人工智能對肺小結評估的價值

謝宏剛

【摘 ?要】目的：探討人工智能對肺小結評估的價值。方法：從2018年1月-2019年1月我院自建獲得的CT掃描檢查肺結節數據庫當中，隨機選取100例胸部的CT掃描檢查數據，包括隨訪結節病例及經病理證實后的肺癌病例。將所有病例數據導入至人工智能識別（肺結節）系統當中，自動識別，然后跟原始影像結果相比較，觀察比較放射科醫生及AI在不同結節尺寸方面的檢出情況。結果：入選100例CT圖像通過兩位經驗豐富的影像專家確認，共包含真結節444個，包括惡性結節66例（14.9%）。AI在結節尺寸<3mm及結節尺寸≥3mm時的檢出率均顯著高于放射科醫生（P>0.05）;放射科醫生在結節尺寸≥3mm的檢出率顯著高于結節尺寸<3mm（P<0.05）;AI在結節尺寸<3mm時的檢出率略低于結節尺寸≥3mm，但無顯著差異（P>0.05）。AI在不同結節密度：實性結節、部分實性結節及磨玻璃結節方面的檢出率均顯著高于放射科醫生（P<0.05）。AI在不同位置結節：與胸膜相連、周圍性結節、肺門區結節及中心性結節方面的檢出率高于放射科醫生（P<0.05）。AI在肺結節總體檢測靈敏度方面顯著比放射科醫師高（98.9%（439/444） vs45.9%（204/444），X2=6.142，P<0.05）。結論：人工智能能夠提高對肺小結節的檢出比率，與臨床放射科醫師相比，檢出靈敏度更高;但是在肺小結節方面依舊存在一定的假陽性率。

【關鍵詞】肺小結節;肺結節;人工智能

【中圖分類號】R563;R816.41 ? ? ?【文獻標識碼】A ? ? ?【文章編號】672-3783（2020）08-0278-02

肺結節屬于早期肺癌的表現之一，伴隨著臨床計算機斷層掃描（computed tomograpb，簡稱CT）設備及技術的不斷發展，其在臨床中的檢出率也隨之提高[1]。但是顯著增多的CT檢查數據大大的加重了放射科醫師的負擔，而在疲勞狀態下閱片會導致出現漏診的風險[2]。人工智能（artificial intelligence，AI）技術能夠對臨床中海量的CT掃描檢查圖像實施初步篩查，且對可疑病變進行標記，從而為臨床醫師提供幫助，降低工作量的同時使得準確率得到有效提高[3]。從2018年1月-2019年1月我院自建獲得的CT掃描檢查肺結節數據庫當中，隨機選取100例胸部的CT掃描檢查數據，觀察人工智能在肺小結方面的評估價值。

1資料與方法

1.1一般資料

從2018年1月-2019年1月我院自建獲得的CT掃描檢查肺結節數據庫當中，隨機選取100例胸部的CT掃描檢查數據。

圖像納入標準：（1）最少包含非鈣化結節1枚;（2）有層厚≤1.0mm的薄層胸部CT掃描檢查圖像。圖像排除標準：（1）合并彌漫性轉移。（2）合并間質性肺病。（3）形成廣泛瘢痕。（4）合并肺炎。（5）合并肺纖維化。（6）合并肺水腫。（7）運動偽影嚴重。

1.2方法

CT掃描檢查方法：儀器：64排螺旋CT檢查儀，廠家：西門子。掃描范圍：從胸廓入口開始直至肺底部;所有掃描全部在一次吸氣之后進行屏氣的狀態下完成。掃描方式：視野設置：407mm;圖像矩陣設置：512×512;層厚設置：5.0mm;采集64x0.6mm;管電流設置：260mA;管電壓設置：110kv。

AI軟件：醫準。將所有100例胸部的原始CT檢查數據上傳到AI軟件工作站當中，系統會批量自動對肺結節進行標記及識別。放射科醫師檢測結節時在影像報告的基礎上進行評估，且報告必須經高年資（副高職稱以上）的醫師審核。

結節認定標準：由胸部影像科專家2名在充分的參考影響報告及AI評估結果的情況下，觀察橫斷面，對可疑病灶的位置進行確定之后，再充分的參考相關結果，如：最大密度投影、多平面重建等，進一步的確定所標注的結果跟肺結節是否一致并進行判斷，將2名專家的一致意見當作金標準，并對所有結節的密度、位置及大小進行記錄。

1.3觀察指標

1.3.1 觀察比較放射科醫生及AI在不同結節尺寸方面的檢出情況。

1.3.2 觀察比較放射科醫生及AI在不同結節密度方面的檢出情況。結節密度主要分為3個：磨玻璃密度結節：在肺內十分模糊且密度比肺組織相比較大，且沒有對肺紋理結構掩蓋的結節;部分實性結節：結節當中有磨玻璃密度的成分，還有軟組織實性密度成分的結節[4]。

1.3.3 觀察比較放射科醫生及AI在不同位置結節方面的檢出情況。結節位置主要分為4個：與胸膜相連、不跟胸膜發生相連且距離胸膜尺寸<2cm的周圍性結節、距肺門尺寸<2cm的肺門區結節、位置在肺門區結節與周圍性結節間的中心性結節。

1.4統計學方法

應用SPSS21.0進行所有數據的整合分析，（%）類的計數類數據，行X2檢驗檢測;（ ±S）類的計量類數據，行T檢驗檢測;P<0.05時，提示存在著統計學方面的區別及差異。

2結果

2.1 入選100例CT圖像通過兩位經驗豐富的影像專家確認，共包含真結節444個，包括惡性結節66個（14.9%），所有惡性結節全部經過病理檢測證實。對于所有66例惡性結節，放射科醫生與AI的檢出率都為100%，均全部檢出。

2.2 AI在結節尺寸<3mm及結節尺寸≥3mm時的檢出率均顯著高于放射科醫生（P>0.05）;放射科醫生在結節尺寸≥3mm的檢出率顯著高于結節尺寸<3mm（P<0.05）;AI在結節尺寸<3mm時的檢出率略低于結節尺寸≥3mm，但無顯著差異（P>0.05），具體見表1。

2.3 AI在不同結節密度：實性結節、部分實性結節及磨玻璃結節方面的檢出率均顯著高于放射科醫生（P<0.05），具體見表2。

2.4 AI在不同位置結節：與胸膜相連、周圍性結節、肺門區結節及中心性結節方面的檢出率高于放射科醫生（P<0.05），具體見表3。

入選100例CT檢查圖像通過2名專家確認，共有真結節444個;而AI在肺結節總體檢測靈敏度方面顯著比放射科醫師高（98.9%（439/444） vs45.9%（204/444），X2=6.142，P<0.05）。

3討論

肺小結節指的是在肺臟當中直徑尺寸小于3cm且邊緣十分清晰的一種類圓形或圓形狀腫塊影。據研究指出，肺小結節當中約有60%左右會屬于惡性病變，剩余的40%左右為良性病變。伴隨著社會的不斷進步，環境污染也不斷加劇，臨床中發生原發肺部惡性腫瘤的比率也持續升高，成為導致人類死亡的一個重要及主要疾病類型。同時，因為肺組織當中血運十分豐富且生理結構具有一定的特點，使得肺部成為惡性腫瘤好發的一個轉移位置。所以，有效的檢出肺小結節對臨床中繼發性及原發性腫瘤的盡早診療具有十分重要的積極意義。

在早期肺癌患者中并不存在顯著性的癥狀體征及表現，但是患者的肺結節是早期肺癌的一種主要影像學表現，醫生能夠通過對患者的肺部CT掃描檢查圖像進行閱讀來評估并發現肺結節。但醫生一次性閱讀海量CT掃描檢查圖像需要耗費極大的精力及時間，同時還醫生診斷的結果還存在一定的主觀依賴性，增加臨床中發展漏診的風險;尤其是在肺小結方面，因為其尺寸較小，十分容易被臨床醫生所忽略。本次研究結果提示，放射科醫生在結節尺寸<3mm方面的檢出率僅為17.0%，進而會有可能導致肺癌患者錯失早期診斷及治療的最佳時機。

本次研究結果提示，而AI在肺結節總體檢測靈敏度方面顯著比放射科醫師高（98.9%（439/444） vs45.9%（204/444），X2=6.142，P<0.05）。結果提示，AI在肺結節，特別是肺小結方面的檢出率及靈敏度顯著更高，但是在肺小結方面依舊存在一定的漏診比率。分析其原因為：（1）氣管。如細支氣管的擴張及增厚，氣管內存在的分泌物等。（2）血管。如血管肺門增粗、交叉、迂曲及增粗等。（3）感染性病灶。不同感染時期，如磨玻璃密度影、片狀實變、樹芽狀及索條等。（4）其他原因。如胸膜斑塊、氣體潴留及骨性結構（局部凸向肺野）等。

AI技術當前發展較為廣泛且飽受關注的一種科學技術，在醫學領域相關的前沿學科當中也被廣泛應用，而通過AI技術來檢測評估肺小結節是當下醫療人工智能的一個主要發展趨勢及方向。相信伴隨著不斷積累的豐富臨床經驗，不斷迭代的模型，AI的臨床診斷準確率及敏感性也會持續升高，從而避免出現漏診現象。

綜上所述，人工智能能夠提高對肺小結節的檢出比率，與臨床放射科醫師相比，檢出靈敏度更高;但是在肺小結節方面依舊存在一定的假陽性率。

參考文獻

[1] 歐陽雨晴，倪連芳，劉新民.對近3年穩定的磨玻璃樣肺小結節的長期隨訪[J].中華結核和呼吸雜志，2017，40（4）：315-315.

[2] 黃大鋇，李曉群，張健，etal.C臂CT在肺小結節胸腔鏡切除術前定位中的應用[J].介入放射學雜志，2017，26（9）：843-846.

[3] 李囡，曹中良.102例肺內單發小結節性病灶診治分析[J].中華實驗外科雜志，2019，36（4）：776-777.

[4] Purandare N C， Pramesh C S， Agarwal J P， et al. Solitary pulmonary nodule evaluation in regions endemic for infectious diseases： Do regional variations impact the effectiveness of fluorodeoxyglucose positron emission tomography/computed tomography[J]. 2017， 54（1）：271.