基于深度學習的人工智能影像輔助診斷系統對肺結節的診斷效能評價

耿 然

(洛陽市第一人民醫院CT室,河南 洛陽 471002)

肺癌是最常見的惡性腫瘤之一，據美國癌癥學會2020年1月公布的數據，肺癌的發病率和病死率均居惡性腫瘤首位[1]，早期診斷與治療可有效提高肺癌患者的生存率[2]。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，但明顯增多的CT圖像數據量也增加了影像診斷醫師的閱片負擔，從而可能導致肺結節的漏診[3]。隨著人工智能(artificial intelligence,AI)技術的進步，通過深度學習算法對肺結節進行識別、分類、重建及降噪處理，能夠提取影像圖像上肺結節的主要特征，對肺結節的早期發現及病變良惡性質的判斷等進行預測[4-5]。本研究旨在通過比較AI影像輔助診斷系統與常規人工閱片在肺結節檢出率以及對肺惡性結節定性的靈敏度、特異度、假陽性率、假陰性率等方面的差異，探討AI影像輔助診斷系統診斷胸部CT肺結節的價值。

1 資料與方法

1.1 一般資料回顧性分析2016年1月至2019年12月于洛陽市第一人民醫院經術前CT檢查及病理檢查結果確診的85例肺結節患者的胸部CT影像資料。其中男33例，女52例；年齡25～79(55.23±11.02)歲。結節的定性以病理檢查結果為金標準。病例納入標準：(1)CT檢查前未接受過穿刺活檢和手術、放射治療等相關治療；(2)對于高度疑似惡性結節者，CT檢查后1個月內行CT引導下穿刺活檢或手術，獲得明確的病理診斷；(3)對于判定為良性結節者，連續隨訪1 a，1 a內肺結節無變化者定為良性結節，1 a內肺結節有進展者以穿刺活檢或手術切除后的病理診斷判定其良惡性。排除標準：(1)其他部位原發性惡性腫瘤肺部轉移者；(2)缺乏層厚1.0 mm及以下的薄層CT圖像；(3)圖像有呼吸運動偽影及金屬偽影干擾病變者。

1.2 CT檢查方法所有患者均于術前行胸部CT掃描。使用聯影UCT528 40排CT(上海聯影醫療科技股份有限公司)及西門子 DEfinition AS+128層CT機[西門子(中國)有限公司]分別進行掃描。掃描范圍：肺尖至肺底水平，掃描參數：層厚5.0 mm，層距5.0 mm，管電壓120 kV，管電流auto dose。掃描結束后對全肺行肺窗薄層CT重建，重建層厚1.0 mm。

1.3 結節危險度診斷標準根據結節的形態、大小、邊緣狀態、結節內實性成分的位置及結節鄰近胸膜改變等影像特征作為診斷結節危險度的標準。(1)結節形態：斑片狀形態可見于任何良惡性結節中；條片狀形態多見于良性結節中；形態不規則以惡性結節居多，且病灶惡性程度越高形態不規則越明顯。根據結節的形態進行計分：規則為0分，不規則為1分，高度不規則為2分。(2)結節大小：排除炎癥病變后，結節體積越大性質越趨于惡性，且惡性程度趨于更高。根據結節的平均直徑進行計分：直徑<5 mm為0分，5 mm≤直徑≤10 mm為1分，直徑>10 mm為2分。(3)結節邊緣狀態：觀察結節邊緣是否模糊及有無毛刺征，邊緣清晰的結節以炎癥結節居多。根據結節邊緣的狀態進行計分：清晰為0分，模糊為1分，毛刺為2分。(4)結節內實性成分的位置：結節內無實性成分或實性成分位于結節邊緣者多為良性病變，實性成分位于中心或偏中心位置的結節多為惡性病變。根據結節內實性成分的位置進行計分：結節內無實性成分或實性成分位于邊緣計為0分，結節內實性成分偏中心位置計為1分，結節內實性成分位于結節中心計為2分。(5)結節鄰近部位胸膜的變化：結節鄰近部位胸膜的變化包括胸膜增厚、胸膜凹陷、胸膜牽引，其在良、惡性結節中的分布差異不明顯，但胸膜牽引以惡性結節居多[6]，宜作為輔助征象。根據結節鄰近部位胸膜的變化進行計分：胸膜無改變計為0分，胸膜增厚或凹陷計為1分，胸膜牽引計為2分。將每個結節的各項評分進行合計，根據其總分進行定性診斷：0～2分為低危結節，3～4分為中低危結節，5～7分為中危結節，≥8分為高危結節，將高危者定義為惡性結節。

1.4 圖像分析分別采用常規人工閱片和AI影像輔助診斷系統對患者的CT圖像進行分析和診斷。(1)常規人工閱片：采用單純人工閱片方式，由3位從事CT診斷工作滿5 a的主治醫師組成診斷組，依據“1.3”項的結節危險度診斷標準分別對檢出的肺結節進行定性診斷。如組內醫師對肺結節的定性診斷有分歧，則經過討論達成一致意見，最終判定結節的性質。(2)AI影像輔助診斷系統閱片：將85例患者的肺結節CT圖像輸入醫準智能Direct AI系統(北京醫準智能科技有限公司)，通過網絡學習自動提取結節的形態、大小、邊緣狀態、結節內實性成分的位置及結節鄰近胸膜改變的特征，依據“1.3項”的結節危險度診斷標準對檢出的肺結節進行定性診斷。

1.5 診斷效能評價通過比較常規人工閱片與AI影像輔助診斷系統閱片對肺結節診斷的靈敏度、假陽性率、假陰性率及評定結節性質的特異度，評估這2種閱片方法對肺結節定性的診斷效能。

1.6 統計學處理應用SPSS 22.0軟件進行統計學分析。計數資料以例數和百分率表示,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 常規人工閱片與AI影像輔助診斷系統閱片對肺結節檢出情況比較85例患者共檢出真性結節290枚，其中平均直徑<5 mm結節171枚，5 mm≤直徑≤10 mm結節83枚，直徑>10 mm結節36枚。171枚平均直徑<5 mm的小結節中，AI檢出162枚(94.74%)，人工閱片檢出78枚(45.61%)，其中人工閱片檢出而AI閱片未檢出9枚(5.26%)，人工閱片未檢出而AI閱片檢出93枚(54.38%)，AI閱片檢出率顯著高于人工閱片檢出率，差異有統計學意義(χ2= 4.317，P<0.01)。83枚5 mm≤直徑≤10 mm 的結節中，AI閱片檢出83枚(100.00%)，人工閱片檢出45枚(54.21%)，其中人工閱片檢出而AI閱片未檢出0枚(0.00%)，人工閱片未檢出而AI閱片檢出38枚(45.78%)，AI閱片檢出率顯著高于人工閱片檢出率(χ2=1.744，P<0.01)。36枚平均直徑>10 mm的結節中，AI閱片檢出率和人工閱片檢出率均為100.00%(36/36)。

2.2 常規人工閱片與AI影像輔助診斷系統閱片對肺結節良惡性的評定結果比較在檢出的290枚真性結節中，AI閱片檢出281枚，其中AI閱片評定為低危結節99枚、中低危結節52枚、中危結節38枚、高危結節(惡性結節)92枚，另有9枚未檢出；人工閱片檢出159枚，其中人工閱片評定為低危結節59枚、中低危結節24枚、中危結節21枚、高危結節(惡性結節)55枚，另有131枚未檢出。經病理證實的惡性結節共66枚，其中AI判定正確62枚，4枚未檢出,準確率為93.93%(62/66)，AI判定為惡性而實際為良性者30枚；人工閱片判定正確者52枚，14枚未檢出，準確率為78.79%(52/66)，人工閱片判定為惡性而實際為良性者3枚；AI判定準確率顯著高于人工閱片,差異有統計學意義(χ2=3.216，P<0.05)。

2.3 2種閱片方法對肺結節良惡性判定的效能比較結果見表1。85例患者中，病理診斷為良性24例，其中結核13例,隱球菌3例,炎癥結節8例；病理診斷為惡性61例,其中肺鱗癌7例,腺癌54例。AI閱片對肺惡性結節檢查的靈敏度、假陽性率顯著高于人工閱片，特異度和假陰性率顯著低于人工閱片，差異均有統計學意義(χ2= 2.311、4.165、7.896、2.311，P<0.05)。

表1 2種閱片方法對肺結節良惡性判定的效能比較

3 討論

AI技術是隨著大數據的進步而興起的一門新興技術，其在醫學領域中得到廣泛應用，尤其在肺結節的檢測方面具有較大進展[6]。基于AI的計算機輔助診斷(AI computer-aided diagnosis，CAD)系統方案大多比較復雜和耗時，需要更多的圖像處理模塊，且相關敏感度及特異度較低[7]。目前，深度學習是AI技術的研究熱點，其敏感度和特異度較傳統的 CAD 高，在肺結節檢出及定性方面應用較多。但以往的研究對不同模型算法的 AI的探討大多側重于其原理、算法步驟等[8]，很少從臨床應用角度評價其對肺結節的診斷價值。深度學習通過算法使AI可以從影像資料中提取肺結節的各項特征數據，通過大量的數據分析，從中提取到規律，從而對肺結節進行識別并判斷肺結節的良惡性。基于此，本研究結合病理和隨訪結果，對比常規人工閱片與AI影像輔助診斷系統閱片對肺結節的診斷效果，探討AI影像輔助診斷系統診斷肺結節的價值。

本研究結果顯示，對于直徑<5 mm的微小結節及5 mm≤直徑≤10 mm的小結節，AI檢出率分別為94.74%、100.00%，顯著高于常規人工閱片。對于直徑>10 mm的結節，AI及常規人工閱片均能全部檢出。在對肺結節的定性分析中，AI的特異度為64.5%，而常規人工閱片的特異度為85.2%。分析其原因如下：(1)AI對與肺紋理位置相近、形態相似病灶的檢出率高于常規人工閱片。(2)AI對于平均直徑<5 mm的微小結節及5 mm≤直徑≤10 mm的小結節檢出率高于常規人工閱片，尤其是對微小結節的診斷效果更顯著，可以明顯降低臨床診斷的漏診率及假陰性率，但假陽性率也明顯增高。對于肺結節的定性，AI的特異度顯著低于人工閱片，尤其是對直徑<5 mm的微小結節定性中特異度更低。李欣菱等[2]研究認為，AI對較小結節(特別是<5 mm的結節)診斷的臨床意義有待商榷，若完全按照 AI 的結果進行臨床干預會增加醫療負擔及造成過度治療。(3)目前肺結節診斷主要依賴于薄層CT，圖像數據量大，影像醫師相對短缺，導致工作壓力過大，精神及注意力無法長時間集中，進而造成肺小結節的漏診。(4)人工閱片對于肺小結節良惡性的鑒別有賴于影像醫師自身的臨床經驗,具有較強的主觀性,從而導致診斷精確度和可信度較低。

肺癌的早期診斷、早期治療是延長患者生存期的最佳途徑[9-10]。肺結節作為肺癌的早期表現，其早期發現及良惡性的鑒別對肺癌的早期診斷、早期治療有重大意義，是目前臨床醫師工作中面臨的挑戰。本研究結果顯示，AI閱片診斷肺結節的靈敏度、假陰性率高于常規人工閱片，但其假陽性率亦高于常規人工閱片，特異度低于常規人工閱片。分析其原因，主要是由于AI會將支氣管內黏液栓、交叉的血管、肺纖維化灶、局部肺實變、肺尖部胸膜帽等誤診為高危結節，所以需要進一步加強AI軟件數據集的質量管理，擴大數據集訓練數量，以進一步減少誤診，提升惡性結節檢出的準確性[11]。雖然常規人工閱片的特異度高于AI閱片，但對于早期缺乏特異影像學表現的肺結節，影像醫師無法客觀評價其形態、大小、邊緣、病灶內實性成分的位置及病灶鄰近胸膜改變情況，只能依據既往經驗進行主觀判斷，進而影響肺小結節良惡性的判斷；而AI閱片是基于對大數據深度學習基礎之上的進一步分析，能對早期惡性肺結節進行客觀分析及診斷。

綜上所述，AI影像輔助診斷系統閱片有較高的檢出率及靈敏度，能有效減少臨床工作中的漏診率；但其特異度低于常規人工閱片，有一定的假陽性率。因此，在臨床工作中推薦運用AI影像輔助診斷系統閱片聯合常規人工閱片的模式，以有效提高對肺結節的早期發現及良惡性鑒別的準確度，減少漏診率。