AI肺結節篩查系統結合能譜CT單能圖像用于不同位置肺結節檢測的效能研究

江桂蓮，陳疆紅，胡志海，鐘朝輝，王大為

1.首都醫科大學附屬北京友誼醫院 放射科，北京 100059；2.北京推想科技有限公司 全球臨床科研合作學院，北京 100025

引言

根據2015年中國癌癥中心報道，肺癌已成為我國發病率及致死率最高的癌癥[1]，約三分之二的患者初診時已經是中晚期，有明顯的淋巴和血管遠處轉移的傾向。對于中晚期患者而言，肺癌的預后效果很差，平均五年生存率低于20%[2]，Ⅳ期肺癌患者五年生存率低至5.3%[3]。相比之下，Ⅰ期肺癌患者手術切除后10年生存率可達72%[4]。可見，早期肺癌篩查對患者的預后、生存時間乃至生存質量具有重要意義。胸部低劑量CT（Low Dose CT，LDCT）是肺結節篩查的常規手段，研究表明LDCT篩查可以有效降低肺癌死亡率達20%[5]。然而，CT檢查量增長與放射科醫生數量之間日趨不均衡，加上每個患者的胸部CT圖像有400層左右，這些都容易導致閱片醫生因為疲勞或不專注等原因產生漏診。

近幾年，基于深度學習的新一代人工智能（Artificial Intelligence，AI）技術迅速發展。在醫學影像領域，AI系統已經被成功應用于放射、病理、皮膚醫學等的圖像分析，與醫學專家相比，診斷速度更快、診斷準確率基本持平[7]。因此，AI技術是提高醫生診斷效率、減輕臨床工作負擔的潛在有效手段之一。

值得指出的是，肺部CT檢查的圖像質量受到許多因素的影響，如成像方法、層厚和劑量等。能譜CT利用X線高低能量瞬時切換技術，獲得多組單能圖像，不同單能圖像組織CT值、對比度及噪聲不同。目前認為低千電子伏特（Kiloelectron Volt，keV）圖像組織對比度較大，較高能量圖像及混合能量圖像更易于小病灶的檢出及診斷，且低keV圖像的CT值更能反映結節的性質[6]。因此，本研究應用商品化的AI肺結節篩查系統，將其與能譜CT的單能圖像結合，在臨床使用中驗證其檢測肺結節的有效性的同時，篩選最佳的單能圖像以保證AI系統最優的肺結節檢出率。同時，根據肺結節位置的不同（分為肺外帶、肺內帶、支氣管血管樹旁、胸膜下四類），評估人工智能系統對能譜CT單能圖像中肺結節的檢出效能以及對于不同位置結節檢出的準確性。

1 材料與方法

1.1 研究對象

回顧性收集2018年11月—2019年3月首都醫科大學附屬北京友誼醫院放射科行胸部能譜CT掃描的住院患者30例，其中男15例，女15例，平均年齡61.8歲。收集標準：病例年齡>18歲，因胸部占位性病變入院檢查者。排除標準：兩肺在視野內不能完全可見；有呼吸運動偽影；影像不符合DICOM標準；醫生難以識別診斷。

1.2 研究方法

1.2.1 能譜CT數據采集

采用GE Revolution CT（GE Healthcare，Wisconsin，USA）掃描機行能譜胸部CT平掃。患者仰臥，頭先進，以胸骨柄為定位中心，患者深吸氣并屏氣。掃描范圍從肺尖到橫膈以下。掃描參數為：螺距0.992:1，球管轉速0.5 s/r，掃描層厚5 mm，重建層厚0.625 mm，準直器寬度80 mm，DFOV 35 cm，管電壓為80 kV和140 kV瞬時（0.25 ms）切換，自動毫安技術，噪聲指數NI=12。掃描完成后將原始圖像載入寶石能譜成像瀏覽器（GSI viewer）重建40、55、70、85、100 keV共5組單能量圖像。

1.2.2 圖像分析

來自首都醫科大學附屬北京友誼醫院放射科、具有5年以上肺部讀片經驗的2名主治及以上醫生，在基于深度學習的AI肺結節篩查系統（北京推想科技有限公司，InferRead CT Lung）的輔助下背靠背對胸部能譜CT中120 kVp-like序列（相當于74 keV序列）圖像進行肺結節標注，當2名醫生的標注結果出現分歧時，由第3名具有20年肺部讀片經驗的主任醫師進行仲裁，由此制定出該數據集中肺結節的“金標準”。金標準制定過程中，標注醫生同時記錄了每個結節所在的位置，按照不同位置分為肺外帶（結節距胸膜≤15 mm）結節、肺內帶（結節距胸膜>15 mm）結節、支氣管血管樹旁結節和胸膜下結節四類。利用人工智能系統分別對30例胸部能譜CT序列的40、55、70、85、100 keV單能量圖像進行讀片篩查，記錄檢出結節的總數及每個結節位置，將AI系統的篩查結果與“金標準”進行比對，計算其在不同單能圖像中對不同位置肺結節的檢出率。

1.3 統計分析

本研究數據分析均使用SPSS 19.0（IBM Corp.，Armonk，NY，USA）完成。通過與金標準比對，統計不同單能量圖像中檢出的真陽性結節數，假陽性結節數和假陰性結節數，計算敏感度，假陽性率和陽性預測值，其中，假陽性率定義為每個CT掃描的平均假陽性結節數（假陽性數/CT掃描數），陽性預測值定義為真陽性結節與所有檢出結節的比值[8]。對于不同單能量圖像中不同位置肺結節的檢測敏感性和陽性預測值采用同樣的方式統計和計算。最后利用χ2檢驗或Fisher精確檢驗（當頻數小于5時）比較各組間敏感度和陽性預測值的差異，通過單因素方差分析比較各組間假陽性率差異，P<0.05代表有統計學差異。

2 結果

2.1 AI肺結節篩查系統的臨床使用效能

在入組的30例能譜CT平掃圖像中，三名放射科專家共計標注了224個肺結節，包含86個肺外帶結節、34個肺內帶結節、41個支氣管血管樹旁結節和63個胸膜下結節。

利用AI肺結節篩查系統對臨床中常用的CT序列（120 kVp-like）圖像進行肺結節檢測，共計檢測到349個結節，與金標準比對后發現，AI系統檢測到真陽性結節218個，假陽性結節131個，假陰性結節6個，檢測敏感度為97.3%，陽性預測值為62%，假陽性率為4.37%。可見，AI肺結節篩查系統在臨床上具有較好的表現。

2.2 AI肺結節篩查系統在不同單能量圖像中檢測效能的對比研究

利用AI肺結節篩查系統分別對40、55、70、85、100 keV的單能圖像進行結節檢測（圖1），分別檢出280、314、339、349和360個結節，其中真陽性結節數分別為167、201、216、215和208個，結果如表1所示。5組單能量圖像結節檢出敏感性存在顯著性差異（P=0.000），40 keV圖像結節檢出敏感性顯著低于其余4組，其中70 keV圖像對結節檢出具有最高的敏感性（96.43%）。假陽性率隨keV升高呈增加的趨勢，各組間無顯著差異（P=0.358）。陽性預測值各組間無顯著性差異（P=0.402），其中55 keV和70 keV具有較高的陽性預測值（分別為64%和63.7%）。綜上，能譜CT的70 keV單能圖像更適合AI系統進行結節篩查。

圖1 右肺中葉內段結節，靠近血管旁

表1 AI肺結節篩查系統在單能圖像間的檢測性能比較

2.3 AI肺結節篩查系統在不同單能量圖像中檢測不同位置結節的效能

將AI系統在不同單能量圖像中檢測的肺結節進行位置分類，分別在肺外帶、肺內帶、支氣管血管樹旁及胸膜下四個位置統計肺結節總數和真陽性結節數，計算敏感性、陽性預測值及對應P值，詳見表2～3。不同單能量圖像中，檢出四個位置肺結節的敏感性無統計學差異（P>0.05）；在5組單能量圖像間，針對肺外帶結節，70 keV及以上組單能圖像的檢測敏感度顯著高于40、55 keV；針對肺內帶結節，55 keV及以上組單能圖像的檢測敏感度顯著高于40 keV。針對支氣管血管樹旁結節，70 keV及以上組單能圖像的檢測敏感度顯著高于40及55 keV；針對胸膜下結節，不同單能量組間檢測敏感度無顯著差異（P=0.079）。值得注意的是，在各組單能量圖像中，支氣管血管樹旁結節的陽性預測值顯著低于肺外帶、肺內帶和胸膜下結節的陽性預測值（P=0.00）。在不同單能量圖像間，四個位置肺結節陽性預測值無顯著差異。綜上，70 keV及以上單能圖像可以保證對不同位置的肺結節比較穩定的檢出敏感性。而40、55 keV圖像在對對比度較低的小結節進行檢測時，可能有一定的優勢（圖2）。

表2 AI肺結節篩查系統在不同單能圖像中檢測不同位置結節的效能情況

表3 AI肺結節篩查系統對不同位置肺結節在不同單能圖像中的檢出效能情況

圖2 左肺上葉下舌段實性結節

3 討論

目前，肺癌已成為國內外發病率及致死率最高的癌癥。由于臨床大多數肺癌患者就診時已處于晚期階段，術后5年生存率不足10%[9]，所以早期診斷對提高患者生存率至關重要。胸部CT平掃是進行肺癌篩查的最常規手段。早期肺癌多表現為肺部結節，它們尺寸小、對比度低、形狀異質化高[10]，使結節的檢出存在很多挑戰。能譜CT成像能夠獲取40～140 keV不同的X線能量的單能量圖像，低keV單能量圖像上肺結節CT值高，不同組織結構之間的對比增強，但噪聲增加；而高keV單能量圖像上肺結節CT值降低，不同組織結構之間的對比降低，同時噪聲降低；不同單能量圖像的圖像特點可能為不同類型的肺結節檢出提供更多的信息。本研究將能譜胸部CT平掃不同單能量圖像應用于人工智能系統，測試在圖像的CT值、對比度及噪聲等圖像細節發生變化時（即不同keV單能量圖像），對肺結節檢出率的影響。這在之前未見相關文獻報道。同時本研究著重考察結節位置對人工智能系統結節檢出的影響。

本研究中，人工智能系統對40 keV圖像的結節檢出率（74.56%）顯著低于其余單能圖像組，其中70 keV圖像檢出的真陽性結節最多，具有最高的結節檢出敏感性（96.43%）。一項針對胸部雙能CT孤立性肺結節成像研究表明[11]，70 keV時圖像信噪比與對比噪聲比最高，選擇60 keV以上單能譜圖像可提高孤立性肺結節的檢出率。以往的許多研究顯示，70 keV圖像信噪比高，有利于實質臟器接近等密度小病灶的發現和檢出，這在一定程度上解釋了本研究中70 keV單能量圖像相比其他單能量組，檢出的真陽性結節數最多。此外，一項針對肺部圖像數據庫聯盟的綜述總結了2017—2018年使用深度學習算法對肺結節檢出的22項研究，結節檢出的敏感性在83.1%～96.6%[12]，本研究中是在臨床環境中驗證商品化AI肺結節篩查系統的效能，其結節檢出的敏感性依舊有很好的表現，在70 keV單能圖像中達到96.43%。

當前，人工智能系統在表現出結節檢出高敏感性的同時，也伴隨著較高的假陽性率的問題。在本研究中，隨著keV增加，檢出結節數增加，檢出假陽性結節也呈增加的趨勢，導致假陽性率的增加（3.77～5.07），最終引起陽性預測值逐漸降低。這可能是由于隨著keV的增加，雖然圖像的對比度降低，但是圖像的層次增加，人工智能系統從豐富的圖像層次中可以提取到更細微的特征，從而導致檢出結節的增加，假陽性率的增加。對比以往17項人工智能系統研究，AI系統的假陽性率的中位數是每掃描4.1個[4]，我們使用的AI系統假陽性率是每掃描3.77～5.07個，基本與之前的研究持平。

此外，本研究發現不同單能量圖像對不同位置的肺結節的檢出敏感性沒有差異，這與Marten等[13]的研究發現一致，結節位置對CAD系統或放射醫師對結節的檢出沒有顯著影響。但也有研究提出相反的結果。一項檢查肺結節位置對檢出率影像的研究將肺結節分為3組：對孤立性結節的檢出敏感性為97.4%，近胸膜結節為92.3%，近血管結節為94.1%[14]。大多數未被檢出的結節位于近胸膜或近血管，因為這些結節與周圍的軟組織結構可能不能輕易的分辨。研究結果的不一致可能與所采用的AI系統、訓練樣本及研究對象、肺結節大小等不同有關。此外，我們發現在不同單能圖像組中，支氣管血管樹旁結節陽性預測值顯著低于肺內帶、肺外帶及胸膜下結節。這一結果說明肺結節檢出的敏感性沒有受到結節位置的影響，而支氣管血管樹旁較肺內外帶及胸膜下檢出了較多的假陽性結節。一些假陽性結節和真正的肺結節在形態學的表現上非常相似，這可能是導致肺結節識別假陽性率高的原因之一。而在本研究中，近血管支氣管旁的假陽性結節數目最多，這一結果也被許多研究證實。Li等[8]研究表明，DL-CAD引起假陽性結節的最常見的5種原因包括：正常肺血管、胸膜結節和增厚、肺門、纖維化和偽影。一項關于減少假陽性結節檢出的算法研究指出，對于量化脊柱異常來說很重要的骨刺，常被認為是假陽性結節，其他典型的假陽性結節包括結節樣組織、大血管、縱膈組織和瘢痕等[15]。因此，如何減少近血管旁的假陽性結節是人工智能系統仍需努力的方向，充滿挑戰。

對于不同位置的肺部結節，70 keV及以上單能圖像對不同位置的肺結節表現出比較穩定的檢出敏感性。而40及55 keV圖像對對比度較低的小結節可能有一定的優勢（圖2）。70 keV及以上圖像因為其豐富的圖像層次使AI系統能提取到更多信息，尤其70 keV圖像，因為其信噪比及對比噪聲比較好，可取得最好的結節檢出敏感性，因此是本研究中最優單能圖像。

本研究的局限性在于：樣本數量有限，肺內帶結節為34個，支氣管血管樹旁結節為41個，今后應擴大樣本量，對實驗結果進行進一步驗證。

4 結論

能譜CT中70 keV單能圖像能使AI肺結節篩查系統獲得較高檢測敏感性、較低假陽性率以及較高陽性預測值，因此是適合該AI系統的最優單能量圖像。而在不同單能量圖像中，結節位置對人工智能系統結節檢出沒有顯著影響。此外，肺血管誤認是假陽性結節產生的最主要原因之一。