人工智能影像輔助診斷系統閱片在鑒別肺結節性質中的價值分析

作者簡介：李斌，大學本科，技師，研究方向：診斷學。

通信作者：劉永波，碩士研究生，主任醫師，研究方向：診斷學。E-mail：liuyongboct@163.com

【摘要】目的 探究人工智能影像輔助診斷系統閱片在鑒別肺結節性質中的價值，為臨床診斷肺結節疾病提供參考依據。方法 回顧性分析北大醫療潞安醫院2022年6月至2023年6月收治的82例肺結節患者的臨床資料，所有患者均接受電子計算機斷層掃描（CT）檢查，獲得的CT圖像進行人工閱片和人工智能影像輔助診斷閱片，并進行定性診斷。以病理檢查為金標準，分析比較兩種閱片方式對肺結節的檢出情況及兩種閱片方式對肺結節良、惡性的診斷效能。結果 82例肺結節患者中共檢出245個結節，其中結節直徑lt;5 mm者

154個，5 mm≤結節直徑≤ 10 mm者66個，結節直徑gt;10 mm者25個。與人工閱片相比，人工智能影像輔助診斷系統閱片對肺結節直徑lt;5 mm、5 mm≤直徑≤ 10 mm的檢出率升高；與人工閱片相比，人工智能影像輔助診斷系統閱片對肺結節惡性的診斷特異度降低，靈敏度、陰性預測值均升高（均Plt;0.05）。結論 人工智能影像輔助診斷系統閱片對肺結節的檢出率更高，并且診斷靈敏度、陰性預測值較高，但其特異度較低，因此會存在一定的假陽性率，建議臨床上將兩種閱片方式進行結合，以提高對肺結節的診斷準確性。

【關鍵詞】肺結節 ; 良惡性 ; 人工智能影像輔助診斷系統閱片 ; 人工閱片 ; 鑒別診斷

【中圖分類號】R563 【文獻標識碼】A 【文章編號】2096-3718.2024.04.0110.04

DOI：10.3969/j.issn.2096-3718.2024.04.037

臨床上將小于3 cm的肺部內圓形或不規則占位性病變稱為肺結節。隨著醫療技術的發展和人們健康意識的提高，越來越多肺結節在體檢中被查出，肺結節可分為良性和惡性，良性肺結節預后良好，而惡性肺結節會侵犯患者肺部、皮膚、雙側肺門淋巴結等，若不加以干預，病情持續進展會對患者身體健康及生命安全構成威脅。隨著電子計算機斷層掃描（CT）技術的發展，CT檢查越來越多被應用于臨床各類疾病的檢測中，CT檢查可根據其征象輔助鑒別診斷肺結節良、惡性，但大量的CT圖像增加了人工閱片負擔，在一定程度上影響肺結節的診斷準確性，受主觀意識的影響，人工閱片易發生誤診、漏診情況[1-2]。人工智能影像輔助診斷系統則通過提取肺結節影像圖像上的主要特征，進而判斷肺結節良、惡性，且憑借強大圖片識別功能，不受人為因素干擾，可提高肺結節的診斷質量[3-4]。基于此，本研究旨在分析人工智能影像輔助診斷系統閱片在鑒別肺結節性質中的價值，為臨床診斷肺結節疾病的良惡性提供參考依據，現將研究結果報道如下。

1 資料與方法

1.1 一般資料 回顧性分析北大醫療潞安醫院2022年6月至2023年6月收治的82例肺結節患者的臨床資料，其中男性31例，女性51例；年齡24～78歲，平均（56.47±8.52）歲；單發61例、多發21例。納入標準：⑴符合《肺結節診治中國專家共識（2018年版）》 [5]中的相關診斷標準；⑵可接受CT檢查；⑶生命體征平穩；⑷入院前未接受相關診治。排除標準：⑴合并其他肺部疾病；⑵圖像顯示有金屬偽影、呼吸運動偽影干擾病變；⑶具有肺部陳舊性肺結核病灶；⑷繼發性肺癌。此研究已由北大醫療潞安醫院醫學倫理委員會

批準。

1.2 檢測方法 所有研究對象均進行胸部CT掃描，使用64排螺旋CT機（美國GE公司，型號：LightSpeed VCT）進行檢查，患者保持仰臥位，設置參數為：管電壓120 kV，管電流≤40 mAs，層距、層厚均為5.0 mm，掃描范圍從肺尖到肺底，掃描結束行全肺肺窗薄層CT重建，層厚0.625 mm。對于獲得的CT圖像，通過常規人工閱片和人工智能影像輔助診斷系統閱片進行分析診斷。人工閱片：由3位工作經驗豐富的影像學醫生對檢出肺結節做定性診斷，若有異議，經討論達成統一意見。人工智能影像輔助診斷系統閱片：將CT圖像導入肺部CT肺結節人工智能輔助診斷系統（北京推想科技有限公司，型號：PSC-HC2S），提取結節大小、邊緣狀態、形態、結節內實性成分位置、鄰近胸膜變化特征等信息，對檢出肺結節做定性診斷。病理檢查：經CT引導下手術穿刺取病理樣本，通過切割的方式獲取病理標本，固定染色，置于高倍顯微鏡下，由病理科醫師行組織病理學檢查，并以病理檢查結果為金標準。

1.3 觀察指標 ⑴比較人工閱片與人工智能閱片方式對肺結節的檢出情況。⑵診斷結果。以病理結果為金標準，比較人工閱片與人工智能閱片方式對良、惡性肺結節的診斷效能。靈敏度=[真陽性例數/（真陽性+假陰性）例數]×100%；準確度=[（真陽性+真陰性）例數/總例數]×100%；特異度=[真陰性例數/（假陽性+真陰性）例數]×100%；陰性預測值=[真陰性例數/（真陰性+假陰性）例數]×100%；陽性預測值=[真陽性例數/（真陽性+假陽性）例數]×100%。⑶對人工智能閱片的典型病例圖片進行分析。

1.4 統計學方法 應用SPSS 22.0統計學軟件進行數據分析，計數資料以[例（%）]表示，采用χ2檢驗。以Plt;0.05為差異有統計學意義。

2 結果

2.1 人工閱片與人工智能閱片方式對肺結節的檢出情況比較 82例肺結節患者中共檢出245個結節，其中結節直徑lt;5 mm者154個，5 mm≤結節直徑≤10 mm者

66個，結節直徑gt;10 mm者25個。與人工閱片相比，人工智能閱片對肺結節直徑lt;5 mm、5 mm≤直徑≤10 mm的檢出率均更高，差異均有統計學意義（均Plt;0.05），而兩種閱片方式對肺結節直徑gt;10 mm的檢出率比較，差異無統計學意義（Pgt;0.05），見表1。

2.2 人工閱片與人工智能閱片方式對肺結節良、惡性評定結果比較 245個結節中，經病理結果顯示，惡性結節60個，良性結節185個。人工閱片惡性檢出率為30.20%（74/245），人工智能閱片檢出率為41.22%（101/245）。與人工閱片相比，人工智能閱片對肺結節惡性診斷的特異度降低，靈敏度、陰性預測值升高，差異均有統計學意義（均Plt;0.05），而兩種閱片方式對肺結節惡性診斷的準確度、陽性預測值比較，差異均無統計學意義（均 Pgt;0.05），見表2、表3。

2.3 典型病例分析 人工智能圖像分析：患者男性，48歲，右肺上葉、右肺中葉、右肺下葉、左肺上葉、左肺下葉見多發實性結節，圖中黃色線框是薄層序列（0.625 mm）第351層左肺下葉外基底段距胸膜3 mm處可見一大小約7 mm×5 mm類圓型結節，CT值為1 024～

265 HU，中心可見低密度影（約占70.9%），病灶周邊未見毛刺，周邊未見血管分支；無毛刺，肺癌概率1.66%，見圖1-A。患者左肺術后蘇木精 - 伊紅染色圖像（放大200倍）顯示，鏡下可見成片異型細胞，以貼壁型為主，符合高分化腺癌，見圖1-B。

3 討論

肺結節是肺部發生病變的重要征象，引發肺結節的因素較多，包括肺部炎癥刺激、肺部腫瘤、環境影響等，故難以根據患者臨床表現作出判斷。肺結節的治療方案主要是根據結節的良、惡性決定，因此，對肺結節良、惡性盡早診斷，有助于指導臨床治療，避免患者錯失最佳治療時機[6]。病理檢查是診斷肺結節良、惡性的的金標準，但其診斷時間較長，且屬于有創檢測手段[7]。隨著影像學技術的迅速發展，胸部CT成為肺結節主要的檢查手段，但因閱片工作量大，人工閱片容易因視力疲勞、主觀意識等因素造成誤判、漏判，且隨著對于肺結節篩查的大規模進行，單純依靠人工閱片也滿足不了臨床所需[8]。

目前對于肺結節的診斷多是薄層CT，產生的圖像數據量很大，影像醫生的工作壓力較大，長時間閱片容易出現注意力不集中的情況，并且受到視力因素限制，對于密度較低、直徑較小的肺結節不易檢出。相比人工閱片，人工智能影像輔助診斷系統閱片可在數秒內檢查出肺結節，能夠明顯縮短閱片時間，并且更易發現5 mm≤直徑≤ 10 mm和直徑lt;5 mm的小結節，不會出現漏檢情況，因此，在肺小結節方面的檢出率更高；且人工智能影像輔助診斷系統閱片，通過切割、扭轉等方式，會直接鎖定肺結節核心特征，短時間內標記肺結節位置、大小等，大幅度降低人工閱片的繁瑣性，故閱片的檢出率相對較高[9-10]。本研究結果發現，與人工閱片相比，人工智能閱片對結節直徑lt;5 mm、5 mm≤直徑≤ 10 mm的檢出率均更高，說明人工智能影像輔助診斷系統閱片檢出率更高。

另分析本研究結果還發現，與人工閱片相比，人工智能閱片對肺結節惡性診斷的特異度顯著降低，靈敏度、陰性預測值顯著升高，這提示人工智能影像輔助診斷系統閱片的診斷價值較高，但可能存在一定的假陽性率。分析原因可能為，人工閱片鑒別肺結節良惡性很多醫生主要賴于自身臨床經驗，主觀性較強，會對診斷結果造成一定影響。而人工智能影像輔助診斷系統閱片主要是通過圖像識別技術處理獲得圖像數據，提取數據信息更加全面，相比人工閱片，更具有客觀性，其診斷價值較高；但人工智能影像輔助診斷系統閱片可能會將局部肺實變、肺纖維化灶、交叉血管等誤診成高危肺結節，臨床上需加強人工智能影像輔助診斷系統軟件的數據集質量管理，從而進一步提高肺結節診斷準確性，故建議臨床上將兩種閱片方式進行結合，以提高對肺結節的診斷準確性[12]。

綜上，人工智能影像輔助診斷系統對肺結節的檢出率更高，并且診斷靈敏度、陰性預測值較高，但其特異度較低，因此會存在一定的假陽性率，建議臨床上將兩種閱片方式進行結合，以提高對肺結節的診斷準確性。但本研究實施過程中，受到區域單一、樣本量較少等因素影響，研究結果存在一定局限性，后續仍需進一步完善深入相關研究。

參考文獻

LISA J， CHRISTIAN B， MALGORZATA P， et al. First performance evaluation of an artificial intelligence-based computer-aided detection system for pulmonary nodule evaluation in dual-source photon-counting detector CT at different low-dose levels[J]. Invest Radiol， 2022， 57（2）： 108-114.

劉亞斌， 李慶， 周圍， 等. 胸部CT結合AI診斷系統對疑似肺結節患者的診斷及對結節類型的評估價值[J]. 現代生物醫學進展， 2022， 22（5）： 955-959， 949.

劉亞斌， 周圍， 白琛， 等. 基于人工智能技術的肺部CT掃描在肺結節篩查及良惡性鑒別診斷中的應用分析[J]. 中國CT和MRI雜志， 2022， 20（9）： 52-54.

張懷瑢， 孫瀟， 田興倉， 等. 基于深度學習的人工智能診斷系統在不同重建參數下對肺結節的識別研究[J]. 臨床放射學雜志， 2020， 39（11）： 2203-2206.

中華醫學會呼吸病學分會肺癌學組， 中國肺癌防治聯盟專家組. 肺結節診治中國專家共識（2018年版 ）[J]. 中華結核和呼吸雜志， 2018， 41（10）： 763-771.

LIU B， CHI W H， LI X R et al. Evolving the pulmonary nodules diagnosis from classical approaches to deep learning-aided decision support： three decades' development course and future prospectt[J].

J Cancer Res Clin， 2020， 146（1）： 153-185.

鐘宇， 周姝， 張立波， 等. 人工智能肺結節篩查系統結合能譜CT比較不同性質肺結節的檢測效能[J]. 中國醫科大學學報， 2023， 52（7）： 624-627， 632.

許國安， 朱良炎， 徐靖， 等. 人工智能肺結節輔助診斷系統在肺磨玻璃結節病理浸潤程度評估中的應用價值[J]. 南昌大學學報（ 醫學版 ）， 2022， 62（4）： 53-56.

曹孟昆， 姜杰， 朱曉雷， 等. 人工智能肺部結節輔助診療系統預測肺結節的良惡性及浸潤情況[J]. 中國胸心血管外科臨床雜志， 2021， 28（3）： 283-287.

李甜， 李曉東， 劉敬禹. 人工智能輔助診斷肺結節的臨床價值研究[J]. 中國全科醫學， 2020， 23（7）： 828-831， 836.

鄧靈波， 朱熠， 戴懿， 等. 肺結節智能輔助診斷系統在肺磨玻璃結節診斷中的應用研究[J]. 醫學影像學雜志， 2020， 30（11）： 2014-2020.

耿然. 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[J]. 新鄉醫學院學報， 2022， 39（11）： 1031-1035.

羅亞敏， 趙林， 江遠亮， 等. 肺結節CT篩查中人工智能診斷系統應用價值評估[J]. 華南國防醫學雜志， 2022， 36（7）： 521-524.