马赛 冯茹荔 胡薇 王晓慧 王苑 冯小航

马 赛 ¹ 冯茹荔 ¹ 胡 薇 ^{2 *} 王晓慧 ³ 王 苑 ¹ 冯小航 ¹

摘 要 肺结核主要通过呼吸道传播，容易在易感人群中造成蔓延，威胁人类健康，因此应进一步提升肺结核筛查确诊能力。深度学习技术能够自动提取特征、识别病变，可显著提高诊断准确性，在肺结核影像诊断方面展现出巨大潜力。本文探讨了深度学习技术在肺结核影像辅助诊断中的应用，为出入境人员肺结核监测提供了新的解决方案。

关键词 深度学习；出入境；肺结核；辅助诊断

Application of Deep Learning in Imaging Assisted Diagnosis of Pulmonary Tuberculosis in Inbound and Outbound Populations

MA Sai ¹ FENG Ru-Li ¹ HU Wei ^2* WANG Xiao-Hui ³ WANG Yuan ¹ FENG Xiao-Hang ¹

Abstract Tuberculosis is mainly transmitted through the respiratory tract and can spread rapidly among susceptible populations, posing a serious threat to human health and life. Currently, the quarantine authorities at ports urgently need to enhance their ability to screen and diagnose tuberculosis. Deep learning has shown great potential in the imaging-based diagnosis of pulmonary tuberculosis due to its ability to automatically extract features, identify lesions, and significantly improve diagnostic accuracy. This study explores the application of deep learning in imaging assisted diagnosis of pulmonary tuberculosis, offering a novel approach for tuberculosis monitoring of inbound and outbound populations.

Keywords deep learning; inbound and outbound; pulmonary tuberculosis; assisted diagnosis

结核病是一类由感染结核分枝杆菌引起^[1]，以呼吸道传播为主的慢性、全身性传染病^[2]，对人类健康和生命构成严重威胁。结核病已成为全世界重要的公共卫生问题之一^[3]。多年来，我国一直将传染性肺结核列为禁止入境疾病^[4]。

20世纪80年代早期，全球结核病患病率逐年降低。但进入20世纪90年代以来，结核病发病率上升^[5]。同时，耐药结核病的发展趋势威胁着全球结核病防控成果^[6]。世界卫生组织（WHO）报告显示，广泛耐药性结核病（Extensive Drug Resistant Tuberculosis，XDR-TB）的发病率呈现上升态势^[7]。

结核病特别是肺结核容易通过呼吸道传播，在易感人群中会出现迅速蔓延和流行^[8]。由于其容易通过出入境人群跨境输入输出，因此近年来一些国家高度重视出入境人群肺结核监测和防控^[9]。这对于口岸卫生检疫机关、国际旅行卫生保健中心的肺结核筛查确诊能力提升都提出了更高要求。

1 出入境人员肺结核监测现状

近年来，出入境人员数量激增等形势变化，对出入境人员肺结核筛查工作中仪器设备更新、人员专业技术能力提升提出了更高要求。另一方面，出入境人群以健康人员为主，因此肺结核筛查的阳性检出率一直处于极低的比例。据统计，2014—2023年间青岛国际旅行卫生保健中心共开展胸部X射线检查175299人次，疑似传染性肺结核仅49例，占比0.03%。当前，我国对出入境人员肺结核常用的筛查手段主要是痰液涂片检查或X射线筛查^[2]。如何在大批量出入境人员中快速、精准筛查出肺结核阳性患者并在提升检测的效率的同时减轻工作量，成为亟待解决的技术问题。

2 深度学习技术在影像诊断方面的进展

2.1 深度学习技术应用于医学影像学辅助诊断

早期开发的辅助诊断肺结核的人工智能（Artificial Intelligence，AI）产品主要使用手动创建的预设特征模型，如空洞的存在等，其性能受到人为预设特征的影响，精度差异较大。随着卷积神经网络（Convolutional Neural Network，CNN）等深度学习算法的开发应用，肺结核影像AI研究呈现出爆发式增长^[10]。基于深度学习的计算机辅助诊断（Computer Aided Diagnosis，CAD）系统具备自动从X光图像中提取特征，进行病变的分割和识别的能力，有助于显著提高诊断的准确性。近期研究在模型泛化能力和可视化方面不断突破，使得基于深度学习的AI系统的性能更加完善。例如，一些AI系统能够标记出精确的结核病区域，提供结构化影像报告，帮助医生更直观地理解病变情况^[11]。

2.2 深度学习技术在肺结核筛查中的实证研究

国内一项前瞻性多中心临床研究纳入了1161名15岁以上志愿者，使用基于CNN算法的结核病筛查软件（JF CXR-1）与放射科医师的诊断结果进行比较。结果显示，该软件的敏感度为94.2%，特异度为91.2%，一致率为92.7%^[12]，表明基于深度学习的AI系统有望成为解决结核病高负担地区缺乏放射科医师的潜在方案。

另一项研究评估了基于深度学习的CAD在γ-干扰素释放试验结果阳性患者的胸片上识别活动性肺结核的准确性。CAD比放射科医生表现出更高的敏感度，同时在相同的敏感度下，工作量减少了85.2%^[13]。这表明CAD可以提高对医学影像识别的敏感度和特异度，还能减少工作量。

2.3 深度学习技术的功能特点

2.3.1 影像的快速识别

深度学习算法通过对医学影像数据进行分析，自动识别和分类可疑病灶，帮助医生进行更准确的评估和诊断。例如，在肺部炎症、肺结核、乳腺癌、肺癌等疾病的早期筛查中，深度学习算法通过标记出疑似病灶的位置和大小，辅助医生判断其恶性风险^[14]。

2.3.2 影像分割与重建

深度学习技术还可以实现对医学影像中的组织、器官或病变进行精确的分割和重建，这种技术在胸部X光片的展现和识别方面，以及异常影像的判断上都具有超越人眼读片的优势。

2.3.3 微小病变精准识别

基于深度学习的AI系统自动提取X光图像中的高维特征用于训练和优化模型^[15]，包括肉眼难以识别的微小病变。AI系统基于算法和模型，通过强大的计算能力快速处理大量X光图像，形成诊断结果，实现对肺结核的准确识别，避免了人为因素干扰，有效弥补人工模式下经验不足的缺陷^[16]，降低因疲劳、疏忽等导致的误诊和漏诊的风险^[17] ，极大地提高了诊断效率^[18]。

2.3.4 辅助诊断支持

深度学习模型基于医学影像数据集，借助云平台提供辅助诊断支持，帮助医生更加高效、严谨地判断X射线影像中的异常情况，提示可能的疾病种类^[19]，从而降低误诊率，提高检出率。

3 深度学习技术在出入境人员肺结核监测中的应用优势

3.1 提升DR影像识别的效率和准确率

目前国际旅行卫生保健中心多数已经拥有庞大的正常医学影像图像数据集，而且以DICOM格式存储，为运用深度学习技术实现图像的自主学习提供充分的基础条件。通过对正常影像的充分学习，使基于深度学习的AI系统实现对出入境人员的健康X射线影像“秒”级识别，一方面可以有效提升医学影像岗位的工作效率，另一方面可以使医学影像医师将更多的时间和精力放在对系统初步判断为异常的影像的识别和解读上，不但降低了漏诊的可能性，而且通过对突出异常影像的识别来提高检出率。

3.2 提升DR影像识别的精准度

通过影像分割和重建，传统二维的医学影像图像可以呈现多个层次，甚至接近三维立体呈现效果。这不但能有效避免常规X射线检查影像上组织和器官相互遮盖、混淆的问题，而且可以进一步提升影像的清晰度、提高异常器官或组织的定位能力，从而提高检出率和检出的精准度。

3.3 提供远程协作诊断支持

通过架设在内部网络的影像云平台，在保证医学影像数据安全性的前提下，各国际旅行卫生保健中心之间可以搭建远程影像诊断云平台，将有助于开展技术支持和指导。

3.4 具备持续提升诊断能力和扩展应用场景的可能

通过大量的系统使用和数据积累，不断增加深度学习的样本收集，提升AI辅助诊断系统的识别准确性。另外，可以将相关算法和模型用于CT、钼靶等影像的识别，扩展应用场景的同时，进一步推动国际旅行卫生保健中心社会服务业务的开展。

4 挑战与展望

4.1 精准度和灵敏性提升推动AI成为主导筛查手段

目前，深度学习模型在肺结核影像诊断中取得明显成效。例如，基于卷积神经网络的模型在胸片上的分类精确度可达（93.6±0.8）%，敏感度可达（92.9±1.0）%，特异度达（94.3±0.9）%^[20]。未来，随着多模态数据融合（如CT影像、病理切片、临床信息）和迁移学习技术的应用，模型将具备更强的泛化能力，能够适应不同国家、不同设备采集的影像数据差异，甚至通过无标注数据学习实现自我优化，有望成为医学影像方面的主导筛查技术，助力人工诊断。

4.2 应用场景进一步拓展推动防控能力提升

当前，深度学习技术辅助的影像识别主要用于医疗检查机构的肺部筛查。未来可在机场、海港等高流量区域部署便携式AI辅助诊断系统，通过胸片或低剂量CT乃至超声影像的实时分析，将疑似病例筛查时间从传统方法的数小时缩短至分钟级，为后续隔离、治疗争取时间。另外，还可以通过AI系统对不同时间下同一国际旅行者自主提交的胸部影像或者入境筛查获取的影像自动比对，评估治疗或康复效果。

4.3 解决AI信任以及政策与伦理协同问题

深度学习技术对出入境人员肺结核检查、诊断的规模化应用需要解决数据隐私、算法透明性等伦理问题，因此需要建立符合法律法规的影像数据脱敏、存储与共享机制^[21]，确保出入境人员健康信息安全，提升医患双方对AI诊断的信任度。另外，需要多方力量共同推动AI技术应用于肺结核诊断的全球技术标准制定，促进跨国数据互认与模型协同优化。

参考文献

[1]周冕. 肺结核[J]. 生物学通报, 1997, 32(11): 4-6.

[2]杨慧丽, 李磊, 王玉兰, 等. 出入境旅客肺结核监测监管面临的问题及解决策略[J]. 检验检疫学刊, 2016, 26(2): 62-64+44.

[3]古丽努尔·买买提, 比力克孜·加帕尔, 王晓蓉, 等. 新疆口岸出入境人员肺结核的流行病学调查[J]. 中国国境卫生检疫杂志, 2016, 39(4): 250-252.

[4]施建军, 申忠泽, 王春, 等. 两例入境留学生肺结核病例处置报告[J]. 中国国境卫生检疫杂志, 2012, 35(6): 417-418.

[5] 森下宗彦, 万献尧, 毕丽岩. 肺结核[J]. 日本医学介绍, 2004, 25(7): 292-294.

[6] Gupta S, Kakkar V. Recent technological advancements in tuberculosis diagnostics-A review[J]. Biosens Bioelectron, 2018, 115: 14-29.

[7] Dominguez J, Boeree M J, Cambau E, et al. Clinical implications of molecular drug resistance testing for Mycobacterium tuberculosis: a 2023 TBnet/RESIST-TB consensus statement[J]. Lancent Infectious Disease, 2023, 23(4): 122-137.

[8]方坚, 黄玉璐. 肺结核的“前世今生”[J]. 家庭生活指南, 2025, 41(1): 195-196.

[9]夏静, 陈磊, 秦佳, 等. 2014—2020年上海口岸出入境人群肺结核监测结果分析[J]. 中国防痨杂志, 2021, 43(12): 1297-1301.

[10]吴树才, 王新举, 纪俊雨, 等. 基于深度学习卷积神经网络的肺结核CT诊断模型效能初探[J]. 中华结核和呼吸杂志, 2021, 44(5): 450-455.

[11]赵阳, 于秀蕾, 曹波, 等. 人工智能辅助胸片筛查在肺结核感染高危人群中的应用价值[J]. 浙江中西医结合杂志, 2024, 34(11): 1057-1060.

[12]李多, 吕平欣. 推动人工智能技术在肺结核影像领域的发展和运用[J]. 中国防痨杂志, 2024, 46(3): 253-259.

[13] Park J, Hwang E J, Lee J H, et al. γ干扰素释放试验阳性患者中活动性肺结核的识别:基于深度学习的计算机辅助检测系统在不同实施场景中的价值[N/OL]. 中国防痨杂志期刊社, (2023-02-16). https://www.cn-healthcare.com/articlewm/20230216/content-1511474.html.

[14]安超, 张晨, 郑广平, 等. 基于深度学习的胸部X线肺结核检测研究及多中心临床验证[J]. 放射学实践, 2022, 37(6): 704-709.

[15]吴键, 侯代伦. 深度学习在肺结核影像诊断中的应用[J]. 中国防痨杂志, 2022, 44(1): 91-94.

[16]袁作辉. 人工智能和结肠镜检查:两项随机试验的经验教训[J]. 结直肠肛门外科, 2022, 28(3): 289-290.

[17]谢浩杰, 鲁明丽, 张陈, 等. 基于深度学习的肺结核检测综述[J]. 中国医学物理学杂志, 2024, 41(7): 918-924.

[18]赵晶, 魏亚明, 闫伟伟. 深度学习在医学图像分析中的应用[J]. 计算机应用文摘, 2025, 41(1): 112-114, 117.

[19]于浩森, 董继祥, 李海鹏, 等. 基于人工智能深度学习的CT-MRI多模态影像自动融合分割技术在前交叉韧带重建术前规划中的应用[J]. 中华骨与关节外科杂志, 2025, 18(1): 27-35.

[20]马良玉, 闾蓉, 朱宁波. 信息化平台下的人工智能辅助诊断技术优化[J]. 计算机应用文摘, 2025, 41(3): 70-72.

[21]田根源. 基于深度学习的联邦学习中数据隐私保护方法[J]. 火力与指挥控制, 2025, 50(1): 189-194.

基金项目：海关总署科研项目（2024HK099）

第一作者：马赛（1978—），男，汉族，河北廊坊人，硕士，副主任医师，主要从事出入境传染病监测工作，E-mail: ma_sai@126.com

通信作者：胡薇（1976—），女，汉族，山东济宁人，硕士，副主任医师，主要从事疾病监测工作，E-mail: prettyvivian@126.com

1. 青岛国际旅行卫生保健中心（青岛海关口岸门诊部） 青岛 266071

2. 青岛市市南区疾病预防控制中心 青岛 266071

3. 日照国际旅行卫生保健中心（日照海关口岸门诊部） 日照 276800

1. Qingdao International Travel Health Care Center (Outpatient Department of Qingdao Customs Port), Qingdao 266071

2. Qingdao Shinan Municipal Center for Disease Control and Prevention, Qingdao 266071

3. Rizhao International Travel Health Care Center (Outpatient Department of Rizhao Customs Port), Rizhao 276800