計算機斷層掃描篩查肺結節和肺癌：新技術及研究進展

韓青兵 田攀文

·綜述·

計算機斷層掃描篩查肺結節和肺癌：新技術及研究進展

韓青兵 田攀文

肺結節； 支氣管肺癌； 計算機斷層掃描

肺癌是目前世界范圍內發病率和病死率最高的惡性腫瘤，早診早治是提高肺癌患者生存率的關鍵。早期肺癌常表現為肺部孤立小結節，X線胸片往往難以發現，CT則具有獨特的診斷優勢。2011年美國國家肺癌篩查研究(National Lung Screening Trial, NLST)發現，35%的肺癌為直徑10 mm或更小的病灶，運用CT篩查肺癌高危人群可使肺癌病死率降低約20%[1]。張勇等[2]對2 251名體檢人群進行胸部低劑量CT檢查，結果顯示222名(9.9%)肺部至少有1個≥4 mm的非鈣化結節。基于臨床研究結果和指南推薦，2015年美國醫療保險與醫療補助服務中心同意資助55歲以上的煙齡超過30年的高危人群進行CT篩查肺癌[3-5]。但是，CT篩查早期肺癌同樣具有挑戰。通常情況下，影像診斷醫師需要在2～5 min內判別肺部所有直徑4～10 mm的肺結節，每個肺結節包含77～1 200個像素，僅占肺體積的0.00085%～0.013%[6]。如何不遺漏其中隱匿的肺癌，對影像診斷醫師來說并非易事。現對CT篩查肺結節和肺癌的技術研究新進展進行綜述，為臨床實踐提供借鑒和參考。

一、肺結節的危險度

肺結節是指肺部直徑小于3 cm的圓形或類圓形的局灶性陰影。肺結節可出現在肺內任何區域，但是在形態、大小、密度和邊緣上會有一定的差異。胸部CT掃描幾乎可以識別所有的微小肺結節，但是研究發現肺部微小結節多數是良性病變[7]。因此需要定義一個直徑界限，當結節直徑小于這個界限時，其臨床意義較小基本可以忽略。Fleischner學會基于循證醫學制定的實性肺結節、磨玻璃結節和部分實性結節的處理指南獲得了廣泛的認同[8-9]。其指南建議將直徑≤4 mm的實性結節歸為低危患者，但是對于高危患者的肺結節，不論大小都要進行定期隨訪。美國放射協會最新的指南建議，即使惡性腫瘤的可能性很小，也應加強對新發直徑>4 mm的肺結節的隨訪[10]。基于NELSON和 NLST試驗數據，<6 mm的肺結節基本可以忽略[11-12]。英國胸科學會最新發布的肺結節指南也認為對于<5 mm的肺結節可以忽略[13]。但是，美國放射協會認為>4 mm實性結節和>20 mm磨玻璃結節都應該引起重視，尤其是針對隨訪篩查中新發現的肺結節更應加以重視[10]。

白春學等[14]領銜起草的亞洲肺結節處理共識，也提出了更細致的建議，共識認為即使是直徑≤4 mm肺結節，也應該具體分析，并與患者討論，必要時每年進行1次CT復查；對于直徑>4 mm但≤6 mm的低危肺結節，即使穩定也要每年進行低劑量CT復查一次；對于直徑>6 mm但≤8 mm的低危肺結節，需要6～12個月，18～24個月復查，確認穩定后每年復查1次；對于≤8 mm的肺結節，如果評估其具有中高度的肺癌風險，還要增加隨訪頻次。對于直徑>8 mm的實性肺結節，應引起相當重視進一步確定其性質。但是，運用CT篩查肺結節也不應忽視患者的經濟負擔和假陽性結果帶來的心理負擔[15]。

肺結節的最小閾值固然可以確定，但是肺結節的診斷意見終歸取決于閱片者，閱片者的診斷結論在臨床工作和相關的科學研究中都意義重大[16]。即使是經驗豐富的影像診斷醫師，面對同一個肺結節，也可能得出不同的診斷意見，因為閱片者的主觀因素和不可靠性始終難以避免。有研究發現，影像診斷醫師診斷肺結節的敏感性為51.0%～83.2%，假陽性率為每例0.33～1.39[17]。為消除閱片者的主觀性，近年來研究發現使用計算機算法來分割肺結節邊界，以此測量每個結節的直徑，其結果可能更具有一致性。通過計算機數據再處理，獲取肺結節的特征，利用多種特征進行合成肺結節模型，再將合成的肺結節模型逼真的嵌入到肺部CT影像中。但這種方法真正應用到臨床工作尚有待時日。

二、眼球追蹤技術

盡管醫學影像學和CT技術已有重大進步，但運用其診斷和管理疾病在很大程度上仍依賴于個人經驗是不爭的事實。接受多年教育與訓練的放射學專家雖然在影像學研究方面對病變及正常組織有深入的理解，但對如何解讀影像學結果仍有可能只是略窺門徑。通過CT篩查肺結節并不輕松，它需要分析近300個橫斷面，每個橫斷面包括的像素超過260 000個，而所要識別的5 mm大小的病變僅占5/10 000的成像區域。

Kundel等[18]使用眼球追蹤技術對放射學專家識別肺部病變的視覺路徑進行研究。基于眼球追蹤技術，對眼球的運動路徑、固定及停留時間進行分析，研究者將影像學結果判讀的過程分為四步：定位、搜索、識別和決定。Kundel等[19-20]研究發現，當閱片者距離膠片70 cm時，面對隨機出現的肺結節，每3.5～5°的視角相當于4.3～6.1 cm的環狀視覺區域。Rubin 等[6]在此基礎上進行了深入的探索，在1.25 mm的薄層CT掃描中載入電腦合成的5 mm大小的結節，進行圖像翻頁，記錄視線的中心及所對應圖像上的位置，在整個肺容積中精確定位四維(x,y,z,t)視線移動路徑。分析13名閱片者審閱520份CT時的視線路徑發現，平均僅有27%的肺容積在距離最近凝視點50個像素的范圍內，而不在此區域的73%的肺容積內的肺結節被識別的不足0.2%。總之，9%～45%(平均25%)的結節由于在視野之外而被忽略了。在視野之內的結節被正確識別的敏感性為47%～84%(平均65%)[6]。

眼球追蹤技術顯示出影像診斷醫師審閱肺部CT的不同方式[19-21]。Drew等[21]將閱片方式分為“鉆探式”和“掃描式”，前者視線傾向在x和y軸平面停留，并向z軸卷動，后者完全看完一個橫斷面之后再移入下一區域。兩者的敏感性不同，前者為60%，后者為48%，說明前者的策略更優。這些方法為研究放射學家在審閱肺部CT時的行為方式提供了幫助，理解這些行為方式有助于對影像診斷醫師制定培訓計劃和反饋方法。

三、薄層最大密度投影技術

對影像診斷醫師而言，CT數據的呈現方式對診斷結果有重要影響，特別是對肺部小結節的診斷。與閱讀膠片相比，通過影像工作站動態翻閱圖像對小于5 mm的結節診斷率能提高31%[22]。新的影像工作站允許實時動態呈現橫斷面及三維CT圖像，以便評估CT內的大量數據信息，這可提高放射學專家的診斷效率和有效性[23-24]。

薄層最大密度投影技術(thin-slab maximum-intensity projection, TS-MIP)是將連續層面的CT掃描圖像上密度最大的像素點，通過透視法投影到與密度最大像素點的空間位置相同的對應空間中，形成由密度最大的像素點形成的三維重建圖像。TS-MIP在保證軸位CT圖像固有分辨率基礎上保留了最大密度的結構，而周圍血管結構可以呈管狀、分枝狀，這樣使結節、肺血管以及其他正常的肺內結構的鑒別更加準確。因此，TS-MIP使影像診斷醫師診斷肺結節的可靠性和準確性提高，也使低年資醫生避免了由于經驗不足而導致錯誤診斷[25]。詹浩輝等[26]研究發現，采用TS-MIP可以觀察到肺結節周圍細微的血管結構，并且通過3D重建后可以進行任何角度的旋轉，彌補了常規二維層面觀察的不足，對肺結節良惡性的鑒別具有重要的價值。Valencia等[27]研究顯示，與傳統的5 mm或1 mm薄層重建相比，TS-MIP對肺部小于5 mm的小結節診斷的準確性更高。

既往研究認為，TS-MIP對肺部小結節的診斷優勢可能僅限于實性結節，對于肺部磨玻璃結節并沒有顯示出明顯的優勢[28]。李洋等[29]研究發現，對于肺部孤立性磨玻璃結節，TS-MIP也能充分顯示惡性特征，包括分葉征、毛刺征、支氣管充氣征、氣泡征、胸膜凹陷征和血管糾集征等，從而有利于結節性質的鑒別。

四、計算機輔助檢測系統

計算機輔助檢測(computer-aided detection, CAD)系統使用計算機算法，提煉和分析CT數據，對異常區域進行分離和強化處理。對隱匿的肺小結節，CAD能將信號放大使其被影像診斷醫師識別，從而減少誤差。多數CAD更關注的是實性結節，其實CAD對于磨玻璃結節和部分實性結節的診斷也同樣有價值[30-32]。

CAD既能用來篩查肺結節，也能用于肺癌的診斷。研究顯示，對漏診的肺癌無需人工參與，僅通過計算機運算， CAD系統診斷的敏感性為84%，假陽性率為0.28[33]。蔡強等[34]將100例通過低劑量CT篩查的非鈣化結節信息輸入到處理站，通過CAD系統進行結節識別和標記，結果發現CAD系統共漏檢了88個真結節，假陰性率為32.7%。低、中年資影像診斷醫師應用CAD和薄層CT橫斷面圖像檢出肺結節的敏感度均顯著提高，表明CAD系統確實有助于提高肺結節檢出的敏感度。滕雅琴等[35]的研究也發現，運用CAD系統診斷肺結節優于傳統的經驗性診斷。在NLST研究中，對134例患者進行了CAD分析，閱片者之間的一致性從0.53提高到0.66。設計商業化CAD系統的關鍵是如何在診斷敏感性和假陽性之間取得平衡，雖然影像診斷醫師識別假陽性結節并不費力，但是會耗費時間。

對于CAD系統的運用有兩種模式，一種為與影像診斷醫師同步應用模式，另一種為序貫模式，即先讓影像診斷醫師獨立評估，然后再運用CAD系統檢查是否有小的肺結節被遺漏。研究顯示，相對于同步模式，序貫模式更加費時(132 svs. 210 s)，但兩者對肺結節的診斷效果并無顯著差異[36]。有醫師提出另一種模式，先讓影像診斷醫師審閱5 mm的厚片，再用CAD系統來審閱1 mm的薄層掃描。這種模式對肺結節診斷的敏感性為80%，假陽性為1.26。如果只用CAD審閱薄層，敏感性為65%，假陽性為0.64。但是，如果先讓影像診斷醫師審閱薄層掃描，再用CAD進行薄層審閱，則敏感性為85%，假陽性為0.90[31]。盡管已有一些研究，但肺部CAD很少應用于臨床工作。目前，如何改進CAD工作流程，提高敏感性、降低假陽性是其關鍵所在。

如何使用CT有效的篩查肺結節并診斷肺癌，對于影像診斷醫師而言，看似簡單，卻充滿挑戰。肺結節最小閾值的設定國內外指南仍然存在爭議。薄層最大密度投影技術能提高影像診斷醫師對肺結節的診斷能力。電腦輔助診斷系統能極大地減輕影像診斷醫師的工作強度，能提高診斷的準確率及降低閱片者的差異。雖然普遍認同運用CT來篩查肺癌，但是這對全民健康和社會經濟的影響還有待將來的研究進一步證實。

1 Aberle DR, DeMello S, Berg CD, et al. Results of the two incidence screenings in the National Lung Screening Trial[J]. N Engl J Med, 2013, 369(10): 920-931.

2 張勇, 洪群英, 施偉斌. 低劑量螺旋CT在肺癌篩查中的應用價值 [J]. 中華醫學雜志, 2013, 93(38): 3011-3014.

3 Mazzone P, Powell CA, Arenberg D, et al. Components necessary for high quality lung cancer screening: American College of Chest Physicians and American Thoracic Society policy statement [J]. Chest, 2015, 147(2): 295-303.

4 Wood DE. National Comprehensive Cancer Network (NCCN) clinical practice guidelines for lung cancer screening [J]. Thorac Surg Clin, 2015, 25(2): 185-197.

5 Kazerooni EA, Armstrong MR, Amorosa JK, et al. ACR CT accreditation program and the lung cancer screening program designation[J]. J Am Coll Radiol, 2015, 12(1): 38-42.

6 Rubin GD, Roos JE, Tall M, et al. Characterizing search, recognition, and decision in the detection of lung nodules on CT scans: elucidation with eye tracking[J]. Radiology, 2015, 274(1): 276-286.

7 Benjamin MS, Drucker EA, McLoud TC, et al. Small pulmonary nodules: detection at chest CT and outcome[J]. Radiology, 2003, 226(2): 489-493.

8 MacMahon H, Austin JHM, Gamsu G, et al. Guidelines for management of small pulmonary nodules detected on CT scans: a statement from the Fleischner Society [J]. Radiology, 2005, 237(2): 395-400.

9 Naidich DP, Bankier AA, MacMahon H, et al. Recommendations for the management of subsolid pulmonary nodules detected at CT: a statement from the Fleischner Society[J]. Radiology, 2013, 266(1): 304-317.

10 American College of Radiology. Lung CT Screening reporting and data system (Lung-RADS). Available at: http://www. acr.org/Quality-Safety/Resources/LungRADS[J]. Accessed November 15, 2015.

11 Horeweg N, van Rosmalen J, Heuvelmans MA, et al. Lung cancer probability in patients with CT-detected pulmonary nodules: a prespecified analysis of data from the NELSON trial of low-dose CT screening[J]. Lancet Oncol, 2014, 15(12): 1332-1341.

12 Gierada DS, Pinsky P, Nath H, et al. Projected outcomes using different nodule sizes to define a positive CT lung cancer screening examination[J]. J Natl Cancer Inst, 2014, 106(11). pii: dju284.

13 Baldwin DR, Callister ME, Guideline Development Group. The British Thoracic Society guidelines on the investigation and management of pulmonary nodules[J]. Thorax, 2015, 70(8): 794-798.

14 Bai C, Choi CM, Chu CM, et al. Evaluation of pulmonary nodules: clinical practice consensus guidelines for Asia [J]. Chest, 2016, pii: S0012-3692(16)01308-8.

15 Ruparel M, Quaife SL, Navani N, et al. Pulmonary nodules and CT screening: the past, present and future[J]. Thorax, 2016, 71(4): 367-375.

16 Armato SG, McLennan G, Bidaut L, et al. The Lung Image Database Consortium (LIDC) and Image Database Resource Initiative (IDRI): a completed reference database of lung nodules on CT scans[J]. Med Phys, 2011, 38(2): 915-931.

17 Armato SG, Roberts RY, Kocherginsky M, et al. Assessment of radiologist performance in the detection of lung nodules: dependence on the definition of “truth”[J]. Acad Radiol, 2009, 16(1): 28-38.

18 Kundel HL, Nodine CF, Carmody D. Visual scanning, pattern recognition and decision-making in pulmonary nodule detection[J]. Invest Radiol, 1978, 13(3): 175-181.

19 Kundel HL, Nodine CF, Thickman D, et al. Searching for lung nodules. A comparison of human performance with random and systematic scanning models[J]. Invest Radiol, 1987, 22(5): 417-422.

20 Kundel HL, Nodine CF, Toto L. Searching for lung nodules. The guidance of visual scanning[J]. Invest Radiol, 1991, 26(9): 777-781.

21 Drew T, Vo ML, Olwal A, et al. Scanners and drillers: characterizing expert visual search through volumetric images[J]. J Vis, 2013, 13(10). pii: 3.

22 Tillich M, Kammerhuber F, Reittner P, et al. Detection of pulmonary nodules with helical CT: comparison of cine and film-based viewing[J]. Am J Roentgenol, 1997, 169(6): 1611-1614.

23 Rubin GD, Napel S, Leung AN. Volumetric analysis of volumetric data: achieving a paradigm shift[J]. Radiology, 1996, 200(2): 312-317.

24 Wang XH, Durick JE, Lu A, et al. Characterization of radiologists′search strategies for lung nodule detection: slicebased versus volumetric displays[J]. J Digit Imaging, 2008, 21(suppl 1): S39-S49.

25 Gruden JF, Ouanounou S, Tigges S, et al. Incremental benefit of maximum-intensity-projection images on observer detection of small pulmonary nodules revealed by multidetector CT[J]. Am J Roentgenol, 2002, 179(1): 149-157.

26 詹浩輝, 高劍波. 最大密度投影法三維重建對孤立性肺結節診斷價值[J]. 河南醫學研究, 2011, 20(1): 43-45.

27 Valencia R, Denecke T, Lehmkuhl L, et al. Value of axial and coronal maximum intensity projection (MIP) images in the detection of pulmonary nodules by multislice spiral CT: comparison with axial 1-mm and 5-mm slices[J]. Eur Radiol, 2006, 16(2): 325-332.

28 Peloschek P, Sailer J, Weber M, et al. Pulmonary nodules: sensitivity of maximum intensity projection versus that of volume rendering of 3D multidetector CT data[J]. Radiology, 2007, 243(2): 561-569.

29 李洋, 范國華, 張彩元, 等. MSCT圖像重組技術在肺部孤立局灶性磨玻璃密度結節診斷中的價值[J]. 實用放射學雜志, 2015, 31(3): 397-401.

30 Li Q, Li F, Doi K. Computerized detection of lung nodules in thin-section CT images by use of selective enhancement filters and an automated rule-based classifier[J]. Acad Radiol, 2008, 15(2): 165-175.

31 Godoy MC, Kim TJ, White CS, et al. Benefit of computeraided detection analysis for the detection of subsolid and solid lung nodules on thin- and thick-section CT[J]. Am J Roentgenol, 2013, 200(1): 74-83.

32 Jacobs C, van Rikxoort EM, Twellmann T, et al. Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images[J]. Med Image Anal, 2014, 18(2): 374-384.

33 Armato SG, Li F, Giger ML, et al. Lung cancer: performance of automated lung nodule detection applied to cancers missed in a CT screening program[J]. Radiology, 2002, 225(3): 685-692.

34 蔡強, 吳寧, 周麗娜, 等. 計算機輔助檢測系統在低劑量CT篩查者非鈣化肺結節中的應用研究[J]. 中華放射學雜志, 2014, 48(1): 63-66.

35 滕雅琴, 賈文霄, 王云玲, 等. 計算機輔助檢測系統在CT篩查肺結節中的應用研究[J]. 中國CT和MRI雜志, 2016, 14(5): 33-35.

36 Matsumoto S, Ohno Y, Aoki T, et al. Computer-aided detection of lung nodules on multidetector CT in concurrentreader and second-reader modes: a comparative study[J]. Eur J Radiol, 2013, 82(8): 1332-1337.

(本文編輯：黃紅稷)

韓青兵，田攀文. CT篩查肺結節和肺癌：新技術及研究進展[J/CD]. 中華肺部疾病雜志(電子版)， 2017， 10(1)： 90-92.

10.3877/cma.j.issn.1674-6902.2017.01.024

國家自然科學基金面上項目(81372504) 四川省科技廳科技支撐計劃項目(2016SZ0073)

610041 成都，四川大學華西醫院呼吸內科

田攀文， Email： mrascend@163.com

R743.2，R563

A

2016-03-28)