重建層厚（1/2/3 mm）對人工智能檢測肺結節效能的影響

大連大學附屬中山醫院 放射科，遼寧 大連 116001

引言

肺結節是肺癌的早期表現，其檢出率隨著薄層計算機斷層掃描（Computed Tomography，CT）技術的發展而提高，國內大型三級醫院現已大部采集薄層圖像，但明顯增多的CT數據不僅增加了影像科醫師的閱片負擔[1]，同時對醫院PACS的傳輸、硬盤的存儲等方面也帶來了大量的負擔，醫院每年對此付出的經濟成本相當巨大[2-3]。目前，很多基層醫院由于財政投入不足，使用的CT設備及網絡建設還相對落后，受限于機器的球管熱容量、輻射劑量以及網絡存儲空間、傳輸速度等條件，并不適合對全部胸部CT采用薄層后處理重建。近年來，人工智能（Artificial Intellience，AI）技術在各個行業中都有了廣泛的應用，基于深度學習[4]的AI輔助診斷系統在影像學診斷肺結節方面的應用有了突飛猛進的進展[5-6]，提高了早期肺癌的檢出率。應用AI技術對海量CT圖像進行初步篩查并標記可疑結節病變，可以幫助三級醫院影像醫師減少工作量并提高診斷準確率[7-8]，也能幫助基層影像醫師降低結節的漏診率。目前國內各級醫院利用AI輔助篩查的胸部CT層厚不盡相同，主要應用在1/2/3 mm層厚的CT圖像，現在還沒有不同層厚間效能對比方面的研究文章，本研究通過分析評價AI所檢出的總結節、>4 mm結節、<4 mm結節、實性結節以及亞實性結節的綜合效能，從而得出相對適合AI檢出肺結節的最佳胸部CT層厚。

1 資料與方法

1.1 研究對象

前瞻性收集2018年11月1日至12月31日在我院影像科門診接受常規胸部CT檢查的280例患者，經排除，符合研究條件的共190例，其中男性101例，女性89例；年齡范圍19～84歲，平均年齡（55.7±7.65）歲。納入標準：① 患者年齡在18歲以上有肺結節患者；② 經AI推測結節數不超過50個；③ 排除帶有偽影的影像資料；④ 排除肺部彌漫性病變、肺炎的影像資料。

1.2 采用設備及掃描技術

采用西門子二代炫速雙源CT，吸氣屏氣狀態下肺尖掃描至兩側腎上腺。掃描參數：管電壓120 kV，自動管電流設置，探測器準直器128×0.6 mm，機架旋轉時間為0.5 s/周，矩陣：512×512。觀察CT圖像的肺窗窗寬1200 HU，窗位600 HU；必要時手動調整合適的窗條件。掃描后數據分別以1/2/3 mm層厚行骨算法重建圖像。

1.3 研究方法及圖像評價

將190例胸部CT行1/2/3 mm層厚重建，卷積核B70f，肺窗。所有重建后數據傳輸至工作站，由推想公司基于深度學習模型的AI軟件將3種層厚的CT圖像分別利用AI進行結節檢測，分別記錄三組層厚的所有肺結節、＞4 mm結節、＜4 mm結節、實性結節以及亞實性結節的檢測個數。所有胸部CT分析由兩名十年以上診斷經驗主治醫師和一名十五年以上診斷經驗的副主任醫師借助AI軟件對190例病例圖像的肺結節制定金標準。統計分析三組肺結節的檢出情況及差異。

1.4 統計學分析

采用SPSS 20.0統計軟件進行數據錄入、整理及統計學分析。分別計算AI對三組數據（各組總結節、>4 mm結節、<4 mm結節、實性結節以及亞實性結節）檢出的敏感度及假陽性率，并對三組肺結節數據進行單因素方差分析或非參數秩和檢驗。P<0.05為差異有統計學意義。

2 結果

2.1 1/2/3 mm層厚檢出結節的數目

190例胸部CT，金標準共檢出1333個肺結節。AI軟件在1 mm層厚共檢出1403個結節，其中正確結節1103個,錯誤結節300個；2 mm層厚共檢出853個結節，其中正確結節607個,錯誤結節246個；3 mm層厚共檢出1077個結節，其中正確結節401個，錯誤結節676個。1 mm層厚檢測的結節最多，明顯優于2和3 mm（圖1），但是檢測>4 mm的結節假陽性較多；2 mm層厚檢測出的結節數要低于1 mm圖像，而假陽性結節數也隨之減少，尤其是檢測>4 mm的結節，假陽性數明顯低于1 mm圖像；3 mm層厚檢測的結節最少，假陽性也是最多，見表1。

表1 1/2/3 mm層厚利用AI檢出結節的數目（個）

2.2 1/2/3 mm層厚檢出結節的敏感度比較

AI軟件在1 mm層厚檢測所有結節的敏感度為（0.833±0.195），2 mm層厚檢測所有結節的敏感度為（0.473±0.258），3 mm層厚檢測所有結節的敏感度為（0.301±0.239），P＜0.001，三組間差異具有統計學意義，見表 2。

?

2.3 1/2/3 mm層厚檢出結節的假陽性率比較

AI軟件在1 mm層厚檢測所有結節的假陽性率為1.58/CT，2 mm層厚檢測所有結節的假陽性率為1.29/CT，3 mm層厚檢測所有結節的假陽性率為3.56/CT；在1 mm層厚圖像檢測>4 mm結節假陽性率最高，其余相對較低；2 mm層厚圖像檢測亞實性結節假陽性率最低，其余介于1、3 mm層厚之間；3 mm層厚圖像檢測>4 mm結節假陽性率最低，其余都很高（圖1）。

表3 1/2/3 mm層厚利用AI檢出不同結節的假陽性率

3 討論

本研究結果顯示AI軟件在三種層厚胸部CT圖像的肺結節檢測中，1 mm層厚檢出的敏感度最高，遠高于2、3mm，分析其原因是因為我們使用的基于深度學習的薄層檢測模型，此模型大部分是通過1 mm層厚圖像的人工標注數據集進行深度學習；三組層厚AI的結節檢測假陽性率均相對較高，尤以3 mm層厚為著，這是由于肺內氣管、血管復雜，肺結節位置又具有多樣性，極易混淆[9-11]。同時，某些肺結節易與肺正常組織粘連，不利于檢測，增加了AI輔助檢查系統的假陽性率[12-13]。

4 mm以上的肺結節更具有臨床意義，也是需要隨訪的對象[14-15]，AI在>4 mm結節檢測中，隨著層厚的增厚，敏感度逐漸降低[16]，但都在較高的水平，3 mm層厚圖像結節檢出敏感度相對較低，也達到了（0.600±0.396）的。有研究表明，AI輔助診斷系統對結節的檢出率隨結節的減小而降低[17-18]，對直徑>4 mm的肺結節，AI輔助檢測系統對肺結節的檢出率為100%，但對直徑≤4 mm的肺結節，其檢出率降至70%[19-20]。而AI在>4 mm結節檢測中，2 mm層厚的假陽性率卻很低，只有1 mm層厚的三分之一左右。

本研究的局限性在于數據樣本量不足，4 mm以上的結節數量較少，因此結果可能存在一定的選擇性偏倚。

綜上所述，AI在1 mm層厚胸部CT的肺結節檢測中，雖然存在一定的假陽性率，但相當高的敏感度可以確保結節檢出率的提升，能極大降低漏診的發生概率，并能提高影像醫師的工作效率；其層厚最薄，數據量最多，所占用的存儲空間最大，建議具有較好經濟基礎，高端CT設備，患者更多的大型三級醫院使用1 mm作為AI檢測肺結節的首選層厚。AI在>4 mm結節的檢測中，2 mm層厚檢測的假陽性率很低，敏感較高，考慮其占用存儲較小，對設備要求不高，更適合經濟基礎比較薄弱，診斷水平相對較低的基層醫院使用。