人工智能+醫學影像在肺結節檢測中的應用研究

王杜春，任 龍，劉寧川，楊 柳，何 杰

（南充市高坪區人民醫院放射科 四川 南充 637100）

肺癌是我國發病率、死亡率最高的惡性腫瘤之一，總體5年生存率不到15%，而ⅠA期患者手術切除后長期生存率高達80%。早期肺癌篩查工作目前是由影像科醫生人工讀片完成，由于整體醫療水平和培訓水平的限制，醫生水平具有較大的區域差異性，整體影像診斷的誤診漏診率難以達到臨床需求，隨體檢人數的快速增長，人工處理越來越難以勝任此項任務。通過σ-Discover Lung智能肺結節檢測系統分析128層螺旋CT的低劑量肺部CT圖的研究，探討人工智能在肺結節檢測中敏感性、快速性以及良惡性結節判斷的準確性，探討人工智能能否替代CT影像診斷醫生的巨大工作量，能否為臨床醫生在肺結節早期診斷、良惡性判斷、治療策略及手術方式選擇等方面提供重要指導。

1 資料與方法

1.1 一般資料

選擇我院2017年5月—2019年5月肺部CT掃描的500例患者作為研究對象（其中男266例，女234例；年齡分布范圍為30歲～90歲）。由4位有經驗的CT診斷醫師（至少一位為高級醫師），對所有病例的圖像采用雙盲法進行觀察、分析，觀察內容包括：是否發現結節，結節數目、形態、大小、密度、邊緣及邊界、周圍情況、隨訪復查有無變化等。

1.2 材料與設備

全部病例采用GE Optima CT660 64排螺旋CT掃描儀；圖像后處理工作站aw4.6；σ-Discover Lung智能肺結節檢測系統。

1.3 方法

檢查前對患者進行吸氣屏氣訓練，以取得患者的合作，讓患者在檢測過程中做到一致性的屏氣程度。采用GE 128層螺旋CT機，患者仰臥，雙手上舉，采取吸氣末單次屏氣掃描，掃描范圍為肺尖至肋膈角尖端水平。低劑量掃描參數：100kV，50mAs，Pitch1.0，ASIR迭代重建，RDT 0.625mm，RT 5mm，RI 5mm，掃描矩陣512×512，圖像重建算法采用ASIR迭代重建技術。將掃描原始層厚0.625mm、層間距0.625mm的薄層重建圖像傳輸到GE AW4.6工作站。由影像診斷醫師對所有病例的圖像采用雙盲法進行觀察、分析。將所有納入病例的原始薄層圖像導入σ-Discover Lung智能肺結節檢測系統，利用圖像識別技術對患者的影像圖像進行識別，標注結節關鍵信息，給出結節良惡性風險值、隨訪建議等；并基于深度學習模型通過大量已有的影像數據和臨床診斷信息不斷優化人工智能檢測系統。

技術路線圖：

1.4 統計學分析

采用SPSS20.0統計學分析軟件進行數據處理，計量資料采用（±s）表示，比較采用t檢驗，計數資料用（%）表示，采用χ2檢驗，P＜0.05表示差異具有統計學意義。

2 結果

σ-Discover Lung肺結節智能檢測系統能快速自動識別結節、分割結節并根據結節特征做出良惡性判斷，一鍵生成結構式報告，其速率明顯快于人工讀片，能夠幫助醫生更加快捷的做出診斷，大大減輕醫生在早期肺癌篩查中的工作量。經過對比分析、統計，其對肺結節診斷的敏感性達到96%，良惡性判斷的準確率達到89.5%，但是假陽性率25.5%。

表 人工閱片與人工智能閱片結果對比分析（%）

典型案例：3月前常規肺部CT掃描發現右肺上葉前段部分實性結節，大小約9×7.6mm（圖1-A），該病例3月后隨訪見結節稍增大，大小約10×9.5mm，實性成分稍增多（圖1-B）。項目負責人運用σ-Discover Lung自動檢測分析該病例（圖1-C）并一鍵生成結構式報告（圖2），結果提示結節類型為混合性、結節大小約11.8×7.5mm、惡性風險度90%、Lung-RADS分類為3；術后經病理證實結節為早期肺癌。

圖1 肺結節檢測

圖2 結構式報告

3 討論

對比人工閱片與AI閱片，人工閱片具有較低的假陽性率，不易把一些細小的支氣管血管束斷面誤認為異常肺小結節，但是人工閱片的漏診率高于AI閱片。σ-Discover Lung智能肺結節分析系統能完成多個結節自動檢測任務，包括肺部分割、結節檢測、結節標識、結節分割、結節隨訪與檢索、結節定量定性分析（如判斷結節的種類、良惡性），以及一鍵結構式報告，具有非常高的診斷效率，輔助醫學影像診斷醫生對醫學圖像進行分析，從而有效地提高醫療效率和診斷準確率。但是AI閱片具有較高的假陽性率，經常把一些細小的支氣管血管束斷面自動分析為異常肺小結節，所以任然需要影像診斷醫師對其診斷結果把關。因此要人工閱片與σ-Discover Lung智能閱片相互補充、相互印證，從而提高肺癌早期診斷的符合率，指導臨床醫生治療方案的選擇，改善術后生存質量，進而可以更好地延長患者生存時間，減輕社會經濟負擔。

綜上所述，圖瑪深維采用人工智能及深度學習技術的σ-Discover Lung系統可以高效的幫助醫生檢出肺結節，并能夠以百分比的形式標注出肺結節癌變的可能性，一鍵生成結構式報告，能夠輔助影像診斷醫生更加方便快捷和準確地對肺結節做出診斷，減輕醫生在肺病篩查中的工作量。但是由于其具有較高的假陽性率，任然需要與人工閱片相互補充、相互印證。當前的AI醫學影像技術猶如蹣跚學步的兒童，需要進一步的優化提升。此項技術在優化醫師資源配置、減輕醫療資源緊張及提高臨床診斷水平方面已顯示出巨大的應用前景，AI醫學影像符合未來智能醫學的發展方向，相信也將成為推動醫學影像學科發展的劃時代技術。