	50	13（26.0）	37（74.0）	11（22.0）	7（14.0）	12（24.0）	20（40.0）
χ²值		2.184		4.127
P值		0.139		0.248

组别	例数	性别		年龄
组别	例数	男	女	<20岁	20~39岁	40~60岁	>60岁
对照组	50	21（42.0）	29（58.0）	20（40.0）	7（14.0）	8（16.0）	15（30.0）
全科+AI组	50	13（26.0）	37（74.0）	11（22.0）	7（14.0）	12（24.0）	20（40.0）
χ²值		2.184		4.127
P值		0.139		0.248

条目	是	否
使用便捷性：您认为系统的操作流程是否简单直观，便于日常使用	13（81.25）	3（18.75）
诊断决策：系统的辅助诊断功能对您的诊断决策是否有帮助	15（93.75）	1（6.25）
专业知识助益：系统提供的报告内容是否有助于增强您对病例的专业理解和诊断能力	14（87.50）	2（12.50）
应用可行性：在您的临床实践中，该系统是否具备实际应用的可行性，能够顺利融入现有工作流程	14（87.50）	2（12.50）
总体满意度：您对使用该系统生成的医学影像报告的总体满意度如何	15（93.75）	1（6.25）
使用意愿：您是否愿意继续使用该系统	15（93.75）	1（6.25）

人工智能胸部疾病辅助诊断系统在基层医疗卫生机构全科医生诊断中的实效性评估

The Effectiveness Evaluation of Artificial Intelligence Assisted Diagnosis System for Chest Diseases in the Diagnosis of General Practitioners in Primary Healthcare Institutions

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 6

参考文献 20

相关文章 15

编辑推荐

Metrics

留言

[1]	高红霞, 刘素薇, 麻磊, 张研. 基于动态主题模型的我国中央层面家庭医生签约服务政策主题热点与演化分析[J]. 中国全科医学, 2025, 28(31): 3890-3896.
[2]	张研, 艾云杰, 王晨舟, 高红霞. 家庭医生签约服务高质量发展的政策价值与实践挑战[J]. 中国全科医学, 2025, 28(31): 3879-3883.
[3]	张慧, 杨健军, 何国枢, 邢国强, 任菁菁. 中国全科医师中成药处方认知现状与培训需求调查研究[J]. 中国全科医学, 2025, 28(31): 3954-3960.
[4]	梁振宁, 周清平, 刘涵月, 詹胜帆, 于瑶, 钱怡. 人口老龄化背景下我国老年全科医生人力资源配置公平性研究[J]. 中国全科医学, 2025, 28(28): 3507-3511.
[5]	庞姝, 陈祥雪, 刁洋, 王旖旎, 姜春燕. 北京市三级甲等综合医院全科医学科病房收治慢性病及不明病因症状情况研究[J]. 中国全科医学, 2025, 28(28): 3525-3531.
[6]	徐扬, 江帆, 王晓旭, 冯玫. 全科医学师资培训效果评价量表的编制与信效度检验[J]. 中国全科医学, 2025, 28(28): 3483-3488.
[7]	陈东冉, 徐培兰, 丁蕾, 李玉华. 新疆维吾尔自治区全科医生配置公平性及需求预测研究[J]. 中国全科医学, 2025, 28(28): 3512-3517.
[8]	中国医师协会全科医师分会. 基层医疗卫生机构全科医疗质量控制的实施建议（2025版）[J]. 中国全科医学, 2025, 28(28): 3473-3482.
[9]	牛奔, 朱晓倩, 杨辰, 梁万年, 刘珏. 基于CiteSpace的国内外医疗大语言模型研究热点演进及趋势分析[J]. 中国全科医学, 2025, 28(25): 3200-3208.
[10]	王慧, 胡银环, 冯显东, 刘莎, 汪洋帆. 人工智能在心理干预中的应用：效果、挑战与前景[J]. 中国全科医学, 2025, 28(25): 3209-3216.
[11]	潘琦, 任菁菁, 马方晖, 胡梦杰. 全科医师对AI辅助诊疗系统的认知与需求调查[J]. 中国全科医学, 2025, 28(25): 3127-3136.
[12]	杨辉. 全科医学研究脑洞：经济、健康、基本医疗服务的提供和利用[J]. 中国全科医学, 2025, 28(25): 0-C6.
[13]	崔珑严, 代高岚歆, 陶红兵. 全科医生亚专长培养模式的国际经验及对中国的启示[J]. 中国全科医学, 2025, 28(22): 2720-2725.
[14]	赵璨, 申颖, 陈培萌, 彭厚瑄, 奚谦, 顾劲梅, 覃丽, 梁睿莹, 左延莉. 广西壮族自治区经"5+3"路径培养的农村订单定向毕业生在乡镇卫生院应诊能力的评价性研究[J]. 中国全科医学, 2025, 28(22): 2731-2739.
[15]	赵亚利, 路孝琴, 刘珏, 张艺帆, 朱祖懿, 陈开元, 刘民, 梁万年. 智能全科医生评估指标体系构建[J]. 中国全科医学, 2025, 28(22): 2705-2711.