基于多層螺旋CT圖像的機器深度學習技術測量仿真胸部體模肺結節體積及長徑的效果▲

張田寶 王蔚霖 潘 寧 朱亞男 李正軍 周和平

(1 陜西省安康市中心醫院影像中心，安康市 725300，電子郵箱：596709283@qq.com；2 北京推想科技有限公司，北京市 100085)

由于環境的污染、人口的增長和老齡化的加劇等諸多因素，肺癌患者數量正逐年攀升，2018年全球腫瘤統計結果顯示，新發肺癌占所有新發腫瘤病例的11.6%，病死率約18.4%，已成為當前世界范圍內發病率和病死率均居首位的惡性腫瘤,而我國每年因肺癌而死亡的人數高達62.6萬[1]。因此，肺癌的早期診斷、準確鑒別及正確治療對提高患者生存率有著非常重要的意義。

胸部CT檢查在早期肺癌的檢出與鑒別診斷方面均具有優勢，其結節檢出率是胸部X線的6倍，能清晰顯示結節位置、大小及其生長特性，其中生長特性是鑒別肺結節良惡性的重要指標之一：良性結節往往生長緩慢，倍增時間較長，而惡性結節生長迅速，倍增時間較短。針對難定性的小結節，臨床上通常采用低劑量CT定期隨訪觀察結節的動態變化，尤其是結節長徑和體積的改變[2]，作為臨床治療方案選擇的重要參考。CT圖像層厚會影響肺結節的檢出率，也會影響放射科醫師判定結節大小和體積。有學者指出，薄層圖像所測得的肺結節數值較厚層圖像準確，但圖像層厚是否會影響人工智能對肺結節檢測的準確性還未見相關報道[3]。隨著醫學科學技術的飛速發展，人工智能應用于醫療影像已經是必然的趨勢[4]，目前計算機輔助診斷技術已逐步應用于臨床，但該技術尚處在初步階段，還存在很多不確定的因素需要探討。因此，本研究通過多層螺旋CT掃描仿真胸部體模內肺結節，并利用人工智能技術分析不同重建層厚的CT圖像，探討機器深度學習檢測仿真胸部體模肺結節長徑及體積測量的準確性。

1 資料與方法

1.1 模型 (1)本研中使用專業仿真胸部體模(Multipurpose Chest Phantom N1“LUNGMAN”,日本京都Kagaku株式會社)，長40 cm、寬43 cm、高48 cm，包括胸壁、脊椎、肋骨、肺、縱隔及肝臟等模擬器官及組織，見圖1a。體模的軟組織及合成骨骼材料對X射線的吸收率接近人體真實組織。(2)模擬肺結節(Simulated Tumors,日本京都Kagaku株式會社)共12枚，隨機將結節散在放置于體模內雙肺上、中、下葉，各個肺葉放置的結節數量、大小均隨機，但保證每個肺葉都有人工肺結節。根據美國Fleischner 學會肺結節處理建議[5]，直徑小于4 mm的結節不屬于陽性發現，因此本研究所使用的結節共有4種直徑(5 mm、8 mm、10 mm、12 mm)，每種直徑的結節各3個，CT值分別為100 HU、-630 HU、-800 HU。為避免偽影干擾模擬肺結節被自然放置在體模內，未使用工具固定，根據公式V實際=(4/3)πr3計算得出結節實際體積。

圖1 研究所使用的模型注：a為仿真胸部體模；b為模擬肺結節，其中A、B、C分別代表3種密度值的結節，A、B、C的CT密度值分別為100 HU、-630 HU、-800 HU，共5種直徑(3 mm、5 mm、8 mm、10 mm、12 mm，但本研究中未使用直徑為3 mm的結節)。

1.2 研究方法 采用GE公司Revolution 256排螺旋CT對仿真體模進行掃描，范圍包括體模全肺組織(肺尖到后肋膈角)。掃描參數：管電壓120 kV，采用自動管電流(80～350 mA)，噪聲指數=14，層厚/層間距為5 mm/5 mm，球管旋轉速度0.28 s/r，準直器寬50 cm，矩陣512×512，視野為400×400 mm，螺距0.992 ∶1，掃描層厚設置為5 mm，自適應統計迭代重建圖像重組設置為40%，肺窗(1 500 HU/-500 HU)，圖像重建層厚分別為0.625 mm、1.25 mm、2.5 mm。分別將DICOM圖像上傳至推想科技深度學習工作站，利用肺結節人工智能軟件InferRead?CT肺部疾病檢測這些肺結節，記錄結節數目、長徑 (最大直徑)、體積(V測量)等信息 ，見圖2。根據公式計算長徑、體積測量的絕對錯誤率(absolute percentage error,APE):APE=(測量值-實際值)/實際值×100%。

圖2 肺結節人工智能軟件在不同方位識別肺結節注：c、d、e分別代表在水平位、冠狀位及矢狀位標注肺結節。

1.3 統計學分析 采用SPSS 20.0軟件進行統計分析。符合正態分布的計量資料以(x±s)表示，多組間比較采用單因素方差分析，不符合正態分布的計量資料以[M(P25，P75)]表示，比較采用Kruskal-Wallis秩和檢驗。以P<0.05為差異有統計學意義。

2 結 果

在不同重建圖像層厚下，肺結節的長徑和體積APE差異均無統計學意義(均P>0.05)，見表1。不同直徑肺結節的長徑和體積的APE差異均無統計學意義(均P>0.05)，見表2。

表1 不同重建層厚圖像肺結節長徑、體積測量的APE比較[M(P25，P75)，%]

表2 不同長徑肺結節直徑、體積測量的APE比較[M(P25，P75)，%]

3 討 論

肺癌是威脅人類健康和生命最常見的惡性腫瘤之一。肺內結節是肺癌的早期特征性表現，薄層CT的普及使得肺結節的檢出率大大提高，但很多肺部疾病都會形成肺結節，例如結核、塵肺、炎癥出血等[4]。因此，對于肺內的小結節性病灶的良惡性鑒別存在很大困難，導致部分惡性結節患者早期未得到有效治療，而確診時已處于癌癥中晚期，錯失最佳手術時機，治療效果不佳，預后較差，嚴重影響患者生活質量。臨床上針對難以定性的肺結節常采用CT隨訪觀察結節的生長特性，如長徑和體積的變化等，因此結節長徑和體積測量的準確性可能對肺結節的診斷和治療產生重大影響。然而，有學者利用傳統自動化測量工具研究肺結節時發現，不同分析軟件測出的肺結節長徑有著顯著差異，而體積卻無明顯差異[6]。因此，他們認為結節體積可能是評估肺結節生長特征更可靠的指標，而造成這種差異的原因是軟件所設定的測量公式不同，測量長徑選用的肺結節維度方向有所差異[6]。在本研究中，我們也發現對于直徑>4 mm的肺結節，長徑和體積APE比較差異無統計學意義(P>0.05)，說明結節直徑的變化對肺結節長徑和體積的APE無顯著影響。

早發現、早診治可提高肺癌患者5年生存率及生活質量。高分辨率CT是目前肺結節檢出與隨訪最有效的手段[7-8]。但高分辨CT數據量較大，明顯增加檢查圖像數量及影像科醫生的閱片負擔，疲勞狀態下很可能導致誤判和漏診[9]。應用計算機輔助診斷技術能夠對CT圖像進行初步篩查并標記可疑病灶，從而幫助影像科醫生進行再次判別，減輕醫生工作負擔并提高診斷準確率[10-11]。隨著大數據軟件的開發應用、計算機深度學習算法的推動，人工智能可以從圖像中讀取到肉眼易于忽視的信息，從而提高醫生對病灶的診斷準確率[12]。本研究利用規則的球體模擬肺結節，但測量結果跟結節真實值存在不同程度的差異，我們推測其原因可能為模擬的肺組織與真實胸部存在差異，仿真體模材料結構密度單一，而結節測量的精確度取決于結節與肺部結構及鄰近正常組織(如支氣管及血管)的緊密程度，緊鄰肺結節且密度相似的結構可影響檢測結果。本研究中，不同重建層厚下肺結節的長徑和體積的APE差異均無統計學意義(均P>0.05)，說明在不同重建層厚下人工智能對不同結節長徑與體積的測量基本一致，分析原因可能是由于肺組織天然對比度高，使得肺內結構密度分辨率高，結節檢測結果一致性好，故圖像層厚對人工智能測量肺結節長徑及體積沒有顯著影響。由此可見，在不同重建層厚下，人工智能軟件對直徑4 mm以上肺結節的測量結果較為可信，且2.5 mm層厚就能滿足人工智能閱片需求。因此，在能夠保證肺結節檢測準確性的前提下，可加大圖像層厚，以減少影像醫師閱片數量，縮短閱片時間，緩解臨床工作壓力。

薄層CT掃描在肺結節檢出方面具有非常高的敏感性，能提高早期肺癌診斷的準確性[13]。與人工智能閱片相比，醫師肉眼閱片的漏診率較高，但假陽性率較低，不易把一些增粗的支氣管或血管束斷面誤判為肺內異常小結節。研究表明，人工智能檢測肺結節假陽性率較高，尤其容易將小葉核心結構誤診，其他主要誤診原因包括增厚、擴張的細支氣管和交叉、增粗、迂曲的血管影等[14-16]。因此，影像科醫師仍然需要對人工智能的檢測結果進行復查，做到人工閱片和計算機智能閱片相互補充[17]，從而提高肺腫瘤早期診斷的準確率，指導臨床醫生選擇正確的治療方案，改善患者預后，延長患者存活時間，減輕家庭與社會的經濟負擔。

本研究仍存在不足之處：實驗設計較為簡單，數據量較少，最終結果可能受到一定程度影響，后續還需加大樣本量進一步驗證結論；雖然體模軟組織及其合成骨骼材料對X射線的吸收率非常接近人體真實組織，但掃描體模得到的數據與臨床實踐還存在一定差距。

綜上所述，對于直徑>4 mm的肺結節，體積可能是機器深度學習軟件測量肺結節時更可靠的指標。不同重建層厚對機器深度學習技術測量肺結節長徑及體積的結果影響較小，因此采用人機協同閱片工作模式時，在能夠保證肺結節檢測準確性的前提下，可加大圖像層厚以減少影像醫師閱片數量，緩解臨床工作壓力。目前人工智能結合醫學影像診斷模式處于初步探索階段，雖然機器深度學習技術在肺結節的檢測和分類的研究已取得不錯的成就[18]，但該技術還需要更進一步的訓練、優化與提升[19]。當前的計算機智能醫學影像技術在優化醫師資源配置、緩解醫療資源緊張和提升臨床診療水平方面已展現出巨大的潛力，但該領域還存在許多未知的因素，亟待學者們進一步地探索[20-21]。