人工智能輔助５１２層螺旋ＣＴ三維掃描對肺惡性結節診斷價值

廖忠劍 王肇平 劉艷平 鄧星星 黃穎文

[摘要] 目的 探討人工智能（AI）輔助512層螺旋CT三維掃描對肺惡性結節診斷價值。 方法 選取2019年6月至2020年12月我院109例肺惡性結節患者，均接受512層螺旋CT三維掃描，分別經AI閱片及人工閱片。統計分析人工閱片及AI閱片用時、人工閱片及AI閱片對不同直徑、不同部位肺惡性結節檢出情況。 結果 AI閱片用時為（0.51±0.13）min/例，短于人工閱片的（2.98±1.01）min/例，差異有統計學意義（P<0.05）;AI閱片對直徑>10 mm的肺惡性結節檢出率（98.41%）與人工閱片（95.24%）間比較，差異無統計學意義（P>0.05），AI閱片對直徑<5 mm、直徑5～10 mm的肺惡性結節檢出率為（97.35%、96.63%），高于人工閱片的（80.53%、80.90%），兩組比較，差異有統計學意義（P<0.05）;人工閱片對肺門、中間區域、外圍區域、胸膜下肺惡性結節檢出率為100.00%、98.11%、99.35%、90.00%，高于人工閱片的33.33%、79.25%、92.16%、74.00%，差異有統計學意義（P<0.05）。 結論 AI輔助512層螺旋CT三維掃描在肺惡性結節中具有較高應用價值，可提升不同直徑和位置結節檢出率，縮短閱片用時，且利于減小影像科醫師工作負擔。

[關鍵詞] 人工智能;512層螺旋CT;肺惡性結節;診斷價值

[中圖分類號] R445.2? ? ? ? ? [文獻標識碼] B? ? ? ? ? [文章編號] 1673-9701（2021）31-0135-03

[Abstract] Objective To investigate the diagnostic value of artificial intelligence-assisted（AI-assisted）512-slice spiral computed tomography（CT）3D scan for pulmonary malignant nodules（PMN）. Methods A total of 109 patients with PMN in our hospital from June 2019 to December 2020 were selected， all of whom underwent 512-slice spiral CT 3D scans. The results were read by AI and manually， respectively. The time spent for manual and AI reading， and the detection rate of PMN of different diameters and at different sites by manual and AI reading were statistically analyzed. Results The time spent for AI reading was（0.51±0.13）minutes/case， which was shorter than that for manual reading（2.98±1.01）minutes/case， and the difference between the two groups was statistically significant（P<0.05）.There was no significant difference in the detection rates of PMN of diameter >10 mm between the AI reading group（98.41%）and the manual reading group（95.24%，P>0.05）. The detection rates of PMN of diameters<5 mm and 5-10 mm in the AI reading group（97.35% and 96.63%）were higher than those in the manual reading group（80.53% and 80.90%）， with statistically significant differences（P<0.05）.The detection rates of PMN at the pulmonary hilum， middle region，peripheral region， and subpleura in the AI reading group（100.00%，98.11%，99.35%，90.00%）were higher than those in the manual reading group（33.33%，79.25%， 92.16%，74.00%）， with statistically significant differences（P<0.05）. Conclusion AI-assisted 512-slice spiral CT 3D scan has a high application value in the diagnosis of PMN， which can improve the detection rate of nodules of different diameters and at different sites， shorten the time spent on film reading， and help to reduce the workload of imaging physicians.

[Key words] Artificial intelligence;512-slice spiral CT;Pulmonary malignant nodules;Diagnostic value

肺惡性結節為臨床多發惡性腫瘤疾病，我國為肺惡性結節多發地區，近年來，受不良生活習慣養成、環境污染、抽煙等諸多因素影響，其發病率持續增高，對患者生活質量及身心健康構成了極大威脅[1-2]。同時，肺惡性結節具有較高病死風險，整體5年生存率不足15%，而ⅠA期患者經手術切除后長期生存率則可達80%，故早期對疾病進行明確診斷對指導臨床及早采取對應治療方案以延長患者生存期限具有重要意義[3-4]。多層螺旋CT為肺惡性結節重要診斷措施，具有操作簡單、輻射小、安全性高、費用低廉等諸多優勢，目前臨床對于早期肺部惡性結節的篩查工作主要是由影像科醫師人工讀片進行的，但受整體醫療水平與培訓水平等諸多因素限制，導致醫生水平存在較大區域差異性，診斷結果極易受閱片者主觀因素等影響，且針對部分位置隱匿、直徑較小的結節極易漏診，進而導致患者延誤最佳干預時機[5-6]。近年來，人工智能（Artificial intelligence，AI）在醫學診斷領域中應用價值逐漸得到廣泛關注，其能節約手動提取病灶特征用時，且具有強大后處理能力、分析能力[7]。基于此，本研究特選取我院109例肺惡性結節患者，分組探討AI輔助512層螺旋CT三維掃描診斷價值，現報道如下。

1 資料與方法

1.1 一般資料

選取2019年6月至2020年12月我院109例肺惡性結節患者，納入標準：①符合《肺結節診治中國專家共識（2018年版）》[8]中肺惡性結節診斷標準，并經病理檢查確診者;②18歲<年齡<80歲者;③知曉本研究，簽署同意書者。排除標準：①存在言語溝通障礙、認知功能障礙、聽力障礙、神經系統病變者;②存在造血功能、凝血功能障礙者;③合并腎肝等臟器器質性病變者;④合并心腦血管病變者;⑤合并淋巴系統腫瘤、結核病及其他肉芽腫性病變者;⑥合并彌漫性、間質性轉移肺病者;⑦依從性差，無法配合完成調查研究者。本組男61例，女48例;年齡42～73歲，平均（56.37±13.69）歲。本研究經我院醫學倫理委員會審批通過。

1.2 診斷方法

所有患者均接受512層螺旋CT三維掃描，設備選取美國GE公司512層螺旋CT機，檢查前告知患者如何進行吸氣及屏氣訓練，確保其檢查過程中能有效配合，協助患者取平臥位，上舉雙手，吸氣末單次屏氣掃描，以肺尖到肋膈角尖端水平作掃描范圍，設定相關檢查參數至：重建圖像層厚為1 mm、肺窗窗位為600 Hu、窗寬為1500 Hu、縱隔窗窗位為50 Hu、窗寬為350 Hu、掃描層厚為5 mm、管電流為40 mAs、管電壓為120 kVp。閱片處理：①AI閱片：由1名呼吸科醫師通過肺結節篩查系統實施輔助診斷，將影像資料輸入肺癌智能篩查系統，自動分析結節征象（血管集束征、毛刺征、分葉征）、性質、CT值、結節直徑等;②人工閱片：挑選具有豐富臨床經驗的呼吸科醫師對患者胸部CT檢查結果進行分析診斷，依據《肺結節診治中國專家共識（2018年版）》相關診斷標準進行評估。

1.3 觀察指標及評價標準

①統計分析人工閱片及AI閱片用時;②統計分析人工閱片及AI閱片對不同直徑肺惡性結節檢出情況;③統計分析人工閱片及AI閱片對不同部位肺惡性結節檢出情況。

1.4 統計學方法

采用SPSS 22.0統計學軟件進行數據分析，計量資料以均數±標準差（x±s）表示，組間比較采用t檢驗，計數資料以[n（%）]表示，組間比較采用χ2檢驗，P<0.05為差異有統計學意義。

2 結果

2.1 人工閱片及AI閱片用時

AI閱片用時為（0.51±0.13）min/例，短于人工閱片的（2.98±1.01）min/例，差異有統計學意義（t=25.323，P=0.000）。

2.2 人工閱片及AI閱片對不同直徑肺惡性結節檢出情況

對直徑>10 mm的肺惡性結節，AI閱片檢出率（98.41%）與人工閱片（95.24%）檢出率比較，差異無統計學意義（P>0.05）;對直徑<5 mm、直徑5～10 mm的肺惡性結節，AI閱片檢出率為97.35%、96.63%，高于人工閱片的80.53%、80.90%，差異有統計學意義（P<0.05）。見表1。

2.3 人工閱片及AI閱片對不同部位肺惡性結節檢出情況

人工閱片對肺門、中間區域、外圍區域、胸膜下肺惡性結節檢出率為100.00%、98.11%、99.35%、90.00%高于人工閱片的33.33%、79.25%、92.16%、74.00%，差異有統計學意義（P<0.05）。見表2。

3 討論

肺惡性結節致病因素復雜，與肺部慢性炎癥、結合、環境污染、吸煙等均具有密切關聯性，且疾病早期缺乏特異性臨床表現，導致早期確診率較低[9-11]。因此，如何有效診斷肺惡性結節仍是研究熱點。

多層螺旋CT為肺惡性結節重要診斷手段，可提升對肺結節類型、淋巴結腫大情況、肺尖至病變情況掌握程度，對肺惡性結節具有較高診斷價值[12-13]。同時，近年來隨影像技術不斷發展完善，多層螺旋CT技術更加成熟，當前臨床多是通過人工閱片，假陽性率較低，并易把一些細小的支氣管血管束斷面誤認為異常肺小結節，但人工閱片方式存在漏診或誤診風險，且極大增加了影像科醫師工作量，影響其工作效率，從而進一步增大漏診、誤診風險[14]。此外，隨著科技發展，AI在臨床各科領域得到廣泛應用，相較于傳統計算機輔助檢查系統，AI能充分呈現、利用肺惡性結節三維空間信息，顯著提升病變檢出率，其主要通過計算機利用大數據分析比對，以此獲取特征性圖像表現[15]。過去的一定時間內，臨床開發了多種針對肺部小結節篩查的計算機輔助診斷（Computer aidel diagnosis， CAD）技術，通過人工智能具有的深度學習能力，采取訓練大規模數據集的方式自動化學習與提升，通過深度學習全面評估、分析病灶特征，實施逐層分析，多維度理解和學習，可有效進行醫學圖像的分析處理。同時，人工技能技術綜合了大數據自動化學習與深度學習，在影像診斷中具備良好檢測價值，可提升臨床對圖像與病灶分類的準確度、敏感性及特異性，自客觀數據分析比對形成檢測結果，最大程度減少主觀因素對閱片結果的干擾。此外，人工智能技術強大的計算能力與機械設備能24 h高精度工作，能有效降低人工閱片醫師的工作強度，且利于提升病灶的檢出率，極大程度降低了微小病灶漏診率[16-17]。王爽等[18]研究還指出，相較于傳統計算機輔助監測系統，AI準確度更高，且運算速度較快，其通過學習、不斷更新參數，可提取更有效的結節區分特征，對結節區分準確度較高。李甜等[19]學者研究結果證實，AI閱片對肺磨玻璃結節、肺惡性結節診斷陽性率較高，但AI閱片對肺惡性結節診斷特異度較低，故臨床實際可聯合人工閱片及AI閱片進行綜合評估，以此提升肺部結節鑒別診斷準確度。本研究結果顯示，除直徑>10 mm的肺惡性結節外，AI閱片對不同直徑、不同部位的肺惡性結節檢出率均顯著高于人工閱片，差異有統計學意義（P<0.05），表明相較于人工閱片，AI輔助512層螺旋CT三維掃描診斷價值更高，分析其原因主要在于細小結節和血管斷面軸位投影較相似，可增大臨床診斷難度，且大量CT數據可增大臨床醫師工作負擔，導致其難以于有限時間內有效集中精力，以致因疏忽而漏診細微肺結節，加之臨床醫師閱片時通常選擇水平軸位影像，且是主觀判斷，此類因素均在一定程度上增加了肺惡性結節漏診及誤診率，而AI輔助則可有效避免上述不足，最大程度提升結節檢出率，避免延誤患者最佳干預時機。但臨床實際應注意，患者細支氣管發生擴張、增厚、氣管分泌物等也會增加AI診斷難度，故臨床實際可參照患者具體狀況綜合應用人工閱片、AI閱片。王杜春等[20]學者指出，AI閱片可能會將細小支氣管血管束斷面自動分析為異常肺小結節，故仍然需影像診斷醫師進行綜合評估，以此互相印證、互相補充，最大程度提升肺惡性結節早期診斷符合率，從而指導臨床合理選擇治療方案，利于保證生存質量和生存時間，改善預后。

綜上所述，AI輔助512層螺旋CT三維掃描在肺惡性結節中具有較高應用價值，可提升不同直徑和部位結節檢出率，縮短閱片用時，且利于減小影像科醫師工作負擔。

[參考文獻]

[1] Prayer F，Rhrich S，Pan J，et al.Künstliche intelligenz in der bildgebung der lunge artificial intelligence in lung imaging[J].Der Radiologe，2019，60（1）：42-47.

[2] Li XL，Guo F，Zhou Z，et al.Performance of deep-learning-based artificial intelligence on detection of pulmonary nodules in chest CT[J].Chinese Journal of Lung Cancer，2019，22（6）：336-340.

[3] 王大為，楊正漢，王振常，等.能譜CT虛擬平掃在肺結節AI輔助診斷系統預測亞實性結節惡性概率中的應用[J].放射學實踐，2020，35（8）：972-977.

[4] Liu XP，Zhou HY，Hu ZX，et al.Clinical application of artificial intelligence recognition technology in the diagnosis of stage T1 lung cancer[J].Chinese Journal of Lung Cancer，2019，22（5）：319-323.

[5] 孫炎冰，陶廣昱，陳群慧，等.人工智能CT定量分析肺磨玻璃密度結節初探[J].中國醫學計算機成像雜志，2018，24（5）：383-387.

[6] 明佳蕾，方向明.基于人工智能的CT肺結節檢出臨床應用及研究進展[J].中華放射學雜志，2019，53（6）：522-525.

[7] 邱露，方向明，陳宏偉.人工智能輔助CT肺結節良惡性鑒別的研究進展[J].臨床放射學雜志，2019，38（12）：2453-2456.

[8] 中華醫學會呼吸病學分會肺癌學組，中國肺癌防治聯盟專家組.肺結節診治中國專家共識（2018年版）[J].中華結核和呼吸雜志，2018，41（10）：763-771.

[9] 陳疆紅，鐘朝輝，江桂蓮，等.人工智能肺結節輔助診斷系統預測亞實性肺結節惡性概率[J].中國醫學影像技術，2020，36（4）：535-539.

[10] 范海生.多層螺旋CT診斷孤立性肺結節良惡性的準確率[J].中國藥物與臨床，2018，18（12）：2128-2129.

[11] 賈偉君，李垚，文爽，等.多層螺旋CT Myrian后處理技術對肺內結節的定性診斷價值研究[J].中國醫學裝備，2020，17（4）：79-82.

[12] 戴志京，孫蓉，錢小建.多層螺旋CT聯合磁共振擴散加權成像在肺部結節良惡性病變鑒別診斷中的應用[J].中國CT和MRI雜志，2019，17（12）：62-64.

[13] 徐銘，陳小剛.多層螺旋CT診斷肺部單發結節臨床分析[J].醫學影像學雜志，2019，29（7）：1233-1236.

[14] 黃云開.人工智能診斷肺結節的應用分析[J].實用醫技雜志，2020，27（8）：1001-1003.

[15] 趙呈華.人工智能輔助診斷系統聯合CT檢查肺結節的診斷價值[J].實用臨床醫藥雜志，2020，24（19）：9-11.

[16] Krarup MK，Krokos G，Manil Subesinghe，et al.Artificial intelligence for the characterization of pulmonary nodules，lung tumors and mediastinal nodes on PET/CT -sciencedirect[J].Seminars in Nuclear Medicine，2020，51（2）：143-156.

[17] 葉小聰，陳起忠，郝明志，等.CT引導同軸穿刺技術在肺結節早期定性診斷中的應用[J].中國醫藥導報，2020， 17（22）：136-139，155.

[18] 王爽，雷盛，谷濤，等.人工智能肺結節輔助診斷軟件在肺CT檢查結節分析中的臨床應用[J].中華肺部疾病雜志（電子版），2019，12（6）：757-759.

[19] 李甜，李曉東，劉敬禹.人工智能輔助診斷肺結節的臨床價值研究[J].中國全科醫學，2020，23（7）：828-831，836.

[20] 王杜春，任龍，劉寧川，等.人工智能+醫學影像在肺結節檢測中的應用研究[J].影像研究與醫學應用，2019，3（16）：39-41.

（收稿日期：2021-05-28）