4月11日，Cell press旗下医学旗舰刊《Med》（医学）杂志在线发表了华中科技大学武汉光电国家研究中心李强教授团队及其合作者的研究论文《Clinician-artificial intelligence collaboration: A winwin solution for efficiency and reliability in atrial fibrillation diagnosis》（临床医生与人工智能协作：房颤诊断效率和可靠性的双赢解决方案）。团队开发了一个临床医生-人工智能协作框架，该框架将临床医生的专业知识与基于24小时动态心电图监测的人工智能模型相结合，用于临床房颤检测。结果表明，该协作实现了很高的诊断准确性，同时将临床医生的工作量减少了76.7%，克服了临床医生存在的13.7%阵发性房颤病人漏检率。该成果有效填补了房颤检测中人工智能算法开发与临床应用之间的空白，首次实现了房颤自动检测人工智能方法在临床房颤筛查中的成功应用。

图1 研究论文的整体内容示意图

房颤是最常见的快速心律不齐，会导致中风和心衰等严重并发症,房颤的及时诊断与干预对于预防这些并发症的发生至关重要。虽然人工智能（AI）在房颤检测领域展现出潜力，但考虑到AI模型存在的偏见与伦理问题，在临床环境中实现房颤的完全自动化诊断仍面临挑战。相比之下，临床医生与AI的有效协作被认为是确保AI模型临床应用有效性与可靠性的关键。但现有方法往往未能实现人类专业知识与人工智能算法的有效融合，如何将人工智能技术进展转化为有效的临床医生-AI协作仍有待探索。

图2 临床医生-AI协作框架

针对这一问题，李强教授团队与华中科技大学同济医学院附属同济医院杨晓云、林凡等医生合作，开发了一种有效融合临床医生与AI各自优势的临床医生-AI协作框架，在超30000例临床病人的24小时动态心电图数据上有效评估了该框架在临床阵发性房颤检测中的使用效果。首先，全面评估了临床阵发性房颤检测中临床医生检测效果与全自动AI算法检测效果，发现临床医生几乎不会将非房颤病例误诊为房颤，但是会漏检短的房颤发作片段，而且整个诊断过程极为费时；相比之下，全自动房颤检测AI算法能实现快速检测，而且在短片段房颤检测上取得了超越临床医生的检测精度，但会导致约23.3%的假阳性诊断。针对临床房颤检测中，临床医生的高特异性优势，与AI算法的高灵敏度优势，提出了如图2所示的临床医生-AI协作框架。

图 3 临床医生房颤检测观测实验

然后，开展了如图3所示的观测实验，12名临床医生在有/无AI协作框架的情况下完成房颤病人诊断任务，发现无AI协作框架时临床医生会漏检房颤病例（7/60），尤其是只存在短片段房颤发作的病例，但是不会将非房颤病例误诊为房颤。在临床医生-AI协作框架下，所有非房颤病例均准确快速诊断且漏检情况大为改善，只存在一例房颤病例漏检（1/60），因为AI模型也漏检了该病例。

最后，专门收集了同济医院连续7个月的临床房颤筛查数据，开展了一个临床房颤检测质量控制实验以进一步验证所提临床医生-AI协作框架的有效性。该实验首次发现临床医生在日常诊断中存在约13.7%的房颤病例漏检，但是应用所提临床医生-AI框架实现了所有房颤病例的准确辨识，有效防止了临床医生对于短片段房颤发作病人的漏检，而且实现了大部分非房颤病例的全自动排除，有效降低了临床医生76.7%的工作负担。单独的临床医生、单独的AI、以及临床医生-AI协作的房颤检测流程对比如图4所示。总的来说，这项研究为人工智能算法落地临床提供了一种新范式，并在临床房颤检测研究中证明了该范式的有效性，也表明临床医生-AI协作是目前人工智能落地临床的有效方向。

图4 单独的临床医生、单独的AI、以及临床医生-AI协作的房颤检测流程

华中科技大学为唯一通讯作者单位，华中科技大学生命科学与技术学院副教授张鹏、华中科技大学同济医学院附属同济医院林凡为论文共同第一作者，华中科技大学武汉光电国家研究中心李强教授与华中科技大学同济医学院附属同济医院主任医师杨晓云为共同通讯作者。该研究得到了国家重点研发计划（2022YFE0200600）、国家自然科学基金（62006087）、国家自然科学基金创新研究群体科学基金（61721092）的资助。