放射學及人工智能在肺結節(jié)分類及早期肺癌篩查中的應用研究進展

李娟娟 杜偉 周舟 段福東 肖允艷 楊琳 劉敏

摘要：盡管治療有所進步，肺癌仍然是全世界范圍內與癌癥相關的死亡的主要原因，這很大程度上與許多患者在初診時已經患有晚期疾病有關。由于大多數肺癌最初以結節(jié)的形式出現，因此將肺結節(jié)正確分類為早期肺癌對于降低肺癌的發(fā)病率和死亡率至關重要。人工智能（AI）算法在惡性病變的自動檢測，分割和計算機輔助診斷中起著至關重要的作用。在現有算法中，放射學及基于深度學習的類型似乎是最有前途的。這篇綜述將從計算機輔助診斷的放射學和深度學習方面概述AI在肺結節(jié)分類及早期肺癌篩查中的應用最近取得的進展。

關鍵詞：人工智能;放射學;深度學習;計算機輔助診斷;肺結節(jié);肺癌

【中圖分類號】R563 【文獻標識碼】A 【文章編號】1673-9026（2021）07-337-03

根據世界衛(wèi)生組織的數據[1]，在全世界與癌癥相關的死亡中，肺癌是最常見的原因。盡管肺癌的一年生存率有所提高，但五年或五年以上的凈生存率低至13.8%[2]，這主要因為最初診斷時，高達55%的患者已經處于肺癌晚期階段 [3]。孤立的肺結節(jié)其中很大一部分可能是可以治愈的早期肺癌，因此肺結節(jié)作為早期肺癌的準確分類對于降低肺癌的發(fā)病率和死亡率至關重要。幸運的是，胸部低劑量計算機斷層掃描（low-dose computed tomography，LDCT）被認為是肺癌篩查的主要方法[4-6]。但是，盡管通過LDCT可以提高對肺結節(jié)檢測的敏感性，但對肺癌診斷的特異性仍然較低[5]。與高死亡率和高發(fā)病率相關的肺癌需要對肺癌篩查技術進行改進和修改，而解決此問題的一種可能方法是使用人工智能（artificial intelligence，AI）。就肺結節(jié)分類及肺癌篩查而言，人工智能提供了一些算法來幫助放射科醫(yī)生，此類技術可以用計算機輔助診斷系統(tǒng)（computer aided diagnosis System， CAD）的通用名稱來表示，它可以識別候選結節(jié)并檢索盡可能多的診斷相關信息。本文將從計算機輔助診斷的放射學和深度學習方面對AI在肺結節(jié)分類及早期肺癌篩查中的應用研究進展進行綜述。

1、用于檢測和診斷肺結節(jié)的計算機輔助系統(tǒng)

人工智能被定義為一門計算機科學學科，專注于創(chuàng)造能夠感知世界并執(zhí)行類似于人類的機器，最初的AI算法用于簡單數據的分析，是由程序員進行硬編碼的，無法識別未經特別編程的模式[7]。機器學習（Machine learning，ML）是AI的一個子領域，算法可以識別和學習復雜數據集中的模式以產生智能預測，而不是通過顯式編程來實現[8]。但是，大多數傳統(tǒng)的ML算法仍然需要人工輸入，并且這種算法能夠評估的模式仍然相當簡單。肺結節(jié)識別過程中使用的算法以計算機輔助診斷系統(tǒng)的通用名稱進行引用。CAD系統(tǒng)分為兩個子類別：計算機輔助檢測（CADe）和計算機輔助診斷（CADx）系統(tǒng)，用于檢測肺結節(jié)的CAD系統(tǒng)通常包括四個階段：肺分割，結節(jié)檢測，特征分析和假陽性消除[9]。為了應對這些挑戰(zhàn)，許多研究人員已經探索了從肺結節(jié)中提取信息以提高結節(jié)檢測的敏感性。在現有方法中，用于肺結節(jié)檢測的CAD在2000年代初開始使用傳統(tǒng)的ML方法，研究人員手動提取CT圖像中節(jié)點的特征和屬性，并將其輸入到分類器或神經網絡中，例如支持向量機（SVM）[10]。

用于肺結節(jié)的傳統(tǒng)CAD算法基于以下主要步驟：肺分割以及肺結節(jié)的檢測和分類。首先是肺部分割，方法是從輸入的CT圖像中去除背景和不需要的區(qū)域以縮小圖像區(qū)域以進行進一步檢查。多年來，已為此目的開發(fā)了許多算法，第一種方法集中于二維（2D）和三維（3D）區(qū)域增長算法[11]，其他廣泛使用的算法是有效輪廓模型[12]。近年來，深度學習算法具有較低的敏感度和準確性，已經取代了傳統(tǒng)方法。當前最先進的方法是利用統(tǒng)計有限元分析或三維肺分割，通過對抗性神經網絡訓練得到改進[13]。其次是進行結節(jié)候選檢測，以識別懷疑是惡性肺結節(jié)的肺內結構。已經發(fā)布了許多算法來完成結節(jié)檢測任務，其中，多個灰度閾值被認為是最好的[14]，但是，基于形狀和模板匹配的算法，以及具有凸度模型和基于濾波的形態(tài)學方法，也能夠成功地高精度檢測候選結節(jié)。在2019年，提出了多邊形逼近算法，隨后在2020年提出了神經進化方案[15]。自2016年以來，深度學習網絡在結節(jié)檢測中發(fā)揮了重要作用。

所選特征的數量和用于分類的ML模型的類型取決于所使用的CAD系統(tǒng)的類型。盡管傳統(tǒng)的ML CAD成功地輔助了結節(jié)的檢測，但是傳統(tǒng)的ML的一個陷阱是過擬合，因為對于特定的訓練數據集，明顯的高算法性能無法在其他獨立的數據集上得到復制[10]。盡管到目前為止進行了所有研究，但仍然非常需要改進用于肺癌診斷的現有CAD算法。

2、放射學在肺結節(jié)分類及早期肺癌篩查中的應用

肺結節(jié)是低對比度的組織，很難與周圍環(huán)境區(qū)分開，但是，每個結節(jié)都包含可由ML中的“特征”表示的特征，對于醫(yī)學成像，這些功能通常是數字的。在開發(fā)CAD系統(tǒng)的同時，有研究提出了現有的CAD算法的主要缺點是缺乏對可用于確定已識別結節(jié)是癌性還是良性的一組特征的嚴格定義，因此定義了一個新的概念，叫做radimics，放射學[16]。 放射學是與從圖像中提取一組特征有關的不斷發(fā)展的領域，這允許將醫(yī)學圖像自動分類到預定義的組中，該過程包括一系列連續(xù)的步驟，包括圖像采集和預處理，所需感興趣區(qū)域的分割，定義特征的計算，特征工程以及分類模型的構建[17]。Radiomics是基于使用數據特征化算法從單個圖像中提取大量特征的基礎，這些特征有助于識別隱藏在人類專家的肉眼中的癌癥特征。但是，放射線圖像處理管道比簡單的特征提取包含更多的步驟。放射學特征計算之前采取的步驟是對感興趣區(qū)域（ROI）進行分割，由于缺乏準確的“金標準”技術來進行肺結節(jié)分割，因此在大多數情況下需要手動進行分割[18]。每種放射組學分析的第三部分是肺結節(jié)分類—執(zhí)行以下任務之一的模型選擇過程：（I）將分析結節(jié)分為兩類：惡性或良性;（II）預測對治療的反應（主要是放射治療）;或（III）預測患者的整體存活率[19]。

研究表明，放射線學可以提高基于低劑量計算機斷層掃描（LDCT）的肺癌篩查和肺結節(jié)分類的準確率，可以很好的將良性和惡性肺結節(jié)進行分類[20]。為了對孤立的肺結節(jié)進行初步評估和監(jiān)測，英國胸科學會[21]（BTS）指南通過計算結節(jié)的體積倍增時間（VDT）來評估結節(jié)的穩(wěn)定性和增長率，因為NELSON肺癌篩查試驗的數據表明， VDT可以評估惡性腫瘤的可能性[22]。有研究在基于紋理的基礎上所提取出來的放射特征來對結節(jié)進行分類，結果在良惡性結節(jié)的分類中達到了82.7%的準確性[23]。在另一項研究中，他們將篩查良性肺結節(jié)與肺癌的病人分成兩組，從每個結節(jié)中提取放射特征來用于預測隨后出現的癌癥，結果隨機森林分類器中的特征預測到結節(jié)將在1年和2年內癌變，其準確度分別為80%和79%[24]。

基于低劑量計算機斷層掃描（LDCT）圖像計算的放射學特征經常用于肺癌的篩查和診斷，研究表明[4]，與分子或血液測試不同，該方法支持早期發(fā)現肺癌。全國肺部篩查試驗證明了放射性組學在早期發(fā)現惡性肺結節(jié)方面的有效性，篩查組與肺癌相關的死亡人數比對照組低20%[25]。有研究證明放射線學是區(qū)分惡性腫瘤和良性腫瘤的有效工具，其準確度為79.06%，靈敏度為78.00%，特異性為76.11%[26]。在另一項研究中[27]，提供了53個特征的放射性標記，可以對惡性結節(jié)和良性結節(jié)進行分類，其曲線下面積（AUC）等于72%。

3、深度學習在肺結節(jié)分類及早期肺癌篩查中的應用

深度學習（DL）算法的發(fā)展使機器能夠處理高維數據，例如多維解剖圖像和視頻，DL是ML的一個子領域，它描述了受人腦結構和功能啟發(fā)的學習算法[13]。多年來，隨著技術的不斷發(fā)展，已經開發(fā)了不同的深度學習技術[28]，例如卷積神經網絡（CNN），生成對抗模型（GAN），深度自動編碼器（DAN），卷積自動編碼器（CAE），遞歸神經網絡（RNN），等。近年來，深度學習方法已應用于胸腔成像的多個方面，比如量化彌漫性肺部疾病、結核或肺炎的檢測以及肺結節(jié)的評估，而DL在胸腔成像中最常見的用途是此時的肺結節(jié)評估[3]。DL在肺結節(jié)分類中的使用比較研究表明，其優(yōu)于標準ML技術。有研究在2017年推出了一種基于Lung-RADS的DL系統(tǒng)，該系統(tǒng)在結節(jié)分類性能上超過了傳統(tǒng)的ML，同時保持觀察者間的可變性可與四個有經驗的人類觀察者相提并論[29]。在2018年，研究報道了一種通用的DL系統(tǒng)，它有可能成為肺癌檢測的有價值的工具，因為它在區(qū)分惡性結節(jié)和良性結節(jié)方面達到了91.2%的準確率[30]。 在2019年，研究報道了一個DL網絡，該網絡使用深度卷積神經網絡（DCNN）研究了CT圖像中肺結節(jié)的自動分類，結果顯示可以區(qū)分出66.7%的良性結節(jié)和93.9%的惡性結節(jié)[31]。。

深度神經網絡已成功用于許多與自動圖像識別相關的應用中，在分析肺癌圖像時，深度神經網絡主要用于執(zhí)行兩項關鍵任務：（I）肺結節(jié)的檢測和分割;（II）肺結節(jié)的分類[32]。有研究[33]描述了一種基于多模式稀疏表示的分類（mSRC）方法來診斷肺癌，他們的研究捕獲了穿刺活檢標本，并自動分割了4372個細胞核區(qū)域以進行肺癌分類，并且平均達到了88.10%的分類準確率。有研究報道[34] 了一種基于CT掃描圖像的肺癌自動檢測方法，作者使用了優(yōu)化的集成學習廣義神經網絡（DAELGNN），獲得了超過99%的分類精度。有研究[28]描述了一種基于肺癌的診斷方法，該方法基于使用CNN的基于感興趣結節(jié)區(qū)域（ROI）的特征學習，他們從肺圖像數據庫協會（LIDC）和傳染病研究所（IDRI）數據庫中收集了CT掃描圖像，并利用生成對抗網絡（GAN）生成了其他圖像以增加樣本量，他們使用基于CNN的分類算法實現了93.9%的分類精度。美國學者描述了一種基于CT掃描圖像的肺結節(jié)檢測方法，采用的是輕型CNN體系結構，經過對LIDC數據集的測試，他們的模型在區(qū)分正常，良性和惡性病例的同時，實現了97.9%的分類準確率[35]。

需要診斷自動檢測到的肺結節(jié)，以確定它們是惡性還是良性的，此過程最初由CAD系統(tǒng)執(zhí)行，現在已成為深度神經網絡的一項任務。研究報道[36]了使用定制混合鏈接網絡（CMixNet）架構的深度學習模型，結合臨床因素來檢測結節(jié)，可以降低肺癌早期階段的假陽性率和誤診率，并且發(fā)現具有更高的敏感性和特異性。有研究[37]提出了一種通過將手工制作的特征（HF）與三維（3D）深層卷積神經網絡（CNN）派生的特征融合來預測具有更高敏感性和特異性的肺結節(jié)惡性腫瘤的算法，該融合算法克服了HF的缺點，與其他競爭性分類模型相比，發(fā)現其具有最高的AUC，靈敏度，特異性和準確性。有研究報道[38]了一種基于螢火蟲群優(yōu)化（GSO）的肺癌預測方法，該方法使用了多個來源的圖像，他們選擇了遞歸神經網絡（RNN）作為他們的學習算法，并獲得了最高98%的準確性。有研究表明使用CNN模型的深度學習方法能夠成功地檢測出腫瘤，在檢測肺癌中具有0.93的敏感性，0.82的精確度，并且能夠對腺癌、鱗狀細胞癌進行區(qū)分[39]。

4、總結

綜上所述，人工智能一直被證明是一個有前途的進步，幾乎所有研究都得出結論，將AI納入胸部放射學領域將通過更早，準確地檢測出肺癌，從而改善患者的護理及預后。由于更好的辨別力和對更大比例的肺結節(jié)的評估，可以減少遺漏的癌癥。各種人工智能算法的發(fā)展有益于各種條件下的胸腔成像。目前，肺結節(jié)的分類及其早期肺癌的診斷問題仍未完全解決，多年來，雖然存在基于放射學和深度學習的方法為代表的許多計算機輔助的檢測系統(tǒng)及各類技術。但是，此類方法的金標準尚未完全建立，如果能夠將放射學和深度學習技術成功結合，那么我們相信將為放射科醫(yī)生提供一個強大，靈敏，準確的計算機輔助診斷工具來用于肺結節(jié)的分類及早期肺癌的篩查及診斷。通過早期篩查、診斷，適當的治療，從而帶來更好的患者預后，這具有重要的臨床價值。

參考文獻：

[1] Guo J， Wang C， Xu X， et a1.DeepLN： an artificial intelligence-based automated system for lung cancer screening. Ann Transl Med.2020 Sep;8（18）：1126. DOI： 10.21037/atm-20-4461

[2]Joy Mathew C， David AM， Joy Mathew CM. Artificial Intelligence and its future potential in lung cancer screening. EXCLI J. 2020 Dec 11;19：1552-1562. DOI： 10.17179/excli2020-3095.

[3]Tandon YK， Bartholmai BJ， Koo CW. Putting artificial intelligence （AI） on the spot： machine learning evaluation of pulmonary nodules. J Thorac Dis. 2020 Nov;12（11）：6954-6965. DOI： 10.21037/jtd-2019-cptn-03

[4]Oudkerk M， Liu S， Heuvelmans MA， et a1. Lung cancer LDCT screening and mortality reduction - evidence， pitfalls and future perspectives. Nat Rev Clin Oncol. 2021 Mar;18（3）：135-151. DOI： 10.1038/s41571-020-00432-6.

[5]Moldovanu D， de Koning HJ， van der Aalst CM. Lung cancer screening and smoking cessation efforts. Transl Lung Cancer Res. 2021 Feb;10（2）：1099-1109. DOI：10.21037/tlcr-20-899.

[6]Mesa-Guzmán M， González J， Alcaide AB， et a1. Surgical Outcomes in a Lung Cancer-Screening Program Using Low Dose Computed Tomography. Arch Bronconeumol. 2021 Feb;57（2）：101-106. DOI：10.1016/j.arbres.2020.03.026

[7]Prayer F， R?hrich S， Pan J， et a1. [Artificial intelligence in lung imaging]. Radiologe. 2020 Jan;60（1）：42-47. DOI：10.1007/s00117-019-00611-2.

[8]Hosny A， Parmar C， Quackenbush J， et a1. Artificial intelligence in radiology. Nat Rev Cancer. 2018 Aug;18（8）：500-510. DOI：10.1038/s41568-018-0016-5.

[9]肖煥輝，袁程朗，馮仕庭等.基于深度學習的癌癥計算機輔助分類診斷研究進展[J].國際醫(yī)學放射學雜志，2019， 42 （1）： 22-25;58.DOI：10.19300/j.2019.Z6366zt

[10]邱露，方向明，陳宏偉.人工智能輔助CT肺結節(jié)良惡性鑒別的研究進展[J].臨床放射學雜志，2019，38（12）：2453-2456. DOI：10.13437/j.cnki.jcr.2019.12.051

[11]Duan HH， Gong J， Sun XW， et a1. Region growing algorithm combined with morphology and skeleton analysis for segmenting airway tree in CT images. J Xray Sci Technol. 2020;28（2）：311-331. DOI：10.3233/XST-190627.

[12]Abdoli M， Dierckx RA， Zaidi H. Contourlet-based active contour model for PET image segmentation. Med Phys. 2013 Aug;40（8）：082507. DOI：10.1118/1.4816296.

[13]Aydin N， ?elik ?， Aslan AF， et a1. Detection Of Lung Cancer On Computed Tomography Using Artificial Intelligence Applications Developed By Deep Learning Methods And The Contribution Of Deep Learning To The Classification Of Lung Carcinoma. Curr Med Imaging. 2021 Feb 4. DOI：10.2174/1573405617666210204210500.

[14]Tamal M. Intensity threshold based solid tumour segmentation method for Positron Emission Tomography （PET） images： A review. Heliyon. 2020 Oct 27;6（10）：e05267. DOI：10.1016/j.heliyon.2020.e05267.

[15]Le WT， Maleki F， Romero FP， et a1. Overview of Machine Learning： Part 2： Deep Learning for Medical Image Analysis. Neuroimaging Clin N Am. 2020 Nov;30（4）：417-431. DOI：10.1016/j.nic.2020.06.003.

[16]Tunali I， Gillies RJ， Schabath MB. Application of Radiomics and Artificial Intelligence for Lung Cancer Precision Medicine. Cold Spring Harb Perspect Med. 2021 Jan 11：a039537. DOI： 10.1101/cshperspect.a039537.

[17]余燁，吳華偉;影像組學在肺癌中的應用進展[J].國際醫(yī)學放射學雜志， 2018，41（6）： 646-649.DOI： 10.19300/j.2018.Z643。

[18]Refaee T， Wu G， Ibrahim A， et a1. The Emerging Role of Radiomics in COPD and Lung Cancer. Respiration. 2020;99（2）：99-107. DOI： 10.1159/000505429.

[19]Ather S， Kadir T， Gleeson F. Artificial intelligence and radiomics in pulmonary nodule management： current status and future applications. Clin Radiol. 2020 Jan;75（1）：13-19. DOI： 10.1016/j.crad.2019.04.017.

[20]Avanzo M， Stancanello J， Pirrone G， et a1.Radiomics and deep learning in lung cancer. Strahlenther Onkol. 2020 Oct;196（10）：879-887. DOI： 10.1007/s00066-020-01625-9.

[21]Horeweg N， van der Aalst CM， Vliegenthart R， et al.?Volumetric computed tomography screening for lung cancer： three rounds of the NELSON trial.?Eur Respir J?2013;42：1659-1667. DOI：10.1183/09031936.00197712.

[22]Wilson R， Devaraj A. Radiomics of pulmonary nodules and lung cancer. Transl Lung Cancer Res. 2017 Feb;6（1）：86-91. DOI：10.21037/tlcr.2017.01.04.

[23]Zhou Z， Li S， Qin G， et al. Multi-Objective-Based Radiomic Feature Selection for Lesion Malignancy Classification. IEEE J Biomed Health Inform. 2020 Jan;24（1）：194-204. DOI：10.1109/JBHI.2019.2902298.

[24]Hawkins S， Wang H， Liu Y， et al. Predicting Malignant Nodules from Screening CT Scans. J Thorac Oncol 2016;11：2120-2128. DOI： 10.1016/j.jtho.2016.07.002.

[25]Bi WL， Hosny A， Schabath MB， et al. Artificial intelligence in cancer imaging： Clinical challenges and applications. CA Cancer J Clin. 2019 Mar;69（2）：127-157. DOI：10.3322/caac.21552.

[26]Binczyk F， Prazuch W， Bozek P， et al. Radiomics and artificial intelligence in lung cancer screening. Transl Lung Cancer Res. 2021 Feb;10（2）：1186-1199. DOI： 10.21037/tlcr-20-708.

[27]Dercle L， Fronheiser M， Lu L， et al.Identification of Non-Small Cell Lung Cancer Sensitive to Systemic Cancer Therapies Using Radiomics. Clin Cancer Res. 2020 May 1;26（9）：2151-2162. DOI：10.1158/1078-0432.CCR-19-2942.

[28]孟慶成，高朋瑞，郭蘭偉，等.基于多階段三維深度卷積神經網絡的計算機輔助診斷系統(tǒng)在肺癌篩查中的應用[J].中華放射學雜志，2020，54（06）：552-556. DOI：10.3760/cma.j.cn112149-20200414-00554-1

[29]Ciompi F， Chung K， van Riel SJ， et al. Towards automatic pulmonary nodule management in lung cancer screening with deep learning. Sci Rep 2017;7：46479. DOI：10.1038/srep46479.

[30]Jung H， Kim B， Lee I， et al. Classification of lung nodules in CT scans using three-dimensional deep convolutional neural networks with a checkpoint ensemble method. BMC Med Imaging. 2018 Dec 3;18（1）：48. DOI：10.1186/s12880-018-0286-0.

[31]Onishi Y， Teramoto A， Tsujimoto M， et al. Automated Pulmonary Nodule Classification in Computed Tomography Images Using a Deep Convolutional Neural Network Trained by Generative Adversarial Networks. Biomed Res Int. 2019 Jan 2;2019：6051939. DOI：10.1155/2019/6051939.

[32]Wang J， Lin L， Zhao S， et al. [Research progress on computed tomography image detection and classification of pulmonary nodule based on deep learning]. Sheng Wu Yi Xue Gong Cheng Xue Za Zhi. 2019 Aug 25;36（4）：670-676. DOI：10.7507/1001-5515.201806019.

[33]Masud M， Sikder N， Nahid AA， et al. A Machine Learning Approach to Diagnosing Lung and Colon Cancer Using a Deep Learning-Based Classification Framework. Sensors （Basel）. 2021 Jan 22;21（3）：748. DOI：10.3390/s21030748.

[34]Shakeel P.M， Tolba A， Al-Makhadmeh Z， et al. Automatic detection of lung cancer from biomedical data set using discrete AdaBoost optimized ensemble learning generalized neural networks. Neural Comput. Appl. 2020;32：777-790. DOI：10.1007/s00521-018-03972-2.

[35]Li X， Hu B， Li H， et al. Application of artificial intelligence in the diagnosis of multiple primary lung cancer. Thorac Cancer. 2019 Nov;10（11）：2168-2174. DOI：10.1111/1759-7714.13185. DOI：10.1111/1759-7714.13185.

[36]Nasrullah N， Sang J， Alam MS， et al. Automated Lung Nodule Detection and Classification Using Deep Learning Combined with Multiple Strategies. Sensors （Basel）. 2019 Aug 28;19（17）：3722. DOI：10.3390/s19173722.

[37]Eun H， Kim D， Jung C， et al. Single-view 2D CNNs with fully automatic non-nodule categorization for false positive reduction in pulmonary nodule detection. Comput Methods Programs Biomed. 2018 Oct;165：215-224. DOI：10.1016/j.cmpb.2018.08.012.

[38]Huang X， Sun W， Tseng TB， et al. Fast and fully-automated detection and segmentation of pulmonary nodules in thoracic CT scans using deep convolutional neural networks. Comput Med Imaging Graph. 2019 Jun;74：25-36. DOI：10.1016/j.compmedimag.2019.02.003.

[39]Moitra D， Mandal RK. Automated AJCC （7th edition） staging of non-small cell lung cancer （NSCLC） using deep convolutional neural network （CNN） and recurrent neural network （RNN）. Health Inf Sci Syst. 2019 Jul 30;7（1）：14. DOI：10.1007/s13755-019-0077-1.

作者簡介：李娟娟，（1992-）女，漢族，云南大理，碩士，研究方向：醫(yī)學影像診斷、技術與人工智能。

【基金項目】祥云縣級科研立項項目，編號：DX2020SF15