肺結節人工智能提軟件取CT 紋理征象構建決策樹模型：對IA 期小細胞肺癌的診斷效能研究

郭 曦，吳彥平，漆萬銀

（1.西南醫科大學附屬醫院放射科，四川 瀘州 646000；2.湘潭市中心醫院放射科，湖南 湘潭 411100）

肺癌是世界上發病率最高的惡性腫瘤，其腫瘤相關致死率高居首位[1]。小細胞肺癌（Small cell lung cancer，SCLC）是肺癌中特殊的病理類型，與非小細胞肺癌（Non-small cell lung cancer，NSCLC）比較，SCLC 侵襲性強、惡性度高，其腫瘤倍增速度快，較早發生廣泛轉移，且易伴發異常內分泌綜合征[2-3]。早期、無淋巴結轉移的SCLC（<3 cm，IA 期）的確診多依賴于病理學檢查，然而當病灶位置較深、患者肺功能儲備量較差，抑或存在其他穿刺或手術禁忌癥時，病灶的定性診斷存在一定困難。僅依據CT 常規影像對SCLC 的診斷存在一定的局限性，尤其是早期病變缺乏典型征象時更為明顯[4-7]。

以CT 紋理征象提取為基礎的影像組學研究，能夠對病灶實現全容積深度分割，獲取更系統、全面的診斷信息，目前在肺癌的診斷領域發揮著重要的作用[8]。既往研究基于CT 紋理征象，初步探討了其對SCLC 與NSCLC 的鑒別診斷價值[9-11]。然而，現有的研究對病灶CT 紋理征象的提取采用的是手動逐層勾畫，操作較為繁瑣，且存在難以避免的測量誤差，重復性欠佳，尚未能對早期周圍型SCLC 進行亞組分析。鑒于此，本研究通過肺結節人工智能軟件，基于深度學習算法實現對肺結節的自動識別、分割，并進一步提取CT 紋理征象。本研究以病灶CT 紋理征象為基礎構建決策樹模型，以期為SCLC 與NSCLC 鑒別診斷提供客觀、可視化的思路。

1 資料與方法

1.1 病例入組

對2018 年1 月—2021 年1 月西南醫科大學附屬醫院與湘潭市中心醫院收治的肺癌患者進行回顧性分析，收集其臨床及胸部CT 資料。納入標準：①肺結節<3 cm，且未發現縱隔及肺門淋巴結轉移，臨床診斷為IA 期（cT1N0M0）；②經手術或穿刺病理診斷為NSCLC 或SCLC；③CT 掃描圖像經容積重建層厚為0.625～1.25 mm。排除標準：①CT 圖像質量欠佳（如偽影），影響后續分析；②患者合并其他惡性腫瘤；③合并阻塞性肺炎或阻塞性肺不張。本研究經西南醫科大學附屬醫院（No.KY2020147）及湘潭市中心醫院（No.2021-07-009）倫理委員會審核通過，整個研究過程中嚴格遵循相應的章程制度。

1.2 CT 掃描

本研究采用多排螺旋CT 機（uCT550 或uCT760，上海聯影，西南醫科大學附屬醫院放射科；Revolution CT，美國GE 公司，湘潭市中心醫院放射科），掃描范圍包括肺尖至肺底，受檢者完成深吸氣動作后屏氣完成掃描過程，掃描參數遵守兩家醫療機構放射科日常固定設置，并保持一致性。掃描完成后，使用標準算法后處理重建層厚為0.625～1.25 mm。

1.3 肺結節人工智能軟件對CT 紋理征象的提取

將掃描獲取的原始圖像，以DICOM 格式導出，傳入肺結節人工智能軟件（Deepwise 20201130fix1a，杭州深睿科技）。軟件基于深度學習算法自動識別、定位肺結節位置，并進一步分割、提取其CT 紋理征象（圖1）。獲取的CT 紋理參數包括CT 最大值、CT平均值、CT 最小值、CT值方差、峰度、偏度、最大面面積、表面積、3D 長徑、球形度、緊湊度以及熵值。

1.4 統計學分析

使用R 語言3.6.3（https://www.r-project.org/）進行統計學分析。使用 “CompareGroups” 軟件包對NSCLC 與SCLC 組進行單因素分析，計量資料以均數±標準差（）表示，組間比較采用獨立樣本t 檢驗；計數資料以率（%）表示，組間比較采用χ2檢驗。最后，基于“rpark”和“partykit”包，對收集到的CT 紋理征象進行決策樹構建，并基于節點最小誤差進行剪枝，得到最優決策樹；以“pROC”包對決策樹進行診斷效能分析，計算出相應的敏感度、特異度以及曲線下面積（Area under curve，AUC）。以P＜0.05 為差異具有統計學意義。

2 結果

2.1 入組患者基線資料的描述

基于兩家醫療機構，嚴格按照入組標準，共計收集到肺結節患者109 例（年齡（61.24±8.15）歲），均為孤立性實性結節，經病理證實SCLC 16例，NSCLC 93例，其中男59例，女50 例。

2.2 NSCLC 與SCLC 的單因素分析

與NSCLC 比較，SCLC 的CT 最大值、CT 最小值、CT 平均值、CT值方差以及熵值更大且偏度值更低（P＜0.05），差異具有統計學意義；而年齡、性別、峰度、最大面面積、表面積、球形度、緊湊度、位置、肺葉無統計學差異（P＞0.05）（表1）。

表1 IA 期NSCLC 與SCLC 臨床及影像組學資料的比較

2.3 SCLC 與NSCLC 的診斷決策樹模型

CT值方差（節點閾值214.045 HU）、熵（節點閾值9.105）納入最終的決策樹模型（圖2），該診斷模型的AUC 為0.806，對應的敏感度、特異度及準確度分別為68.8%、92.5%、89.0%（圖3）。

3 討論

SCLC 與類癌、大細胞癌同屬于神經內分泌腫瘤，約占支氣管源性肺癌的15%～20%，其中90%～95%為中央型，在確診時約67%存在遠處轉移，早期診斷較為困難[2]。IA 期SCLC 的治療主要以放化療為主，其治療方案及遠期預后與NSCLC 存在較大差異。在穿刺或手術病理獲取困難時，早期SCLC 的準確影像學診斷，對患者治療方案的制定以及預后評估有著重要的參考價值。既往文獻初步總結了SCLC 的CT 常規影像學征象[4-7]：相比于NSCLC，小病灶SCLC 多伴有肺門淋巴結腫大，且病灶多為實性；此外亦存在分葉征、周圍磨玻璃影、毛刺征、充氣支氣管征及胸膜牽拉征等鑒別診斷征象。然而，在既往研究中，除對小病灶SCLC 為實性且多伴肺門淋巴結腫大這一征象達成共識外，對于其他特征性影像學表現仍存在較大的爭議，未能達成一致[4-7]。因此，對于早期不伴淋巴結腫大的周圍性SCLC，常規影像學表現重疊較大，診斷征象存在一定爭議，其診斷效能亟待提高[4-7]。所以有必要對早期SCLC 與NSCLC的影像征象進行深度挖掘，探索出一種診斷效能更高、診斷思路更具邏輯性的可視化的預測模型。CT紋理分析能夠對腫瘤進行全體素、多維度的信息挖掘，從而量化腫瘤的異質性，反映腫瘤的代謝狀況，為評估其惡性生物學行為提供更全面、客觀的參考依據[8-11]。鑒于此，本研究通過肺結節人工智能軟件，基于深度學習算法，在不增加患者經濟負荷的基礎上，對病灶CT 平掃圖像進行自動識別、分割，深度挖掘其CT 紋理征象，并建立決策樹診斷模型。

決策樹是一種機器學習方法，其優點在于采用邏輯語句生成決策節點，并以樹型結構輸出結果，其直觀性強、思維導向性好，對臨床決策有著重要的指導作用[12]。本研究通過對SCLC 與NSCLC 各臨床特征及CT 紋理征象進行單因素分析，最后將CT值方差（節點閾值214.045 HU）、熵（節點閾值9.105）納入最終的決策樹模型，節點閾值之上更傾向于SCLC。筆者綜合分析既往文獻，試探討其原因可能在于：NSCLC 中的腺癌具有腺體結構，易伴有黏液產生；鱗癌易發生液化壞死，導致腫瘤內部整體密度減低[13]。由于CT值方差反映了病變的密度差異，故整體更低密度的NSCLC 表現為更低的CT值方差。此外，熵值描述的是腫瘤細胞復雜與不規則程度，反映瘤灶內部的異質性，SCLC 的熵值更高，這與其惡性程度更高、腫瘤異質性較大等生物學行為相對應，該結果與徐圓等[11]研究結果接近。本研究還對決策樹模型進行了診斷效能分析，結果顯示其AUC 為0.868，且對應較為均衡的敏感度及特異度，Alba 等[14]認為AUC＞0.750 則提示該診斷模型具有較優的診斷效能，存在較好的臨床實用性。

綜上所述，本研究通過肺結節人工智能軟件，基于深度學習算法，對肺結節進行自動識別、分割，并進一步提取了病灶的CT 紋理征象，挖掘了CT 平掃圖像更多的診斷參數，提升了其診斷能力。在IA 期SCLC 與NSCLC 的眾多臨床特征及CT 影像組學征象中，本研究通過決策樹模型對眾多因子特征進行降維，最后得到CT值方差（節點閾值214.045 HU）、熵（節點閾值9.105）可作為IA 期SCLC 與NSCLC鑒別診斷的決策節點。本研究在不增加患者經濟負荷的情況下，通過肺結節人工智能軟件，為臨床醫師提供了一個邏輯導向性強、直觀可視化的預測模型工具，有助于臨床決策。本研究仍存在一定的局限性：首先，本研究對比了IA 期SCLC 與NSCLC 的影像組學的特異性，但未能對NSCLC 中的鱗癌及腺癌進行進一步亞組分析；其次，本研究為的是解決早期NSCLC 與SCLC 的鑒別診斷，實驗設計針對的是周圍型IA 期孤立性、實性結節，可能限制了研究結論的泛化性；最后，本研究樣本量較少，且屬于回顧性研究，有待進一步擴大樣本量，以獲取更可靠的研究成果。