基于深度學習的檢測算法對不同肺葉肺結節的檢出效果

申太忠，魏友平，馬風榮，張 順，王淑荔

(航空總醫院醫學影像科，北京 100012)

圖1 患者女，86歲，左肺上葉結節 圖2 患者女，47歲，左肺下葉結節

肺癌是中國死亡率最高的癌癥[1]。肺結節，尤其是惡性肺結節是存在被治愈可能的肺癌形式[2],惡性結節早期發病隱匿，病程迅速，預后差，因此肺癌早期篩查極其重要[3]。

近年來，隨著CT技術的進步與肺癌早期篩查的普及，胸部CT已成為早期篩查與診斷肺癌的最主要的非侵入性手段[4-5]，而這在另一方面加重了影像科醫師日常工作的負擔。肺結節自動檢測算法因可提高醫師臨床診斷效率和效果而已成為熱門研究方向[6-7]。對此以深度學習(deep learning， DL)[8]為代表的人工智能 (artificial intelligence, AI) 技術取得了較好效果，但需海量參數進行建模，且對醫師而言可解釋性較差[9]，需要在臨床數據下對不同風險因素[10-11]進行評估，以確定其適用場景。肺結節所在位置是肺癌發病的關鍵因素之一[12]。本研究觀察肺結節所在位置對基于DL的肺結節檢測算法的影響。

1 資料與方法

1.1 一般資料 收集2018年9月21日—2019年5月29日于我院門診或急診接受肺部CT掃描的1 224例肺結節患者。納入標準：①無胸部間質性病變(如肺纖維化、間質性肺炎、間質性肺水腫等)、慢性阻塞性肺疾病、肺結核及各種類型肺炎等肺部彌漫性疾病；②無嚴重呼吸偽影。最終493例患者入組，男210例，女283例；年齡16～94歲,中位年齡57歲。

1.2 方法 使用Toshiba Aquilion ONE 320和Siemens Sensation 16 CT儀，管電壓120 kV，自適應管電流。重建算法均為肺重建，層厚均為2 mm，層間距為2 mm。結節定義為長徑≤3 cm、圓形或橢圓形的局限性高密度影[2]。由1名有17年工作經驗的副主任醫師對每幅圖像進行標注，保證醫生的工作狀態與臨床場景一致，標注結節所在位置及其大小，位置包括左肺上葉(圖1)、左肺下葉(圖2)、左肺斜裂、右肺上葉(圖3)、右肺中葉(圖4)、右肺下葉(圖5)、右肺水平裂、右肺斜裂和胸膜。采用Dr.Wise肺結節輔助診斷軟件中基于DL的肺結節檢測算法進行處理，輸出算法檢出結果，將其與醫師標注結果進行對比，得到肺結節檢測算法對于不同位置結節與醫師標注結節的匹配度等指標。由同一位醫師對未能匹配的算法檢出框進行審核，以確定其具體分布。根據篩查指南[3]建議，本研究僅統計0～4.0 mm與4.1～30.0 mm肺結節相關指標。

1.3 統計學分析 采用開源函數庫Scipy1.0.0進行數據處理與統計。采用多個樣本比較的秩和檢驗，對肺結節檢測算法在不同位置檢出的結節與醫生標注結節的匹配度，以及未能匹配的算法檢出框的數量及其在各個肺葉及胸膜葉間裂的分布進行統計學分析[13]。P<0.05為差異有統計學意義。

2 結果

基于DL的肺結節檢測算法對不同位置結節與醫生初次標注結節的匹配結果見表1。檢測算法對0～4.0 mm肺結節與醫師初次標注結節的匹配度為84.38%，4.1～30.0 mm肺結節匹配度為96.84%。檢測算法對0～4.0 mm和4.0～30.0 mm結節對不同位置肺結節的匹配度差異均無統計學意義(P均>0.05)。

基于DL的肺結節檢測算法共得出2 177個檢出框，其中710個與醫師初次標注結果匹配(表2)；1467個未能匹配，其中747個(56.92%)經審核判定為算法比醫生初次標注多檢出的結節。進一步分析結果(表3)顯示，基于DL的肺結節檢測算法多檢出的結節數量位置差異具有統計學意義(P均<0.05)，右肺上葉多檢出結節數量最多，為187個，右肺中葉數量最少，為47個。基于DL的肺結節檢測算法多檢出的結節中，0～4.0 mm 結節占比80.05%，4.1～30.0 mm 結節占比僅為19.95%，見表4。

3 討論

在傳統肺結節良惡性判定模型如貝葉斯推斷[14]和邏輯回歸[15]中，結節所在肺葉位置被認為是具有預言性的特征。就概率而言，肺實性結節所在肺葉位置與其活檢病理結果具有一定相關性[12]，相比其他位置，右肺中葉和右肺下葉實性肺結節類癌可能性更大，而右肺上葉實性肺結節則腺癌可能性更高。從頻率上看，肺癌(包括鱗癌、小細胞癌和腺癌)主要出現在兩肺上葉[16]。另有文獻[17]報道，肺癌多發生于右肺，尤其是右肺上葉。

表1 基于DL的肺結節檢測算法在不同肺葉檢出結節與醫生初次標注結節的匹配結果(個)

注：*：醫師初次標注的結節中可與算法檢出框相匹配的比例

圖3 患者男，85歲，右肺上葉結節 圖4 患者男，29歲，右肺中葉結節 圖5 患者女，88歲，右肺下葉結節

表2 算法檢出框審核結果

表3 基于DL的肺結節檢測算法在不同位置多檢出結節數量

表4 基于DL的肺結節檢測算法多檢出結節的大小分布

針對結節所在位置對于檢出效果的影響，既往國內外相關研究較少，且大多集針對輻射劑量、重建算法等因素的影響。如文獻[11]報道，低輻射劑量多層螺旋CT能夠清晰顯示肺中部與底部的正常生理結構，對檢測肺內病灶不會產生消極影響。另有文獻[10]指出，相比1.25 mm重建層厚，使用2.50 mm重建層厚胸部CT 并不會對檢出結節及判斷結節相關征象造成顯著影響。作為對未來使用AI系統輔助肺結節篩查的可行性研究之一，本研究以結節所在位置作為影響因子，觀察其是否對基于DL的醫療輔助診斷軟件檢出肺結節產生影響。由于4種篩查指南對肺結節的隨訪流程各有差異[3],但對4.0 mm以下的肺結節均不建議進行隨訪，故本研究僅統計0～4.0 mm與4.1～30.0 mm肺結節相關指標。

由表1可見，無論0～4.0 mm肺結節還是4.1～30.0 mm肺結節，基于DL的肺結節檢測算法檢出的結節與醫師初次標注結節的匹配度在不同位置上均無明顯差別，提示結節所在肺葉或葉間胸膜裂位置對于算法檢出效果無明顯影響。既往研究[9]表明，在大量且具有代表性的數據上進行訓練后，基于DL的肺結節檢測算法檢測效果好，魯棒性也強。本研究所使用的檢測軟件對不同位置肺結節也顯示出了很好的魯棒性。由表3可見，基于DL的肺結節檢測算法比醫師多檢出的結節在肺葉位置分布上有所差異，而不同肺葉的體積不同，故此結果符合臨床認知。結合表1結果，基于DL的肺結節檢測算法對于不同肺葉結節均對醫師標注結果具有補充作用。

審核結果顯示，基于DL的肺結節檢測算法結果未能與醫師初次標注匹配的檢出框中，747個判定為結節，其中0～4.0 mm肺結節占比達80.05%，提示基于DL的肺結節檢測算法可輔助醫生提高總體肺結節檢出率，尤其對于0～4.0 mm小結節更加敏感。

本研究的主要局限性：①本研究中排除了基礎病變與多發結節圖像，而臨床上此類圖像較為常見，且部分基礎病易干擾對于肺結節的判斷；②盡管醫生未檢出和算法檢出肺結節在左肺上葉與右肺中葉無明顯差異，但此兩處易受心臟搏動偽影干擾，有待未來開展更具針對性的研究；③缺乏與其他軟件或檢測算法針對相同數據的公平比對。

綜上，本文驗證了基于DL的肺結節檢測算法對于不同肺葉位置結節具有較好的魯棒性，算法使用流程中，可對肺葉位置這類風險因素施以較少關注。基于DL的肺結節檢測算法可以作為醫師診斷結果的補充。