基于人工智能診斷系統的胸部CT 肺結節檢出率及良惡性診斷研究

崔曉劍 吳曉明 舒錦爾 王 波

金華市人民醫院醫院影像介入科，浙江金華 321000

肺癌是臨床常見惡性腫瘤之一，病死率較高，已成為世界各國努力攻克的醫學難題。肺癌早期缺乏特異性表現，患者出現癥狀就診時多已處于中晚期，其5 年生存率僅為15%～16%[1]。早發現、早治療是降低肺癌病死率的重要手段。肺結節是肺癌的早期階段，肺結節的早期發現有助于實現早期干預。胸部CT 檢查是肺結節早期檢出的重要手段，隨著胸部CT 技術與人工智能（artificial intelligence，AI）輔助診斷技術的不斷發展，肺部小結節的檢出率得到極大提升[2,3]。AI 診斷系統的誕生既是高科技時代的產物，也是臨床工作的迫切需要。研究發現，海量的CT 圖像容易引起閱片醫生的視覺疲勞，因疲勞狀態而造成小結節的漏診率高達40%[4]。目前已有研究證實AI 診斷系統輸出的“第二意見”不僅準確性較高，還可減輕影像科醫生的閱片壓力[5,6]。本研究擬探討基于智能診斷系統的胸部CT 在肺結節檢出及良惡性判斷中的作用，現報道如下。

1 資料與方法

1.1 一般資料

收集2021 年2 月至2022 年3 月于金華市人民醫院影像介入科行胸部CT 掃描且同時接受肺結節AI診斷系統檢查的97例患者的臨床資料，納入標準：①具有胸部高分辨率的CT 圖像；②患者至少1 個結節有完整的病理資料；③AI診斷結果完整。排除標準：①合并肺間質病變、慢性阻塞性肺疾病、肺部多發性感染、肺纖維化；②肺不張、縱隔淋巴結腫大；③既往有明確的肺部手術史。97 例患者中男51 例，女46 例；年齡35～73 歲，平均（53.29±8.77）歲。

1.2 方法

1.2.1 胸部CT掃描方法 儀器：飛利浦Ingenuity Core 128 排螺旋CT 掃描儀；參數：管電壓120kV，管電流240mA，層厚5mm，間距5mm，矩陣512×512，視野30cm×30cm。患者取仰臥位，頭先進，掃描從胸廓入口至雙腎上緣，采用肺窗圖像與縱隔窗圖像，掃描后采用0.625mm 層厚與間隔進行圖像重建與后處理。

1.2.2 AI 診斷系統 采用基于自適應3D 深度學習模型技術的深睿醫療AI 影像輔助篩查系統（版本號：MIDS-PNAB V1.2.0.1），將患者的薄層重建數據導入工作站，系統自動得出結節位置、大小、密度、危險度，其中“高危”為惡性，“中低危”為良性[7]。

1.3 影像評估

1.3.1 金標準 由2 名高級職稱影像診斷醫生共同判定[7]。①純磨玻璃：密度稍淡且基本一致＜3cm 的異常密度影，可見病變部位血管影；②混合磨玻璃：磨玻璃結節中可見實性結節；③實性：完全高密度且均勻，掩蓋肺紋理；④鈣化：邊界清且密度高。

1.3.2 良惡性 病理結果由2 名高級職稱病理醫生確認，包括結節部位、大小、組織病理類型[參考《肺結節診治中國專家共識（2018 年版）》[8]]。AI 診斷系統良惡性為自動報告（高危、中低危）。

1.3.3 評估 分別記錄人工檢出結果與AI 診斷系統結果，并計算真陽性結節檢出率、假陽性結節檢出率、假陰性結節漏檢率、敏感度與陽性預測值。

1.4 統計學方法

采用SPSS 20.0 統計學軟件對數據進行分析處理。計量資料以均數±標準差（）表示，比較采用獨立樣本t檢驗；計數資料以例數（百分率）[n（%）]表示，比較采用χ2檢驗。P＜0.05 為差異有統計學意義。

2 結果

2.1 AI 診斷系統與人工對肺結節檢出效能的比較

AI 診斷系統共檢出結節532 個，其中實性結節302 個，混合磨玻璃結節81 個，含鈣化結節75 個，純磨玻璃結節74 個，假陽性結節79 個，假陰性結節2 個，敏感度99.6%，陽性預測值84.4%；79 個假陽性結節中實性結節56 個，混合磨玻璃結節2 個，鈣化結節17 個，純磨玻璃結節4 個；2 個假陰性結節中實性結節1 個，混合磨玻璃結節1 個。人工診斷檢出結節419 個，假陰性結節32 個，敏感度92.9%，陽性預測值100%；32 個假陰性結節中實性結節11個，混合磨玻璃結節5 個，純磨玻璃結節16 個。人工診斷的敏感度顯著低于AI 診斷系統（χ2=27.508，P＜0.001），陽性預測值顯著高于 AI 診斷系統（χ2=71.621，P＜0.001）。

2.2 AI 診斷系統與人工診斷對各類肺結節漏診情況的比較

AI 診斷系統各結節漏診率分別為實性結節0.41%（1/244）、混合磨玻璃結節1.25%（1/80）；人工各結節漏診率分別為實性結節4.51%（11/244）、混合磨玻璃結節 7.50%（6/80）、純磨玻璃結節21.43%（15/70），AI 診斷系統實性結節、混合磨玻璃結節、純磨玻璃結節的漏診率均顯著低于人工診斷（χ2=8.543，3.735，16.800，P＜0.05）。

2.3 AI 診斷系統的假陽性結節結果分析

AI 診斷系統共檢出假陽性結節79 個，其中實性結節56 個，主要表現為血管影，部分為心包突起與胸膜凹陷，見圖1；混合磨玻璃結節2 個，主要表現為血管紋理，見圖2；鈣化結節17 個，為肋軟骨鈣化、胸椎骨刺等，見圖3；純磨玻璃結節4 個，主要表現為肺紋理，見圖4。

圖1 實性結節

圖2 混合磨玻璃結節

圖3 鈣化結節

圖4 純磨玻璃結節

2.4 AI 診斷系統與人工診斷結果比較

AI 診斷系統結果與病理診斷的符合率為72.28%，與病理結果一致性的Kappa 值為0.430；人工診斷與病理診斷符合率為90.02%，與病理結果一致性的Kappa 值為0.791，人工診斷的符合率顯著高于AI 診斷系統（χ2=46.390，P＜0.05）。

3 討論

目前臨床多采用高分辨率CT 篩查與定性肺結節，但在獲得高清晰度圖像的同時，高分辨率CT 圖像的數量也成倍增加，放射科醫生閱讀大量圖像時難免會產生視覺疲勞，進而造成誤診、漏診。AI 診斷系統能夠有效提升工作效率，減輕放射科醫生的工作負荷[9]。

基于自適應3D 深度學習模型技術的AI 影像輔助篩查系統采用三維卷積神經網絡技術，其優勢在于根據類似結構在圖像中出現的不同位置原理進行權重分配，軟件能自動提取識別相應特征及經過標識的數據；能通過不斷增加新病種數據不斷提升學習能力[10,11]。本研究結果發現，實際結節數為451，而AI 診斷系統共檢出結節532 個，假陽性結節79個，假陽性率較高。這些結節多為發生于肺門區的血管斷面、心包突起、胸膜凹陷等。分析原因：肺結節的形態與位置存在較明顯的多變性，當結節發生慢性炎癥或接近肺正常組織時，AI 診斷系統就越容易被干擾；AI 診斷系統對于肋軟骨鈣化、胸椎骨刺等難以與鈣化結節進行有效區分。假陰性結節2個，為肺門區附近，分析原因：可能與肺門血管走行較為復雜相關，AI 診斷系統誤以為是正常血管影。人工檢出無假陽性，但假陰性結節32 個，與羅亞敏等[12]報道的結果基本一致，分析原因：人工閱片對微小結節的檢出難度較大，特別是當結節直徑＜5mm，甚至＜3mm 時，難度更大。兩者比較，AI 診斷系統的結節檢出假陽性率較高，假陰性率低，而人工診斷假陽性率低，假陰性率較高。二者結合，在人工閱片時參考AI 診斷系統的輸出結果，不僅可降低小結節的漏診率，還能大幅度減輕人工工作負荷。

肺結節的鑒別診斷主要是根據特定征象進行評價，首先是判斷其良惡性，再進行病變的分類分型。常規思路是從結節形狀特點作為切入點，一般良性病變的邊緣清晰、光滑，惡性病變邊緣可見毛刺、分葉等[13,14]。當然，良惡性的診斷還需要考慮結節周圍的肺野情況，索條狀纖維灶、衛星灶、胸腔積液、胸膜增厚等都有一定的參考意義[15,16]。本研究結果顯示，AI 診斷系統結果與病理診斷符合率為72.28%，與病理結果一致性的Kappa 值為0.430，與既往研究結果基本一致[17,18]。AI 診斷系統能夠進行肺結節的自動檢測、病灶的自動分隔、測量定量和定性參數，從而判斷結節的類型與良惡性，這是AI 診斷系統的優勢所在，但也是不足點，需要對系統軟件數據庫與計算方法進行不斷擴大與優化，才能提升“惡性概率”的準確性[19,20]。結合本研究結果，建議在今后的臨床工作中，可將AI 診斷系統作為初篩工具，對可疑病變進行標記，然后影像科醫生開展二次閱片，以提升肺結節檢出率，將人工經驗與AI 診斷結果提示的高危結節進行重點分析，從而對結節性質做出精準判斷。

綜上所述，基于AI 診斷系統的胸部CT 肺結節檢出假陽性率較高，假陰性率低；在結節的定性診斷上與人工診斷還有一定差距，可作為人工診斷的參考。