人工智能CT定量參數預測肺腺癌磨玻璃結節的侵襲性*

周 圍，胡富碧，劉亞斌，朱 靜，吳少平

成都醫學院第一附屬醫院 放射科 (成都 610500)

近年來，隨著人們生活水平和健康意識的不斷提高及胸部低劑量CT掃描的廣泛應用[1]，越來越多的肺磨玻璃結節(ground-glass nodule，GGN)被發現，但對其定性診斷仍很困難。人工智能(artificial intelligence, AI)輔助診斷系統可快速自動識別和標記肺內GGN并進行定量分析。既往研究[2-4]證實AI具有較高的肺結節檢出價值，能有效提高醫師的工作效率。如果能夠利用AI定量參數分析預測惡性GGN的侵襲性，將有利于患者的術前評估和預后判斷，具有重要的臨床意義。

1 資料與方法

1.1 臨床資料

回顧性分析2018年1月至2019年8月經成都醫學院第一附屬醫院放射科CT表現為GGN并經手術病理證實為肺腺癌患者48例，共計54枚GGN，包括不典型瘤樣增生(denomatous atypical hyperplasia, AAH)、原位癌(adenocarcinoma in situ, AIS)、浸潤腺癌(minimal invasive adenocarcinoma, MIA)和浸潤性腺癌(invasive adenocarcinoma, IAC)。按照2011年國際多學科推出的肺腺癌分類標準[5]，將54枚GGN分為非浸潤性腺癌組(AAH/AIS組，n=21)和浸潤性腺癌組(MIA/IAC組，n=33)。納入標準：1)至少包含1枚磨玻璃密度結節并≤3 cm；2)具有符合AI診斷的胸部CT薄層圖像原始數據，圖像層厚≤1.5 mm。排除標準：不符合AI診斷的胸部CT圖像。48例患者中女34例，男14例，年齡(58±9)歲，單個患者GGN數量最多3個。

1.2 GGN定量參數分析

將54枚GGN導入由深睿醫療公司提供的基于深度學習模型的AI軟件(Dr.wise，版本：1.19.2.16)中，AI自動對GGN進行識別、標記和特征定量分析，記錄每個GGN定量參數分析結果，包括：GGN的平均CT值(Hu)、3D長徑(mm)、體積(mm3)、表面積(mm2)、最大面面積(mm2)、緊湊度、球形度。

1.3 統計學方法

采用MedCalc軟件包(19.0.4)進行數據分析。各組間定量參數滿足正態分布則采用獨立樣本t檢驗，如果不滿足正態分布則采用Mann-WhitneyU檢驗。對兩組間差異有統計學意義的變量參數行受試者工作特征曲線(receiver operating characteristic curves，ROC)分析，根據最大約登指數(Youden,sindex, YI)計算各定量參數最佳診斷閾值，獲得曲線下面積、敏感度和特異度。ROC曲線下面積比較采用Delong檢驗。檢驗水準α除特別說明外均設定為0.05。

2 結果

2.1 兩組GGN 定量參數比較

54枚GGN的定量參數值經統計學分析，其球形度、緊湊度在AAH/AIS與MIA/IAC兩組比較，差異無統計學意義(P>0.05)；兩組3D長徑、體積、平均CT值、表面積及最大面面積方面比較，差異有統計學意義(P<0.05)(表1)。

表1 兩組GGN定量參數比較

2.2 有效定量參數與病理類型分析

對組間差異有統計學意義的變量(3D長徑、平均CT值、體積、最大面面積及表面積)繪制ROC曲線分析各參數值預測GGN侵襲性價值，包括各參數曲線下面積(area under curve，AUC)、95%的置信區間、閾值、敏感性及特異性。確定3D長徑、平均CT值、體積、最大面面積、表面積預測浸潤性腺癌的最佳閾值為10.35 mm、476.73 Hu、641.7 mm3、79.78 mm2、365.22 mm2，其中當病灶直徑>10.35 mm時，可預測為浸潤性腺癌的敏感度較高，為84.37%、特異度為59.09%(圖1、表2)。

圖1 相關定量參數ROC曲線分析

表2 相關定量參數診斷肺GGN浸潤性的ROC曲線分析結果

3 討論

在中國乃至全球范圍內，肺癌是男性惡性腫瘤中最常見的死亡原因，發現時多為中晚期，5年生存率僅為21%[6]，改善這一現狀的關鍵在于早發現、早診斷、早治療。近年來，AI的興起和臨床應用，讓放射醫師從繁重工作中解脫，也使得越來越多的早期肺癌被發現，特別是腫瘤性GGN和表現為GGN的其他多種病變[7]。AI定量分析參數，如GGN的平均CT值、3D長徑、最大面面積、體積、表面積等對GGN的良惡性鑒別已展現出較高的臨床價值，但對于肺腺癌GGN侵襲性預判的研究報道尚少。

3D長徑是基于三維空間測量所得，AI將其定義為病灶表面網格頂點之間的最大成對歐幾里的距離，這并非臨床工作中所測量病灶最大截面(軸位)的最大直徑，3D長徑多明顯大于后者。GGN肺腺癌的主要生長方式為腫瘤細胞沿著肺泡壁呈現伏壁式生長，并逐步侵犯肺間質及肺血管的過程[8]，其形態多不規則，而最大截面的最大直徑僅能在二維層面上反應病灶某個截面的具體情況，而AI對GGN 3D長徑的測量方式優于常規二維測量，其結果更加精確、客觀[9]。關于3D長徑診斷GGN浸潤性的閾值，因其測量可能受到窗寬窗位、CT機型、后期處理軟件等多種因素的影響，目前并不統一。在本研究中基于AI給出的3D長徑區分AAH/AIS與MIA/IAC兩組間比較差異有統計學意義(P<0.05)，其最佳閾值為10.35 mm，AUC=0.74，敏感性為84.37%，當GGN的3D長徑明顯>閾值，應當高度懷疑MIA/IAC，因此GGN大小的變化在術前可以作為肺腺癌病理分類的重要參考指標[10]。

研究[11-12]表明，GGN密度的變化在隨訪過程中也與其浸潤性密切相關，表現為GGN的肺腺癌其病理變化過程大致為AAH→AIS→MIA→IAC[13]，其對應多層螺旋CT影像表現的變化過程也可大致分為純磨玻璃結節(pGGN)→混合型磨玻璃結節(mGGN)→實性結節(SN)，隨著密度(CT值)的增高或實性成分的增加，反映病灶的惡性程度越高[14]，當然pGGN也可見于以上4類病理中任何1種，其中IAC極少見于pGGN。在本研究中，AI給出的GGN平均CT值在AAH/AIS與MIA/IAC兩組間比較差異有統計學意義(P<0.05)，最佳閾值為-476.73 Hu，AUC=0.751，敏感度、特異度分別為78.12%、72.73%，該閾值在各項研究報道中具有一定差異，目前尚無統一標準。Li 等[12]通過分析207例亞實性結節得出，AAH/AIS和MIA、MIA和IAC之間的臨界值分別為-548.00 Hu、-364.59 Hu，分析其原因與GGN包含pGGN和mGGN兩類，不同研究所選病例中兩組亞型占比不同可能相關，也可能與后處理軟件自動分析同樣無法完全避開支氣管和血管，導致測量誤差相關。當然，GGN生長過程中CT值的變化值得關注，尤其是對于長期持續存在并在隨訪中的磨玻璃密度結節。

表面積能反映pGGN三維外立面的生長變化情況，體積能反映pGGN內部大小的變化，兩個參數可彌補pGGN隨訪過程中肉眼難以鑒別其細微變化的不足。本研究中，GGN體積、表面積判斷侵襲性的閾值分別為641.7 mm3和365.22 mm2，其特異度及敏感度分別為81.82%、65.62%。最大面面積是AI在2D所測GGN最大長徑所在層面的面積，崔效楠等[15]報道最大面面積是pGGN病理侵襲性的獨立影響因素；鄭旻等[16]提出體積與最大面面積可幫助GGN鑒別癌前病變和微浸潤病變與浸潤性病變，而對癌前病變和微浸潤病變之間的差異無統計學意義(P>0.05)。AI將緊湊度定義為病灶邊緣的凹凸程度，也可以表示為病灶邊緣的光滑程度，其邊緣約接近圓形，其值無限接近1；球形度定義為與病灶相同體積的球體表面積/病灶表面積，也稱為類圓度、圓度、球度等，其形狀約接近于圓形，其值無限接近1。在本研究中，基于AI測量GGN的緊湊度、球形度在用于區分AAH/AIS與MIA/IAC兩組間比較差異無統計學意義(P>0.05)，分析相關原因在于每種機型掃描參數、重建算法、AI軟件等缺乏統一標準，如GGN一定程度上會受低劑量、常規劑量掃描及CT圖像重建層厚、層間距差異的影響；不同AI公司所推出的軟件側重點有所差異，其算法不盡相同。AI與之前更多的是研究GGN與支氣管[17]及血管[18]之間的關系相比，AI能自動識別標記GGN，并量化分析其形態結構特征，計算結果也更加精確，其對GGN侵襲性的判斷無疑更具價值。

綜上所述，基于深度學習的人工智能CT定量參數對GGN肺腺癌侵襲性的預判具有一定的價值，3D長徑、平均CT值、體積、最大面面積及表面積可作為有效的影像學預測標志物。本研究的不足之處：GGN的樣本量偏少，且為回顧性研究，所選GGN包括pGGN及mGGN，在接下來的研究中會將其進行單獨分組研究。