分析肺部影像人工智能診斷系統鑒別診斷肺結節性質

馬景旭 陳歡 王紅

肺結節屬于一種肉芽腫性疾病，常侵犯肺部，分為良性和惡性2種。報道指出[1]，我國肺結節的發病率約為35.5%，其中肺癌占比約為0.54%，而肺癌則是發病率和死亡率增長最快的惡性腫瘤之一，也是我國發病率和死亡率最高的癌癥。研究指出[2]，肺癌均起源于肺結節，及早對肺結節的良惡性進行準確鑒別診斷有助于指導治療，以免肺癌患者錯過最佳治療時機。此外，對肺癌病理類型準確鑒別也有助于指導臨床治療方案的選擇，從而確保改善預后。目前臨床上常用的影像學方法包括X線片、計算機斷層掃描(CT)、核磁共振成像(MRI)、正電子發射計算機斷層掃描(PET-CT)等，均有一定的效能[3-4]，但也存在諸多問題：如不符合智能化發展和醫院信息化建設的需求，且整體效率有待提升的[5-6]。近年來隨著人工智能技術的發展和推廣應用，該技術在疾病診斷中也顯示出有良好的發展前景。為此，醫院特引入肺部影像人工智能診斷系統，并借此鑒別肺結節性質和肺癌病理類型，取得了良好的效能。本研究特進行回顧性分析，深入探討肺部影像人工智能診斷系統在肺結節鑒別診斷中的價值，為其臨床推廣應用奠定基礎，以期促進醫院智能化和信息化建設。

資料與方法

一、臨床資料

經過本醫院倫理委員會審閱批準后，對醫院2018年3月～2019年3月收治的178例肺結節患者的臨床資料展開回顧性分析。本組入選患者中共包括男性86例，女性92例，年齡29～72歲，平均(34.69±9.23)歲，肺結節個數：單發146例、多發32例，共245個肺結節，肺結節橫斷面最大直徑2～62 mm，平均(18.15±2.69)mm，肺結節性質：實性結節98個、亞實性結節62個、純磨玻璃結節85個，肺結節分布：肺周邊區110個、肺門區68個、肺尖區67個。臨床表現：82例患者自述無不適感，無異常表現，時有咳嗽85例，少量咯痰80例，少量咯血42例，乏力56例，盜汗72例，發熱80例，食欲減退82例，胸悶16例，氣急12例，體重減輕34例，發紺7例。

二、篩選標準

入選標準：① 均經電視胸腔鏡檢查證實有肺結節；② 均經肺部影像人工智能診斷系統鑒別肺結節性質及肺癌病理類型；③ 均實施經電視胸腔鏡下穿刺活檢或肺結節切除術，且術后均進行病理檢查；④ 有明確的診斷和檢查結果；⑤ 有完整的臨床資料。

排除標準：① 伴有精神或認知障礙未配合完成診治者；② 中轉至上級醫院或主動放棄治療或失訪者；③ 診斷或檢查結果與受檢者基本信息不符者；④ 其它部位原發性惡性病變中肺部轉移者；⑤ 本人或家屬拒絕對其臨床資料進行回顧者。

三、方法

肺部影像人工智能診斷系統：(1)設計：根據既往醫院電子病歷信息數據庫獲取肺結節影像學檢查圖像及肺結節性質病理診斷、肺癌病理類型檢查結果，標注并提取肺結節病灶位置、直徑、形態等特征，對圖像數據預處理后將所得數據和圖像信息輸入卷積神經網絡，對其進行訓練、調整和校正，保存網絡模型參數，形成肺部影像人工智能診斷系統；(2)應用：對所有受試者進行影像學檢查，包括X線片、計算機斷層掃描(CT)、核磁共振成像(MRI)、正電子發射計算機斷層掃描(PET-CT)等，將檢查結果提取的信息輸入肺部影像人工智能診斷系統，包括肺結節病灶位置、直徑、形態等，利用該系統對肺結節良惡性和肺癌病理類型進行鑒別診斷，輸出結果，并做好記錄。

病理檢查：所有受試者均在利用肺部影像人工智能診斷系統對肺結節良惡性及肺癌病理類型進行鑒別診斷后實施經電視胸腔鏡下穿刺活檢或肺結節切除術，將所取得標本送至病理科進行檢查，明確肺結節性質和肺癌病理類型，統計并記錄病理檢查結果。

四、觀察指標

統計病理檢查結果。

統計肺部影像人工智能診斷系統鑒別診斷結果。

分析肺部影像人工職能診斷系統與病理檢查結果的一致性，包括對肺結節性質良惡性、肺癌病理類型鑒別診斷，均以病理檢查結果為“金標準”。

五、統計學分析

將SPSS 25.0軟件作為統計學工具，采用Kappa檢驗2種診斷方法的一致性，其中Kappa≤0.4認為一致性較差，Kappa>0.4且≤0.75認為一致性一般，Kappa>0.75認為一致性良好，P<0.05為差異有統計學意義。

結 果

一、病理檢查結果統計

經病理檢查顯示，245個肺結節中共有150個良性肺結節(其中140例患者為單發、6例患者為多發)，共有95個惡性肺結節(其中6例患者為單發，26例患者為多發)，惡性結節占比38.78%(95/245)，肺癌患者占比17.98%(32/178)。腺癌、小細胞癌、鱗癌、大細胞癌占比分別為71.88%、18.75%、6.25%、3.13%(見表1)。

表1 肺癌病理檢查結果分布情況(例/%)

二、肺部影像人工智能診斷系統鑒別診斷結果統計

245個肺結節中經肺部影像人工智能診斷系統鑒別有152個良性肺結節，有93個惡性肺結節，有148例患者被診斷為良性肺結節病，有30例患者被診斷為肺癌，其中有21例被診斷為腺癌，有6例被診斷為小細胞癌，有2例被診斷為鱗癌，有1例被診斷為大細胞癌。

三、肺部影像人工智能診斷系統鑒別診斷結果與病理檢查結果的一致性分析

在150個病理檢查為良性肺結節中，分別有147個、3個經肺部影像人工智能診斷系統鑒別分別診斷為良性肺結節、惡性肺結節；在95個病理檢查為惡性肺結節中，分別有5個、90個經肺部影像人工智能診斷系統鑒別分別診斷為良性肺結節、惡性肺結節(見表2)。

表2 肺部影像人工智能診斷系統鑒別診斷肺結節性質“四表格”(個)

在146例病理檢查顯示為肺良性疾病患者中，有143例、3例經肺部影像人工智能診斷系統鑒別診斷為肺良性疾病、肺癌(其中有2例腺癌、1例小細胞癌)；在32例病理檢查顯示為肺癌患者中，有27例、5例經肺部影像人工智能診斷系統鑒別診斷為肺癌(19例被診斷為腺癌，有5例被診斷為小細胞癌，有2例被診斷為鱗癌，有1例被診斷為大細胞癌)、肺良性疾病(見表3)。

表3 肺部影像人工智能診斷系統鑒別診斷肺結節性質患者“四表格”(例)

經Kappa一致性檢驗，肺部影像人工智能診斷系統鑒別肺結節良惡性、肺良性/肺癌患者結果與病理檢查結果的一致性均良好(P<0.05)(見表4)。

表4 一致性檢驗

四、典型病例病理檢查結果

劉某某，女，64歲，以“體檢發現左肺占位1年”為主訴就診我院，入院后完善相關輔助檢查，診斷考慮為：右肺上葉癌，明確無手術禁忌癥后在全麻下行單孔胸腔鏡下右肺上葉楔形切除術+胸膜粘連烙斷術+胸腔閉式引流術，手術順利。術前CT薄層掃描，層厚1 mm ，主要表現右上肺尖段團片影，邊緣可見長毛刺及分葉，邊界清，大小約22×18 mm，CT值22～34 Hu，增強后病變未見強化；術后病理回示：(右肺上葉楔切標本)肺浸潤性腺癌(乳頭狀腺癌約占40%，腺泡狀腺癌約占20%，貼壁生長約占40%)，腫瘤最大徑約1.3 cm，待彈力纖維染色協助判斷是否侵犯胸膜；長線標記處肺組織局灶纖維組織增生，碳沫沉積。(右肺上葉楔切標本)結合彈力纖維染色結果，腫瘤侵犯臟層胸膜(見圖1～5)。

圖1 右肺尖段結節灶，毛刺、分葉

討 論

人工智能是研究、開發用以模擬、擴展和延伸人的智能的理論、方法、技術與應用系統的一門新興科學，是計算機科學發展的延伸，也是人類科學技術進步的重要標志。隨著醫療技術的飛速發展，人工智能的應用價值也逐漸得到認可[7-8]。據統計[9]，醫療數據中有超過90%的比例來源于醫學影像，且每年正以30%的速率增長，而此背景下影像科臨床醫師的工作效率并不能滿足實際需求，且其工作壓力逐漸增加，給醫學影像的診斷工作造成了極大的阻礙。而人工智能技術可以驅動醫學影像診斷方法的創新和改革，為醫院信息化、數字化和智能化發展奠定基礎[10-11]。此外，肺結節發病率高，肺結節性質及肺癌的病理類型鑒別診斷中常規方法的操作難度較大，需積極改進[12]。故此，本研究特針對此種情況設計肺部影像人工智能診斷系統，以解決上述問題。

圖2 縱膈窗結節灶邊界尚清，可見淺分葉

圖3 右上肺結節灶呈碘劑高濃聚

圖4 右上肺結節灶呈碘劑高濃聚

圖5 術后病理回示 (右肺上葉楔切標本)肺浸潤性腺癌(HE×200)

本研究發現，本組患者中惡性結節占比38.78%，肺癌患者占比17.98%，且腺癌、小細胞癌、鱗癌、大細胞癌占比分別為71.88%、18.75%、6.25%、3.13%，可知在肺結節患者中惡性結節占據一定的比例，也存在肺癌高風險，且肺癌病理類型多種多樣，肯定了對肺結節疾病性質、肺癌病理類型進行準確鑒別診斷的重要性。此外，本研究還發現，經肺部影像人工智能系統鑒別診斷的結果明確，與病理檢查結果基本一致，且Kappa值=0.801、0.763，可知肺部影像人工智能診斷系統在肺結節良惡性鑒別、肺癌病理類型鑒別診斷中的價值均較高，效能良好，臨床應用價值高。劉曉鵬等人[13]報道指出，人工智能識別技術可對多項參數和信息同時進行識別，在高危肺癌人群中具有理想的篩查價值，與本研究結果相符，共同證實人工智能在疾病診斷中有理想的發展前景。肺部影像人工智能診斷系統是利用圖像識別技術處理獲得圖像數據，然后將信息輸入卷積神經網絡，并對其進行訓練、調整和校正，不斷優化的一種網絡參數模型，臨床醫師只需將患者的影像學檢查結果進行處理提取數據信息，并輸入上述網路參數模型便可直接輸出系統對肺結節性質、肺癌病理分型的鑒別診斷結果，符合人工智能技術的特點，還可極大減少影像科醫師的工作量[14-16]。另外，該技術主要以既往醫院的電子病歷信息為基礎，數據量大，且可以提取全面的數據信息，有利于為肺結節性質、肺癌病理類型的鑒別診斷奠定基礎，提高鑒別診斷的準確性[17]。

此外，本研究中肺部影像人工智能系統對肺結節性質和肺癌病理類型鑒別診斷中仍存在漏診和誤診的情況，分析其中原因為：肺結節患者的影像學檢查數據信息提取不全面，可能影響該系統的鑒別診斷結果；該系統設計的網絡參數模型可能仍存在某些偏差需要繼續擴大信息庫數據量并進行調整和校正[13]。基于此，在實踐中對肺部影像人工智能系統不斷優化，采用神經網絡進行樣本訓練，利用遺傳算法優化BP算法，以加快其收斂速度，避免陷入局部極小，同時指定恰當網絡結構和初始權值的合理范圍，實現整個診斷系統的優化以提高診斷準確率。在今后的工作中該領域工作人員應進一步完善肺部影像人工智能系統的設計，減少其漏診和誤診的情況，提高其對肺結節性質、肺癌病理類型的鑒別診斷價值。

綜上所述，在肺結節患者中建議采用肺部影像人工智能系統對其性質及肺癌病理類型進行鑒別診斷，與病理檢查結果的一致性高，且效能理想，還可減輕影像科醫師的工作負擔，促進醫院智能化和數字化建設。而如何對肺部影像人工智能系統進行完善仍需進一步探討。