肺結節人工智能評估危險度輔助人工閱片的應用價值

摘要：目的" 探討基于CT圖像的人工智能（AI）在肺結節篩查和評估危險度的臨床應用價值。方法" 選取2022年1月～2022年12月在國藥葛洲壩中心醫院接受手術或穿刺并進行病理檢查的肺結節患者100例。AI和醫師分別進行結節診斷，比較A組（人工診斷，n=98）、B組（AI診斷，n=99）和C組（人工+AI聯合診斷，n=99）的敏感度、特異性、陽性預測值和陰性預測值與準確率。以病理結果作為“金標準”，分析AI輔助醫師預測良惡性的價值。結果" A與B組評估肺結節危險度差異無統計學意義（Pgt;0.05）。C組的敏感度（98.75%）、陰性預測值（91.67%）和準確性（90.00%）優于A、B組。C組可明顯提高診斷效能，優于A和B組單獨閱片，且診斷與病理結果有較好一致性（Kappa值=0.632，Plt;0.01）。結論" 基于AI的肺結節篩查和評級能夠明顯提高敏感度及準確率，并降低漏診率，對于輔助影像診斷醫生的閱片具有顯著的臨床價值。AI評估危險度輔助人工閱片肺結節的良惡性預判中同樣具備較好的參考及臨床應用價值。

關鍵詞：AI智能診斷；低劑量螺旋CT；計算機輔助；肺結節；良惡性

Application value of artificial intelligence assessment of pulmonary nodule risk in assisting manual film reading

YUAN Fei， ZHONG Linfeng， CHEN Xing， CHEN Ziwen， GUO Kai， FU Liping

Department of Radiology， the Third Clinical Medical College of the Three Gorges University， Gezhouba Central Hospital of Sinopharm， Yichang 443002， China

Abstract： Objective To investigate the clinical utility of artificial intelligence （AI） utilizing CT images for screening and evaluating the risk of pulmonary nodules. Methods A total of 100 patients with pulmonary nodules who underwent surgery or puncture and pathological examination at Gezhouba Central Hospital of Sinopharm from January 2022 to December 2022 were selected. AI and physicians performed nodule diagnoses independently and compared the sensitivity， specificity， positive predictive value， negative predictive value， and accuracy of groups A （manual diagnosis， n=98）， B （AI diagnosis， n=99）， and C （manual+AI joint diagnosis， n=99）. The value of AI-assisted physician prediction of benign and malignant was analyzed using the pathological results as the \"gold standard\". Results There were no significant differences in the risk of pulmonary nodules between groups A and B （Pgt;0.05）. Group C was superior to group A and B in terms of sensitivity （98.75%）， negative predictive value （91.67%）， and accuracy （90.00%）. group C could significantly improve diagnostic efficiency， better than groups A and B in reading films alone， and the diagnosis was more consistent with pathological results （Kappa value=0.632， Plt;0.01）. Conclusion AI-based screening and grading of pulmonary nodules can greatly enhance sensitivity and accuracy， decrease missed diagnosis rates， and provide substantial clinical value in assisting radiologists in image interpretation. AI-assisted risk assessment of pulmonary nodules also holds significant reference and clinical application value in the pre-judgment of benign and malignant nodules.

Keywords： artificial intelligence diagnostics; low-dose spiral CT; computer-assisted; lung nodule; benign and malignant

收稿日期：2023-10-30

作者簡介：袁" 飛，主治醫師，E-mail： 68611500@qq.com

通信作者：付立平，主任醫師，E-mail： 3427609072@qq.com

肺癌已成為全球發病率和相關死亡率排名第一的癌癥［1］ 。肺癌初期是以肺結節為主要表現形式，早期發現結節越小，治療方法越多，預后越好［2］ 。隨著高分辨率CT［3］ 和低劑量螺旋CT［4］ 的臨床應用，肺結節的檢出率顯著提高。人工智能（AI）的出現很大程度上解決了影像醫師漏診的情況，更可以多維分析自動生成結節良惡性程度預測，輔助影像科醫師進行閱片診斷，且肺結節診斷及性質鑒別方面已成為臨床研究的熱點。目前大量研究表明AI分析肺結節形態、密度、成分等方面輔助醫師定性診斷，有非常重大的作用［5-6］ 。但目前仍存在AI對非典型征象表現的結節良惡性識別能力不足、圖像質量欠佳的數據可能影響AI的泛化能力等局限。AI仍處于極速發展的階段，輔助醫療的能力可作持續性研究。本研究探討AI輔助人工閱片聯合診斷在CT肺結節診斷中的臨床應用價值，以及AI對肺結節篩查進行危險度分級的能力，以期為AI在醫學領域的應用提供比較有價值的參考。

1" 資料與方法

1.1" 一般資料

選取國藥葛洲壩中心醫院2022年1月～2022年12月行胸部CT檢查發現的肺部孤立性結節患者。納入標準：根據臨床表現及AI分析結節特征，包括初檢出及隨訪病例，院內肺結節專科會診后，為明確診斷或高度懷疑為惡性腫瘤的患者，進行穿刺或胸腔鏡手術。排除標準：初次發現并建議隨訪，以及未達到外科手術標準的患者。根據病理結果行回顧性分析，最終共100例患者納入本研究。病理結果：良性病灶20例，包括硬化性肺泡細胞瘤1例、平滑肌性錯構瘤1例、隱球菌感染1例、梭形細胞增生1例、非典型腺瘤樣增生2例、纖維結節伴炭末沉積2例、肉芽腫性炎并壞死4例、機化性肺炎8例；惡性病灶80例，包括原位癌11例、微浸潤性腺癌21例、浸潤性腺癌31例、鱗狀細胞癌9例、小細胞肺癌2例、轉移癌6例。本研究經國藥葛洲壩中心醫院倫理委員會批準（審批號：gy20231221），患者均已簽署知情同意書。

1.2" 檢查方法

使用Philips64排128層高檔螺旋CT和Philips16排螺旋CT行胸部CT掃描，吸氣末屏氣螺旋掃描采集容積數據，范圍從肺尖到雙側肋膈角；管電壓120 kV，管電流 40～100 mAs，調控DoseRight掃描模式；圖像數據64排采用肺窗iDose4 Level 4（微輻射迭代平臺）、16排采用iDose3重建，窗寬1600 Hu，窗位-600 Hu；重建層厚1.0 mm，重建層間距1.0 mm，重建矩陣512×512。

1.3" 圖像分析處理

1.3.1" 影像科醫師（A組）評估" "由2位10～15年工作經驗的高年資主治醫師參與閱片，在PACS系統上不使用AI診斷，根據觀察圖像記錄結節的大小、形態、密度及良惡性預測，記錄低危、中危及高危組。

1.3.2" 肺結節CT影像輔助檢測軟件uAI-ChestCare（B組）評估" "該軟件由聯影智能提供，版本號R001。所有數據上傳至UAI-PACS聯影肺結節智能診斷系統，通過該系統批量進行肺結節識別、標記、測量并自動生成結構化報告，按照30%和70%兩個閾值劃分為低（30%以下）、中（30%～70%）、高（70%以上）危結節。記錄低危、中危及高危組。

1.3.3" 醫師聯合AI（C組）評估" "醫師和AI診斷結果根據相同的危險度進行分組，分為低危、中危和高危組。最后，由資深醫師（副主任及以上職稱）對C組診斷結果進行審核，并將結節劃分為良性和惡性組。

1.4" 觀察指標

A、B、C 3組分別統計低危（良性可能性大）、中危（惡變可能）、高危（惡性可能性大）。危險度均認定低危傾向良性，中危及高危傾向惡性。未檢出病灶及良性組為陰性，惡性組為陽性。以術后病理學檢查結果為“金標準”，評價3組的敏感度、特異性、準確性、陽性預測值及陰性預測值。

1.5" 統計學分析

采用SPSS26軟件包進行統計學分析。符合正態分布的計量資料以均數±標準差表示；計數資料以n（%）表示，采用χ2檢驗比較A、B、C 3組間肺結節檢出效能。采用一致性 Kappa檢驗，Kappa≥0.85為檢驗結果一致性很好；0.6≤Kappalt;0.85為檢驗結果一致性較好；0.45≤Kappalt;0.6為檢驗結果一致性一般；Kappalt;0.45為檢驗結果的一致性差。以Plt;0.05為差異有統計學意義。

2" "結果

2.1" 危險度分組

A、B、C 3組分別對肺結節進行不同危險度分組，診斷結果的差異無統計學意義（Pgt;0.05）。A組共檢出98例結節，B組共檢出99例結節。其中A組有1例6 mm磨玻璃結節未檢出（圖1），1例囊腔灶A、B組均未被檢出（圖2）。C組共有52例（包括未檢出1例）滿足相同的診斷分組，有48個結節的危險度分級結果在A組和B組之間不一致（表2）。

2.2" 診斷效能對比

C組相比于單獨的A組或B組，在肺結節識別上具有更高的敏感度、陰性預測值和準確率（Plt;0.05），特異性和陽性預測值的差異無統計學意義（Pgt;0.05，表3）。

2.3" 診斷結果分析

人工閱片診斷肺結節惡性與病理金標準具有一致性（Kappa值=0.460，Plt;0.01），AI診斷一致性較差（Kappa值=0.305，Plt;0.01）。AI輔助人工閱片閱片診斷肺結節結果與金標準具有較好一致性（Kappa值=0.632，Plt;0.01，表4）。

2.4" AI識別結節危險度分析

部分結節被AI識別成高危結節，而病理檢查中被證實為良性病變（圖3～5）。

3" 討論

隨著醫學影像學的快速發展和醫學影像設備的不斷更新，已實現了肺癌的早期診斷，作為肺癌早期表現的肺結節診療也成為胸外科熱門項目之一。隨著低劑量螺旋CT的臨床廣泛運用，肺結節檢出率也隨之提高，尤其檢測3 mm以下的微小結節更是加重了影像科醫師診斷的負擔，容易出現漏診、誤診的情況。醫學AI技術的出現，很大程度上彌補了醫師人工閱片的不足，縮短了診斷時間，提高了診出率及疲勞狀態下醫師對肺結節的診斷效能［7-8］ 。

人工智能在肺結節診治中的應用專家共識（2022年版）指出，AI可增加肺結節檢出率，假陰性率較高，其對肺結節良惡性鑒別準確性還無法取代人工（共識強度：一致共識）［9］ 。但AI經過近年來的飛速發展，在肺結節危險度評估中表現出極大的潛力。以聯影智能肺結節輔助診斷系統為例，采用3D深度卷積神經網絡（CNN）學習算法，該系統由華西醫院與聯影智能合作，基于數十萬圖像數據、臨床參數和病理結果，相較于2D-CNN具有更高的準確率［10-12］ 。研究表明，基于CNN模型的肺結節診斷工具，具有較高的診斷準確率［13］ 。雖然AI無法完全取代人工閱片，但檢出率和真陽性率已接近或達到中級醫師水平［14-15］ 。這與本研究結果一致。與病理診斷作為金標準相比，AI輔助醫師閱片可明顯提高敏感度、陰性預測值和準確率，優于醫師和AI單獨閱片，且有較好一致性［16-17］ ；且醫師在判別良性結節方面優于AI，AI評估危險度與醫師的聯合使用可以互補優勢。這意味著兩者聯合診斷能夠更準確地識別肺結節，可明顯減少惡性結節漏診的情況，在判斷非惡性結節以及整體診斷方面有著更好的性能，有助于改善肺結節評估的準確性。

AI在輔助醫師評估肺結節危險度方面的應用具有一些優勢。首先，AI可以對大量的影像數據進行快速和自動的分析，提高閱片效率。這有助于減少醫療資源的浪費，縮短患者等待時間。其次，AI在對結節進行定量分析和特征提取方面具有一定的優勢，可以發現一些人眼難以察覺的細微特征，提高診斷的準確性。尤其在肺磨玻璃結節篩查及定性方面，由于磨玻璃結節密度較淡，病灶較小的情況下，人工易出現漏診。AI可明顯提高檢出敏感度及惡性診斷敏感度［18-20］ ，輔助醫師做出更準確的診斷決策。另外，AI診斷結節過程為連續性，可通過PACS系統自行關聯并對比病灶，通過大小、形態、密度的變化及倍增速度等，提示結節惡變率，為醫師提供診斷參考。

AI根據結節形態、密度、邊緣及與鄰近組織關系等提取圖像特征，發揮圖形處理器的運算能力，作出危險程度分級提示，但因肺內結構復雜、病灶形態多樣化、肺通氣不良形成的“馬賽克”征或慢性炎癥導致的組織瘢痕等，均會被誤判為肺部高危結節，故會導致假陽性的出現［21］ 。這也是AI診斷的局限性所在。本研究結果顯示結核空洞，洞壁光整，邊緣長毛刺征象，遠處“衛星灶”；隱球菌感染邊緣典型“暈征”；硬化性肺泡細胞瘤，結節邊緣鈣化點，貼邊血管征；多例直徑25 mm以上病理診斷機化性肺炎等良性病變，AI判別能力有限，計算提示為高風險。因此，AI也存在一些局限性和挑戰。AI的發展離不開大量的標注數據和有效的訓練模型，而這在某些特定的疾病或疾病亞型上可能受限。其次，AI在面對復雜的情況時，如結節形態不規則、圖像質量不佳及判斷惡性浸潤程度時，可能表現不佳［22-23］ 。此外，AI的工作方式和醫生的思維方式有所不同。在診斷某項疾病時，影像醫師不單是通過病灶影像表現，還需結合臨床癥狀及臨床其他相關檢查進行診斷。而AI是通過計算提取肺結節特征，輸入到預先訓練好的分類器中，利用形態學特征與大數據庫圖對比，得出的分析結果。醫生還需對AI的結果進行綜合判斷和解釋［24］ 。

AI在協助醫師評估肺結節危險度方面具有積極的臨床應用價值，最終目標是將AI與醫師的臨床實踐相結合，提升肺結節評估的精確性和效率，以及肺癌分期診斷、治療和預后方面，最大程度地造福患者［25-26］ 。本次研究的局限性：樣本量偏少；僅采用1款AI系統進行分析；AI系統版本較舊。未來的研究還應注重AI算法的改進和優化，繼續拓展訓練AI模型，以提高其準確性和性能。例如：擴大研究樣本規模；AI系統不斷學習及更新，優化算法和模型，提高對一些特定類型及數據質量欠佳肺結節的診斷能力；多模態融合，結合CT、MRI等多種影像檢查方法，提高診斷的全面性和準確性；結合患者臨床信息和生化檢查，提高危險度評估準確率；拓展智能輔助決策，包括訂制診療方案，個性化隨訪時長，術后評估等［27］ 。AI的更新有無數可能性，后續可在新版本和多品牌AI基礎上，持續進行相關研究。

綜上，傳統的肺結節篩查方法主要依靠醫師對圖像的判斷和組織樣本的病理檢測。隨著AI肺結節算法的不斷精進，AI依托醫院積累大量的經驗和知識，進一步優化算法，對醫生的診斷、隨訪和預后觀察意見起到了指導作用。AI聯合人工閱片不僅能提高5 mm以下的肺結節檢出率，降低漏診率，更能輔助醫師對肺結節進行危險度分級，提高良惡性診斷率，具有非常重要的臨床意義。

參考文獻：

［1］" " 鄭榮壽， 張思維， 孫可欣， 等. 2016年中國惡性腫瘤流行情況分析［J］. 中華腫瘤雜志， 2023， 45（3）： 212-20.

［2］" " Pinsky PF， Miller E. Use and outcomes of low-dose CT scan lung cancer screening in the medicare population［J］. Chest， 2022， 162（3）： 721-9.

［3］" " 黃云開. CT高分辨重建聯合人工智能在肺結節識別診斷中的應用效果分析［J］. 現代醫用影像學， 2021， 30（1）： 87-9.

［4］" " 譚錦林. 低劑量CT迭代重建技術用于早期肺癌篩查臨床價值［J］. 實用醫學影像雜志， 2023， 24（2）： 135-8.

［5］" " Wang C， Shao J， Xu X， et al. DeepLN： A Multi-Task AI Tool to Predict the Imaging Characteristics， Malignancy and Pathological Subtypes in CT-Detected Pulmonary Nodules［J］. Front Oncol， 2022， 12： 683792.

［6］" " 何舜東， 胡子良， 歐陽林， 等. 人工智能識別結合DenseNet網絡模型CT在亞實性肺結節診斷中應用［J］. 分子影像學雜志， 2022， 45（2）： 248-51.

［7］" " Fahmy D， Kandil H， Khelifi A， et al. How AI can help in the diagnostic dilemma of pulmonary nodules［J］. Cancers， 2022， 14（7）： 1840.

［8］" " 王" 亮， 許" 迪， 孫丹丹， 等. 人工智能輔助軟件可提升疲勞狀態下放射科規培醫師對肺結節的檢測效能［J］. 放射學實踐， 2021， 36（4）： 475-9.

［9］" " 吳階平醫學基金會模擬醫學部胸外科專委會. 人工智能在肺結節診治中的應用專家共識（2022年版）［J］. 中國肺癌雜志， 2022， 25（4）： 219-25.

［10］ Zhang C， Sun X， Dang K， et al. Toward an expert level of lung cancer detection and classification using a deep convolutional neural network［J］. Oncologist， 2019， 24（9）： 1159-65.

［11］" Halder A， Dey D， Sadhu AK. Lung nodule detection from feature engineering to deep learning in thoracic CT images： a comprehensive review［J］. J Digit Imaging， 2020， 33（3）： 655-77.

［12］" 張" 俊， 侯" 聰， 劉新疆. 基于深度學習的人工智能在肺結節診斷領域的進展［J］. 分子影像學雜志， 2020， 43（3）： 365-8.

［13］ Zhang XY， Liu B， Liu KF， et al. The diagnosis performance of convolutional neural network in the detection of pulmonary nodules： a systematic review and meta-analysis［J］. Acta Radiol， 2023， 64（12）： 2987-98.

［14］" 劉志鵬， 侯瑞剛， 李" 雯， 等. AI醫學影像學診斷新模式前景的調查研究［J］. 山東醫學高等專科學校學報， 2020， 42（3）： 224-6.

［15］" 張正華， 蔡雅倩， 韓" 丹， 等. 人工智能與不同級別醫師對肺結節檢出效能的對照研究［J］. 中國醫學影像學雜志， 2020， 28（9）： 662-5.

［16］" "周偉文， 譚學淵， 余佐時. AI肺小結節檢測系統用于低劑量CT肺篩查中的應用研究［J］. 中國CT和MRI雜志， 2023， 9（5）： 43-5.

［17］" 黃煒晴， 吳" 輝， 譚理連， 等. 人工智能在肺腺癌精準診斷的應用價值［J］. 中國CT和MRI雜志， 2023， 9（11）： 37-9.

［18］" 蔡雅倩， 張正華， 韓" 丹， 等. AI對肺磨玻璃結節篩查及定性的臨床應用研究［J］. 放射學實踐， 2019， 34（9）： 958-62.

［19］" 熊靜嫻， 周馳宇， 羅" 勇， 等. 人工智能對肺磨玻璃結節定性的應用研究［J］. 實用放射學雜志， 2021， 37（10）： 1614-7.

［20］" 張正華， 周小君， 韓" 丹， 等. 基于AI對磨玻璃密度早期肺癌浸潤相關因素Logistic回歸分析［J］. 臨床放射學雜志， 2020， 39（10）： 2120-3.

［21］" 徐" 珂， 楊" 潔， 李秋實， 等. CT結合AI肺結節診斷系統在肺結節診斷及分型鑒別中的應用［J］. 臨床醫學工程， 2023， 30（5）： 585-6.

［22］" 陳" 均， 陳巧一. AI肺結節篩查準確率及結節風險評估準確率分析［J］. 影像研究與醫學應用， 2022， 6（1）： 13-5.

［23］" 劉鮮艷， 單法成， 李" 珊， 等. AI對肺結節良惡性鑒別及浸潤程度的診斷價值分析［J］. 實用癌癥雜志， 2022， 37（12）： 1994-6， 2000.

［24］" 徐 濤， 常" 歡， 崔" 寧， 等. 人工智能在肺結節診斷中的應用及展望［J］. 國際呼吸雜志， 2020， 40（21）： 1675-80.

［25］" Pei Q， Luo YN， Chen YY， et al. Artificial intelligence in clinical applications for lung cancer： diagnosis， treatment and prognosis［J］. Clin Chem Lab Med， 2022， 60（12）： 1974-83.

［26］" 程" 齊， 歐陽雪暉. 人工智能在影像醫學中的實際應用［J］." 分子影像學雜志， 2023， 46（3）： 571-4.

［27］" Sufyan M， Shokat Z， Ali Ashfaq U. Artificial intelligence in cancer diagnosis and therapy： current status and future perspective［J］. Comput Biol Med， 2023， 165： 107356.

（編輯：郎" 朗）