人工智能系統輔助64 排螺旋CT 高分辨掃描在肺結節診斷中的應用

邱立軍，喬宏偉（通信作者）

（1 上海市楊浦區控江醫院放射科 上海 200093）

（2 上海市楊浦區控江醫院老年醫學科 上海 200093）

現階段，肺結節的疾病成因并未有明確的定論，研究認為該疾病可能和機體免疫功能異常和免疫系統細胞的功能異常相關[1]。由于肺結節在早期階段并不具備顯著的臨床癥狀，但是通過CT 檢查，能夠發現直徑小于或等于3 毫米的不規則結節病灶，因此，CT 在肺結節的診斷和識別上被運用廣泛。以往CT 在肺結節的診斷上已經取得不錯的成果，但是它仍然有一些限制，主要是因為誤診率較高，影響診斷結果的精確度。所以，必須采取更具前瞻性與實際效果的診斷方法來提升診斷的準確率。同時由于CT 圖像的數據量過多，使得放射科的醫生面臨著巨大的工作負擔，在做大規模的閱片時可能出現遺漏，導致誤診和漏診出現[2]。部分學者認為，AI 輔助診斷系統與醫師人工閱片模式相結合，能夠在圖像采集、重構、切割、構建預期模型及核實等步驟中，協助識別肺結節的特征，有利于影像科醫師準確判斷肺結節良惡性，進一步為病人設計出具有針對性的治療策略[3]。基于此，本文將分析人工智能系統輔助64 排螺旋CT 高分辨掃描對肺結節診斷的臨床應用價值，報道如下。

1 資料與方法

1.1 一般資料

選 擇2022 年10 月—2023 年10 月在上海市楊浦區控江醫院就診的肺結節患者158 例，對全部患者實施64 排螺旋CT 高分辨掃描，以輔助方式的不同分為醫師診斷組、人工智能系統輔助+醫師診斷組。其中男性75 例，女性83 例，患者年齡35～74 歲，平均年齡（58.26±3.62）歲。

納入標準：（1）臨床資料完整；（2）符合影像學檢查適應證；（3）患者了解研究內容并簽署知情同意書。排除標準：（1）嚴重的心腦腎等關鍵器官的器質性疾病患者；（2）有凝血功能問題的患者；（3）依從性差患者。

1.2 方法

使用聯影64 排128 層uCT 760 CT 掃描儀，告知患者在吸氣末屏氣實施掃描。掃描的范圍控制在肺尖到肺底的掃描區域，管電壓120 kVp，對管電流進行自動的調節，將最大的管電流設定成260 mA，螺距設定為0.984，球管旋轉速度為0.5 s/r，同時，將掃描的層厚度定義為5 mm。實施針對性、全面性的掃描和分析。選取兩位擁有超過5 年工作經歷的胸部診斷醫生，依托AI 肺結節檢測系統，對肺結節病灶進行標記。對于結節的類型，根據其在肺部的特性來劃分，主要涵蓋實性結節、純磨玻璃密度結節、部分實性結節和鈣化結節三種。使用AI 肺部結節識別系統，對158 例病人CT 掃描圖像進行評估，并記錄每一個結節的數目以及特征。然后，把評估結果與醫生的判斷結節相互比較。

1.3 觀察指標

（1）以病理結果為金標準，分析醫師診斷組及人工智能系統輔助+醫師診斷組肺結節診斷結果，比較靈敏度、特異度、準確率。（2）比較不同大小結節檢出準確率：微結節（小于5 mm）、小結節（5～8 mm）、大結節（大于8 mm）。（3）比較不同肺結節病癥類型檢出準確率：肺癌原發灶、肺轉移瘤、結核灶、炎性結節。

1.4 統計學方法

采用SPSS 21.0 統計軟件處理數據。符合正態分布的計量資料以均數±標準差（）表示，采用t檢驗；計數資料以頻數（n）、百分率（%）表示，采用χ2檢驗。以P＜0.05 代表差異有統計學意義。

2 結果

2.1 不同檢查方式診斷結果

病理結果顯示惡性102 例，良性56 例，醫師診斷組準確檢查惡性90 例，良性44 例，人工智能系統輔助+醫師診斷組準確檢查惡性98 例，良性50 例，見表1。

表1 診斷結果 單位：例

2.2 比較不同檢查方式診斷靈敏度、特異度、準確率

人工智能系統輔助+醫師診斷的靈敏度96.10%、特異度89.30%、準確率93.70% 均高于醫師診斷的88.20%、78.60%、84.80%，差異有統計學意義（P＜0.05），見表2。

表2 診斷靈敏度、特異度、準確率[%（n/m）]

2.3 不同大小結節檢出準確率

病理結果顯示，158 例結節患者包含微結節88 例，小結節50 例，大結節20 例；人工智能系統輔助+醫師診斷結節檢出準確率均高于醫師診斷，其中微結節檢出準確率差異有統計學意義（P＜0.05），見表3。

表3 不同大小結節檢出準確率[%（n/m）]

2.4 分析肺結節病癥類型

病理結果顯示，102 例惡性結節患者包含肺癌原發灶52 例，肺轉移瘤50 例；56 良性結節患者包含結核灶32 例，炎性結節24 例；人工智能系統輔助+醫師診斷不同結節病癥類型檢出準確率均高于醫師診斷，但差異無統計學意義（P＞0.05），見表4。

表4 不同類型結節檢出準確率[n（%）]

3 討論

由于CT 掃描的普遍應用以及肺癌篩查方法的大規模使用，肺結節的發現率正在不斷提高，促使許多關于肺結節的良惡性鑒定以及治療的相關指導文件的發布。影像科的醫生主要遵循Neischner 學會所制定出的指南和美國放射學院公布的肺CT 篩查報告、數據系統（Lung-RADs）HJ[4]。其中，Lung-RADs 的評級方法有助于明確識別出疾病是否轉化為惡性，對于3 類或以上的結節，還需要做更深入的診療。Lung-RADs 3 類結節的閾值是6 mm，然而，新發實性結節的閾值為4 mm。在NLST實驗中，超過一半的基線結節的直徑介于4～6 mm，若是把陽性反應的閾值設定為6 mm，那么陽性反應的比例就會由27.3%下降到13.4%。所以，為確保結節檢出的數目，可選擇4 mm 來設定陽性結節的最低標準。對診斷結果分析發現，影響診斷結果的因素多種，如閱片人的經驗、CT 掃描的條件和肺結節的特性，上述因素都會對放射科醫生診斷肺結節的準確率產生影響。為降低肺結節的遺漏和錯誤判斷的風險，專業人士提倡2 位或更多的放射科醫生單獨進行圖像分析，同時運用CAD 技術。在這項研究中，AI 與影像醫生聯合診斷，都能夠準確地識別惡性病灶，這表明醫生對于較大或存在某種程度的惡性病灶的識別效果非常好[2-3]。這主要表現在對于直徑超過10 毫米的病灶以及部分實性病灶的識別率都非常高。AI 在診斷所有非鈣化結節的整體情況時，其靈敏度明顯超過醫生，特別是在診斷小于5 mm的實性結節時[5]。醫師診斷靈敏度比AI 要差，主要是因為醫師往往會忽略一些尺寸不超過5 mm 的小結節。另外，也可能是由于醫生的閱片時長不夠，或者是專注力不夠，只是專門針對重大疾病進行診斷，對于微小病灶診斷并未給予足夠的關注，甚至只是憑借個人的經驗來判斷。雖然AI 在診斷結節上的優勢無疑可以為影像科醫生帶來便利，然而，如何將其運用到臨床實踐中，其具體的臨床價值仍然存在爭議。

本研究結果顯示，人工智能系統輔助+醫師診斷的靈敏度、特異度、準確率均高于醫師診斷（P＜0.05）。證實人工智能系統輔助+醫師診斷價值較高。與汪芳等[6]研究結果一致，主要是因為：當使用手動閱片的方式，存在著較大的遺漏結節病灶的可能。與人工閱片相比，人工智能的輔助檢查系統擁有顯著的優點，然而同時也面臨一些挑戰。在肺部結節的CT 檢查環節，人工智能系統主要用于輔助診斷。當影像科的醫生使用這個系統來檢查圖像時，根據系統的檢查結果做出更精確的決策，從而降低遺漏或誤差的可能。AI 在結節診斷中存在誤診概率，特別是在識別小葉中心部位時，此種情況更為常見[7]。另外，還有誤判的可能性，可能是與氣管有關，例如，增厚、擴張的細支氣管，以及氣管和細支氣管中的分泌物等。和血管相關，主要是因為肺部涵蓋增粗、彎曲、交錯的血管以及肺部增粗的血管等。正常或是異常肺部結構，例如小葉核心結構，小葉內間隔以及小葉間隔。各個階段感染性病灶，例如瘢痕、索條、片狀實變、樹芽狀改變等。其他原因包含：局部突出于肺葉的骨質構造、有限的氣體滯留，以及胸膜的斑點等。由于AI 所設置的診斷結果的最小閾值過低，導致假陽性的產生。經過移除小于5 mm 的假陽性病灶，假陽性的比例大概降低2/3。何舜東等[8]研究指出，影像醫生的假陽性率非常低，這主要是由于醫生對假陽性結節的判斷經驗比AI 要豐富得多。然而，現階段AI 的主要工作還是在陽性結節的學習上，對于假陽性結節的學習還存在不足。AI 作為一門被廣大醫學界所采納的前沿技術，其在肺結節的診斷上的應用，已經成為AI 在醫療領域的未來趨勢。深度學習作為一種利用多層次的網絡架構來實現多元化特性學習的人工智能技術，相較于傳統的電腦輔助診斷系統（CTion），其優點更為明顯。謝輝輝等[9]研究指出使用一款基于三維卷積神經網絡（3D.cNN）的軟件，它通過深度學習來實現目標的診斷，并且可以最大程度地利用肺結節的空間三維信息。深度學習技術在肺門區、胸膜下區以及非實質結節的識別上有顯著的進步。深度學習模型具有高速的計算能力，隨著經驗的持續積累和模型的持續更新，其診斷的靈敏度和精確度也會持續提升，同時，假陽性也會得到控制。此研究也確認CAD 能夠增強肺結節的診斷靈敏度，這與先前的研究成果相吻合[10-12]。AI 的應用范圍和AI 軟件的運用價值在逐步地拓寬，其在醫療領域的幫助作用也將有所增強。

綜上所述，利用AI 軟件能夠提升醫師診斷肺結節的準確率，同時也能減少閱片的時間。AI 軟件作為肺結節診斷的輔助設備，其實際使用效果十分顯著。