AI對肺磨玻璃結節篩查及定性的臨床應用研究

蔡雅倩, 張正華, 韓丹, 黃建強, 李浚利, 金文鳳

肺癌的發病率、病死率已位居我國惡性腫瘤第一位，早期診斷和治療可明顯提高患者生存質量，延長生存期。隨著高分辨率CT (high resolution CT,HRCT)在肺癌早期篩查中的普及，圖像數量倍增、小結節顯示率提高及定量測量使閱片工作量顯著增加，高強度工作致影像科醫生易產生視覺疲勞，加之經驗不足等，不可避免導致小結節的漏診率增高，特別是磨玻璃結節(ground glass nodule，GGN)，密度淺淡，漏診率更高。以往研究表明持續存在的GGN可能提示癌前病變、微浸潤性或浸潤性腫瘤的可能[1]，因此在大量圖像資料中準確篩查出GGN并早期定性，已成為臨床迫切需求。基于深度學習的人工智能(artificial intelligence，AI)憑借其準確的算法模型，不僅能在短時間內檢出GGN，而且能對其進行定性分析，預判其良惡性，已在臨床廣泛試用，但對其準確性目前尚無明確定論。本研究旨在探討AI對GGN篩檢和定性診斷的臨床應用價值。

材料與方法

1.研究對象

搜集2018年12月-2019年6月間行胸部CT平掃的200例患者。病例納入標準：①結節直徑≤3 cm；②CT圖像層厚為1 mm。病例排除標準：①肺部彌漫性病變；②圖像有嚴重偽影。137例GGNs患者經手術病理證實，其中良性54例，惡性83例。54例良性病變患者中，男25例，女29例，平均年齡(52.24±8.47)歲，包括不典型腺瘤樣增生6例，肺泡間隔纖維化12例，結核11例，炭末沉積6例，炎癥19例；83例惡性病變患者中，男30例，女53例，平均年齡(54.64±8.45)歲，包括浸潤性腺癌44例，微浸潤性腺癌29例，原位癌10例。

2.CT掃描方法

采用Siemens Somatom Definition AS 128層螺旋CT機、Siemens Somatom Definition Flash及聯影UCT 760行胸部HRCT平掃。Siemens Somatom Definition AS 128層螺旋CT機及Siemens Somatom Definition Flash掃描參數：管電壓100 kV，管電流80 mAs，CarekV semi，自動管電流調制，螺距0.938，重建卷積函數采用B70f。聯影UCT 760掃描參數：管電壓100 kV，管電流80 mAs，自動管電流調制，螺距0.938，肺窗濾波函數B-SHARP-C。重建層厚1 mm，層間距1 mm。掃描范圍從肺尖至肺底全部區域，兩側包括胸壁、腋窩。采用肺窗進行圖像分析(窗寬1500 HU，窗位-400 HU)。

3.圖像分析處理

由兩位從事胸部影像診斷的高年資醫師對200例患者的胸部CT圖像同時進行閱片分析，定量結節個數，兩者意見不一致時，討論后達成統一意見。根據閱片方式不同將200例患者分成3組：A組由住院醫師單獨閱片，B組由AI(醫學影像輔助診斷軟件Dr.Wise Lung Analyzer，版本：V1.1.0.1，型號：MIDS-PNA)單獨閱片，C組由住院醫師結合AI綜合閱片。記錄每組的閱片時間及結節檢出數，并以兩位高年資醫師的診斷結果為標準，分別計算A、B、C三組的誤診率、漏診率、敏感度、陽性預測值，誤診率=誤診數/檢出數×100%，漏診率=漏診數/結節總數×100%，敏感度=診斷正確數/結節總數×100%，陽性預測值=診斷正確數/檢出數×100%。

將經手術病理證實的137例患者的肺窗薄層圖像調入進行AI分析(圖1)，得到相關量化參數：結節長徑、短徑、最大面積、體積、平均CT值、最大CT值、最小值CT值及惡性概率。長徑和短徑分別為結節在三維空間內的最長徑和最短徑。惡性概率為AI基于計算機深度學習分析肺結節特征后得出結節為惡性的概率。

4.統計學分析

采用SPSS21.0軟件包進行統計學分析。采用χ2檢驗和t檢驗比較A、B、C三組間肺GGN檢出效能的敏感度、誤診率、陽性預測值和平均診斷時間；比較GGN良、惡性組間一般臨床資料和AI量化參數的差異，采用受試者工作特征(receiver operator characteristic,ROC)曲線分析其診斷效能，并采用Logistic回歸分析其惡變的獨立危險因素。以P<0.05為差異有統計學意義。

結 果

1.肺GGN檢出情況比較

由兩位從事胸部影像診斷的高年資醫師對200例患者的胸部CT圖像進行分析，確認有1230個結節。A組檢出854個結節，誤診52個，漏診428個； B組檢出1476個結節，誤診320個，漏診74 個；C組檢出1476個結節，誤診63個，漏診49個。三組的平均診斷時間見表1，兩兩比較差異均有統計學意義(P值均<0.05)。統計學分析結果顯示B組誤診率高于A、C組，陽性預測值小于A、C組；A組漏診率高于B、C組，敏感度低于B、C組，差異均有統計學意義(P值均<0.05，表1)。

圖1AI自動篩選肺結節并對其進行定量分析,計算機自動測量其長徑、短徑、最大面積、平均CT值、最大CT值、最小CT值，并對其進行準確定位。a) AI對肺內結節進行篩檢、勾畫結節輪廓并標注序號； b) AI直接顯示肺結節的各參數。

圖2GGN各量化參數的ROC曲線。

表1 三種閱片方式肺結節檢出情況比較

注：*表示與其它組比較，差異具有統計學意義(P<0.05)。

2.良惡性肺GGN患者的一般臨床特征及AI定量參數比較

GGN良、惡性患者組間年齡、性別、短徑、最小CT值差異均無統計學意義(P值均>0.05)，長徑、最大面積、體積、平均CT值、最大CT值及惡性概率差異均有統計學意義(P值均<0.05，表2)。

3.診斷效能分析

表2 GGN良惡性組間臨床特征及AI量化參數比較

對良、惡性組間有統計學差異的各個參數進行ROC曲線分析(圖2)，以曲線下面積(area under curve,AUC)大于0.7的參數為自變量，以病理結果良惡性為因變量，進行二元Logistic回歸分析，結果顯示長徑[優勢比(odds ratio，OR)=4.232,P<0.001]和最大面積(OR=0.896,P=0.008)是GGN惡變的獨立危險因素。

表3 GGN良、惡性組的ROC曲線分析

討 論

肺癌是我國最常見的惡性腫瘤，病死率高，但研究表明IA期肺癌患者中，原位癌和微浸潤性癌術后五年生存率可接近100%[2,3]，因此肺癌的早期發現、早期診斷及治療顯得尤為重要。早期篩查已成為肺癌防治的重要手段，其中HRCT是國際公認的有效手段。肺結節篩查圖像診斷較為簡單，但隨著人們健康體檢意識不斷加強，胸部HRCT篩查人群日益增多，圖像數量倍增，影像醫師的工作壓力也日趨增大，漏診、誤診的風險不斷增加。AI的出現不僅降低了早期肺癌的漏診率，也在一定程度上解放了影像科醫生的雙眼，使其可將有限的精力用于更高難度的工作中。AI是現階段各行各業研究的熱點，目前已廣泛運用于影像、臨床及病理等多個醫學領域[4,5]，主要集中在發現異常、量化測量及鑒別診斷等方面[6,7]。而用于肺結節篩查和定性的輔助診斷軟件國內外各有不同，主要是由于模型算法不同使其結果的靈敏度、特異度出現一定偏差[8]。本研究旨在探討我院引入的深睿公司醫學影像輔助診斷軟件對肺GGN檢出和定性診斷的價值。

本研究結果顯示A組的漏診率明顯高于B、C兩組，而敏感度明顯低于B、C兩組，正是由于醫生在進行大量重復閱片過程中不可避免地產生視覺疲勞，大大影響結節的檢出情況。B組的誤診率明顯高于A、C兩組，而陽性預測值明顯低于A、C兩組，原因為AI主要容易將局部稍增粗的肺紋理誤判為GGN，表明AI的算法有待進一步完善和提高。C組(住院醫師結合AI)的閱片診斷水平接近于高年資醫師，明顯提高了GGN的檢出率，減少了漏診風險，又彌補了AI假陽性率高的缺點。另外，AI平均6s能完成1例閱片，而一般人工閱片需要7 min，人工結合AI大大提高了影像科醫生的工作效率和診斷準確性，值得廣泛推廣，與胡瓊潔等[9]和邵亞軍等[10]的研究結果一致。

以往較多研究探討肺GGN良、惡性間三維特征的差異，對其良惡性預判具有一定參考價值，但測量繁瑣、費時，AI彌補了這些缺點，可直接提取結節并對其各指標進行準確量化，方便、快捷，減少了人工測量的誤差，可重復性強。另外AI可根據其模型算法計算出結節的惡性概率，影像醫生可參考AI提供的三維特征參數及惡性概率對其進行定性分析，提高診斷效率。本研究中，GGN良、惡性組間結節短徑和最小CT值差異無統計學意義，長徑、最大面積、體積、平均CT值、最大CT值及惡性概率差異均有統計學意義，與Shi等[11]的研究結果一致。回歸分析結果顯示長徑和最大面積是GGN惡變的危險因素，AUC分別為0.867、0.899，當臨界值分別為10.34 mm、61.12 mm2時，敏感度均為0.795，特異度分別為0.852、0.870。Kitami等[12]和熊廷偉等[13]的研究結果表明直徑是GGN惡變的危險因素，Yang等[14]的研究結果也表明基于直徑的logistic回歸模型用于區分良、惡性GGN的準確率達78.7% ，AUC為0.861，敏感度和特異度分別為78.0%、80.0%。最大面積是GGN惡變的獨立危險因素以往少有文獻報道，可能與本研究中部分GGN整體體積縮小、局部惡變面積增大有一定關系，需擴大樣本量進一步證實。關于GGN的CT值以往研究結果各有不同，矯娜等[15]研究表明惡性GGN的平均CT值及最大CT值均明顯高于良性GGN，而Xiang等[16]認為兩者差異并無統計學意義，本研究結果表明兩者間差異有統計學意義，病理機制可能是由于惡性GGN內腫瘤細胞沿著肺泡間隔貼壁生長，導致肺泡腔內氣體減少，或由于肺泡塌陷、纖維化等導致病灶內局部密度增高[17]。Logistic回歸分析結果顯示惡性概率不是GGN惡變的危險因素，表明AI對GGN的定性預判能力有待提高。但是，本研究發現良、惡性兩組GGN的惡性概率差異有統計學意義，當惡性概率大于80%時，提示GGN惡性的可能性較大，具有一定參考價值。因此在診斷工作中重點觀察AI提供的GGN長徑、最大面積、體積、CT值、惡性概率等參數，并結合常規形態學進行綜合分析，可明顯提高GGN定性診斷的準確率。

本研究存在以下局限性：①需擴大樣本量，進一步對結果進行驗證；②未引入隨訪數據等重要指標說明AI在肺結節隨訪中的價值，有待進一步研究。

綜上所述，在肺GGN的檢出及良、惡性鑒別診斷方面，AI可在短時間內有效提高GGN檢出的敏感度，并對其三維特征參數進行準確量化，計算其惡性概率，且結果可信度較高，是影像科醫生可靠而實用的有力助手，可在臨床中廣泛應用。但目前AI的假陽性率仍較高，需進一步改善其算法以提高特異度。