人工智能定量肺結節參數與肺腺癌浸潤程度的相關性分析

朱紅梅 馬金連 王歡 劉峰

肺癌是世界上發病率最高的惡性腫瘤,臨床上早期肺癌多為肺腺癌,其影像上表現為肺磨玻璃結節(ground glass nodules,GGN)[1,2]。根據浸潤程度可將其分為原位腺癌(adenocarcinoma in situ,AIS)、非典型腺瘤樣增生(atypical adenomatous hyperplasia,AAH)、微浸潤性腺癌(minimally invasive adenocarcinoma,MIA)及浸潤性腺癌(invasive adenocarcinoma,IAC)4個亞型[3,4]。由于不同浸潤程度的肺腺癌術式選擇及預后差異較大,故準確評估術前浸潤程度對提高肺腺癌預后至關重要。傳統CT診斷對鑒別肺腺癌浸潤程度具有一定價值,但人為篩查肺結節存在主觀性強、效率低等缺點[5]。而人工智能(artificial intelligence,AI)可通過分析患者胸部CT圖像,精準測量各項定量肺結節參數,從而得出高質量數據進行分析[6]。基于此,本研究旨在研究AI定量肺結節參數與肺腺癌浸潤程度的相關性。

資料與方法

一、臨床資料

選取2021年1月—2023年1月醫院收治的138例肺腺癌患者(共138個肺結節)為研究對象,其中男48例,女90例,男女構成比為1 ∶1.88;年齡29～71歲,平均(57.54±8.23)歲。其中IAC 60例,MIA 4例,AIS 56例,AAH 18例,將IAC歸為A組,MIA、AIS及AAH歸為B組。本研究已經醫院醫學倫理委員會審核批準(202068)。

二、病例選擇標準

納入標準:(1)單個肺結節。(2)結節直徑≤3 cm。(3)術前未進行放化療、靶向及免疫治療。(4)肺結節均經手術切除,且經2位具有豐富經驗的病理醫師經石蠟切片確診為肺腺癌。(5)臨床資料及影像學完整。(6)患者及家屬均對本研究內容知情同意。

排除標準:(1)伴有除肺部外其他部位惡性腫瘤者。(2)胸部CT存在斷層或不能被AI輔助診斷系統成功檢測者。(3)術前胸部CT顯示患有廣泛彌漫性肺部疾病、大量氣胸、胸腔積液及存在明顯運動偽影等影響AI定量分析者。(4)心、肝、腎嚴重功能障礙者。

三、方法

胸部CT圖像獲取:所有患者均在術前采用Siemens 64層螺旋CT掃描機掃描胸部,設置掃描參數:120 kv管電壓、160 mAs管電流、5 mm層距、5 mm層厚、0.6螺距、512×512圖像矩陣、360 mm視野;薄層重建圖像:1 mm層間距、1 mm層厚;采用雙窗技術,即肺窗(窗寬1600～2000 HU、窗位-800～600 HU)和縱隔窗(窗寬300～400 HU、窗位30～40 HU),患者取平臥位,深吸一口氣并屏住呼吸,掃描范圍從胸廓入口處到膈肌結束。掃描完成后,將薄層重建圖像存檔并傳至圖像存檔和通信系統。

CT圖像分析:將1 mm肺窗薄層圖像上傳至AI肺結節檢測系統軟件,據此進行AI自動識別、分割及定量分析,獲得AI定量肺結節參數:肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率。

CT引導下穿刺活檢術:囑患者取合適穿刺體位,按照CT定位線體表劃線標記穿刺中心層面并固定體表金屬定位標記物,測量穿刺點到預定穿刺目標的距離和角度;常規消毒鋪巾,2%利多卡因局麻胸壁,局麻過程中可將針頭暫時固定于胸壁,復查CT,以此觀察進針角度深度;滿意后在CT引導下盡可能將穿刺針穿刺深度越過小結節,但一般不超過1 cm;若小結節過小,準確穿刺困難,也可將穿刺針穿過與小結節相近的肺組織,一般偏差以不超過1 cm為宜;穿刺過程中注意避開心臟、大血管和骨骼。以穿刺活檢及外科手術病理學結果為金標準,并由1名具有10年胸部CT診斷資歷的影像學醫師再次進行人工復核,二者不一致時由1名具有20年以上胸部CT診斷資歷的影像學醫師最終閱片決定,將符合要求的肺結節納入研究。

四、觀察指標

比較A組和B組定性肺結節參數;分析肺腺癌浸潤程度的影響因素;分析AI定量肺結節參數對肺腺癌浸潤程度的預測價值;分析AI定量肺結節參數與肺腺癌浸潤程度的相關性。

五、統計學分析

結 果

一、兩組AI定量肺結節參數比較

A組肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均高于B組(P<0.05)(見表1)。

表1 兩組AI定量肺結節參數比較

二、影響肺腺癌浸潤程度的多因素Logistic回歸分析

多因素Logistic回歸分析結果顯示,較大肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均是加重肺腺癌浸潤程度的獨立危險因素(P<0.05)(見表2)。

表2 影響肺腺癌浸潤程度的多因素Logistic回歸分析

三、AI定量肺結節參數預測肺腺癌浸潤分型的ROC曲線分析

ROC曲線分析結果顯示,肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率對肺腺癌浸潤分型預測的最佳診斷值分別為9.06 mm、11.14 mm、-57.28 HU、-722.72 HU、-366.91 HU及88.74%,AUC分別為0.927、0.985、0.858、0.872、0.753及0.961;聯合檢測的AUC為0.995(見表3,圖1)。

圖1 AI定量肺結節參數對肺腺癌浸潤分型的ROC曲線分析圖

表3 AI定量肺結節參數預測肺腺癌浸潤分型的ROC曲線分析

四、AI定量肺結節參數與肺腺癌浸潤程度的Spearman相關性分析

Spearman相關性分析結果顯示,肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均與肺腺癌浸潤程度呈正相關關系(P<0.05)(見表4)。

表4 AI定量肺結節參數與肺腺癌浸潤程度的Spearman相關性分析

討 論

肺腺癌是一種惡性腫瘤,其發病率和死亡率在全部惡性腫瘤中位居前列[7]。手術切除是早期肺腺癌首選治療方法,但不同浸潤程度肺腺癌手術治療方案差異較大。通常AIS、MIA僅需采取肺段切除或楔形切除,可盡可能保留肺功能,減少圍手術期并發癥發生;而IAC侵襲性成分較多,更傾向擴大手術范圍的肺葉切除手術方案,以降低復發風險[8]。因此,術前準確鑒別早期肺腺癌浸潤程度,有助于指導醫師采取合理的治療方案,進行個性化手術管理,有利于提高患者術后生存質量及減少并發癥。手術病理學檢查是肺腺癌診斷“金標準”,但該方法對患者創傷性較大,且耗時較長,穿刺活檢受取樣和定位困難的限制而無法對病灶進行全面評估,且為有創操作,還可能造成病灶種植性轉移現象[9,10]。目前,隨著醫療技術不斷發展,術前影像學檢查是鑒別肺腺癌分型主要手段。

肺結節一般是指直徑≤3cm的肺內類圓形或不規則病灶[11]。而X線平片分辨率較低,可供參考信息較少,對于直徑較小或不典型病灶難以準確判斷其病變特征;CT分辨率更高,能清晰呈現肺結節影像學特點,因此對肺腺癌診斷準確性更高[12]。但大量圖像數據增加影像科醫師診斷難度,易造成漏診或誤診[13]。此外,傳統手工測量量化肺結節影像學指標存在一定局限性,即重復性差、主觀偏倚及測量誤差,對早期肺腺癌浸潤程度預測效果不佳[14]。AI是由人類制造機器所表現出的智能,以人工神經網絡、支持向量機及卷積神經網絡等為代表,通過普通計算機程序手段實現的人類智能技術[15]。AI能識別人眼無法辨別微小病變,目前AI可診斷及預測分析病理顯微圖像、皮膚病變及放射科影像學圖像,具有較高可重復性及敏感性,能精準鑒別病變[16]。基于此,本研究將IAC歸為A組,將AIS、AAH、MIA歸為B組,以觀察IAC患者AI肺結節定量參數與其他肺腺癌的差異性。本研究結果顯示,A組肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均高于B組,表明IAC的AI定量肺結節參數顯著高于其他肺腺癌,上述AI定量肺結節參數有望輔助鑒別肺腺癌浸潤分型。研究[17]表明,AI能有效預測亞實性肺結節惡性概率。本研究通過多因素Logistic回歸分析結果顯示,較大肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均是加重肺腺癌浸潤程度的獨立危險因素,提示高AI定量肺結節參數可能會增加肺腺癌浸潤程度。分析原因為AI能處理大量復雜臨床數據,可精細、準確識別和量化復雜圖像,從而為醫生提供肉眼無法獲得額外圖像信息,因此能將醫生主觀定性圖像解釋過程變為客觀可量化過程,從而有望提高肺腺癌浸潤分型鑒別效率。

研究[18]表明,AI輔助診斷系統對肺結節早期肺腺癌浸潤亞型具有一定的預測價值。另一項研究也指出,AI術前對GGN病理浸潤程度評估與術后病理診斷結果基本相符,能快速評估肺磨玻璃結節性質與病理分型[19]。本研究經ROC曲線分析結果顯示,肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率對浸潤性肺腺癌預測的最佳診斷值分別為9.06 mm、11.14 mm、-57.28 HU、-722.72 HU、-366.91 HU及88.74%,AUC分別為0.927、0.985、0.858、0.872、0.753及0.961,且聯合檢測AUC為0.995,表明AI定量肺結節參數聯合檢測對肺腺癌浸潤分型預測價值較高。故在臨床測量定量肺結節參數時,若肺結節大小及CT值超過上述截點,可懷疑為IAC,可對此類患者做進一步檢查,以確認其臨床病理分型。本研究又經Spearman相關性分析發現,肺結節短徑、肺結節長徑、最大CT值、最小CT值、平均CT值及惡性概率均與肺腺癌浸潤程度呈正相關關系,進一步表明AI定量肺結節參數與肺腺癌浸潤程度相關。因此應用AI分析進行精準篩查,可幫助醫師減少工作量并提高診斷準確率,有利于肺腺癌早期發現、早期診斷、早期治療。

AI定量肺結節參數與肺腺癌浸潤程度相關,AI定量肺結節參數對預測肺腺癌浸潤分型具有較高臨床價值。但本研究尚存不足:首先本研究納入樣本量較少,且未對肺腺癌4種亞型進行進一步分組分析,導致本研究結果具有一定局限性,未來應擴大樣本量,進行亞組分組分析,以進一步驗證結論準確性。