基于AI的CT影像預測GGN-IAC風險模型建立與驗證研究

許曉燕，周 永，甘曉晶，余瑩瑩，文 智

（新疆醫科大學附屬腫瘤醫院影像中心，烏魯木齊 830000）

據統計，2018年全球約有209萬肺癌新發病例，其中176萬人因肺癌死亡[1]。肺腺癌屬于非細胞肺癌，多發于女性，且近年來復發率與致死率較高[2]。肺腺癌可分為浸潤性腺癌（IAC）、微浸潤腺癌（MIA）、浸潤前病變，浸潤前病變又可分為原位腺癌、不典型腺瘤樣增生。磨玻璃結節（GGN）為肺腺癌患者早期CT影像學圖像上常出現的肺部影像學征象[3]。近年來，隨著人們生活水平及健康意識不斷提高、胸部低劑量CT掃描廣泛應用，越來越多GGN被發現，但對其定性診斷較困難，人工智能（AI）輔助診斷系統可快速自動識別及標記肺內GGN并進行定量分析[4]。本研究主要建立基于AI的CT影像學特征預測模型，并驗證其對GGN病例IAC風險的預測意義。

1 資料與方法

1.1 一般資料

回顧性選取新疆醫科大學附屬腫瘤醫院2015年5月－2020年9月GGN病例595例，納入標準：1）因體檢或意外行螺旋CT掃描發現肺部至少1個GGN，直徑≤30 mm，施行手術；2）符合AI診斷的胸部CT薄層圖像原始數據。排除標準：1）病灶直徑＞30 mm；2）CT檢查圖像質量不符合要求。依據相關標準[5]將GGN按病理結果分為浸潤前組（n=107）、微浸潤組（n=124）、IAC組（n=364）。另前瞻性選取2020年10月－2021年5月GGN病例250例進行驗證。

1.2 方法

1.2.1 臨床資料調查 調查術后病例資料，1）記錄一般臨床特征，包括性別、年齡、體質量指數（BMI）、吸煙史、肺癌家族史；2）記錄患者術前腫瘤標志物[癌胚抗原（CEA）、鱗狀細胞癌抗原（SCC）、細胞角蛋白19片段（Cyfra21-1）、胃泌素釋放肽前體（ProGRP）、神經元特異性烯醇化酶（NSE）、癌胚抗原153（CA153）]、基因檢測結果[表皮生長因子受體（EGFR）、大鼠肉瘤病毒癌基因（KRAS）、漸變性淋巴瘤激酶（ALK）、酪氨酸蛋白激酶MET、鼠類肉瘤病毒癌基因同源物B1（BRAF）及表皮生長因子受體-2（HER-2）]。

1.2.2 基于AI的CT影像學分析 基于深度學習模型的AI軟件（Dr.wise，1.19.2.16版本）（深睿醫療公司），由AI自動對GGN進行識別、標記及特征定量分析，記錄每個GGN的定量分析參數。經AI識別軟件自動勾畫病灶進行三維定量測量，得到結節密度（平均CT值）、2D長徑與短徑、3D長徑與標準徑（mm）、最大面面積、表面積、體積、質量。

1.3 統計學方法

采用SPSS 23.0統計學軟件處理數據，計量資料以均數±標準差（±s）表示，行單因素方差分析及LSD-t檢驗；計數資料以率（%）表示，采用χ2檢驗，多因素Logistic回歸法得出風險模型，H-L卡方檢驗模型符合度，受試者工作特征曲線（ROC）反映預測模型區分能力。以P＜0.05為差異有統計學意義。

2 結果

2.1 3組臨床資料比較

3組年齡、術前 SCC、Cyfra21-1、ProGRP、NSE、EGFR基因突變率比較，差異有統計學意義（P＜0.05）。見表1。

表1 3組臨床資料比較 例/%

2.2 3組AI定量參數比較

3組AI測得的平均CT值、2D長徑與短徑、3D長徑與標準徑、最大面面積、表面積、體積、質量比較，差異有統計學意義（P＜0.05）。見表2。

表2 3組AI定量參數比較（±s）

表2 3組AI定量參數比較（±s）

注：與浸潤前組比較，# P＜0.05；與微浸潤組比較，△P＜0.05

項目 浸潤前組images/BZ_135_857_1842_1618_1880.pngIAC組（n=364）平均CT值/Hu-550.48±59.12-513.45±52.67#-465.18±47.96#△2D 長徑 /mm 12.61±1.35 15.13±1.62# 19.44±1.98#△2D 短徑 /mm 9.67±0.98 11.35±1.24# 13.49±1.37#△3D 長徑 /mm 11.45±1.26 12.67±1.35# 14.58±1.56#△3D標準徑/mm 8.79±0.88 10.12±1.18# 11.86±1.25#△最大面面積/mm2 49.24±5.48 86.43±8.79# 106.42±11.45#△表面積 /mm2 263.48±27.98 517.62±54.88# 864.75±89.32#△體積 /mm3 713.24±72.66 1 245.89±159.72# 2 067.35±214.33#△質量 /（×103）-321.02±34.58-563.47±57.56# 842.14±86.95#△

2.3 AI定量參數預測IAC的ROC曲線

ROC上，表面積預測IAC的敏感度較高，平均CT值的特異度高，2D長徑的曲線下面積大，平均CT值、2D長徑、體積聯合后對IAC有較好預測價值，敏感度、特異度、曲線下面積分別為0.83、0.84、0.865。見表3、圖1。

圖1 AI定量參數預測IAC的ROC曲線

表3 AI定量參數預測IAC的ROC曲線

2.4 GGN病例IAC風險預測模型建立及驗證

Cyfra21-1、ProGRP、NSE、EGFR基因突變及IA測得的平均CT值、2D長徑、體積為診斷GGN為IAC的危險因素（P＜0.05）。見表4。預測模型 Z=0.287×Cyfra21-1+0.411×ProGRP+0.189×N SE+0.244×EGFR基因突變+0.286×平均CT值+0.417×2D長徑+0.288×體積-8.159，預測IAC、驗證結果的ROC曲線下面積分別為0.882、0.863，無統計學差異（P＞0.05），見圖2。驗證組預測IAC發生率60.40%（151/250），與實際發生率58.40%（146/250）比較，無統計學差異（P＞0.05），有較好符合程度。

表4 GGN病例IAC風險的預測因素

圖2 驗證與預測IAC結果的ROC曲線

3 討論

GGN為IAC病例肺部常見影像學病變[6]。基于AI的肺結節篩查系統憑借深度學習記憶及強大圖片識別功能，可充分顯示GGN診斷的內在價值[7]。研究[8]發現，AI中病灶長徑、短徑、最大截面積、體積的定量測定值在病理證實為惡性的GGN及隨訪穩定的GGN中有顯著差異，因此基于AI的病灶CT定量參數測定有助于為GGN預測臨床治療時機。

本研究3組IAC組各項AI測得的參數最高，與周圍等[9]的報道相近，而預測IAC的臨界值與以往研究不一致，可能與研究樣本量、AI測量方法及評估準確性不同有關。隨密度（CT值）的增高或實性成分增加，反映病灶惡性程度越高[10]，HEIDINGER等[11]發現密度（CT值）與GGN的相關性不大，可能與病灶本身較小、密度較低，內部纖維化或肺泡塌陷等因素對其影響更突出有關。病灶直徑越長則為IAC的可能性越大[12]，本研究發現3D長徑與標準徑、最大面面積與表面積、結節體積均有較好敏感度、特異度，質量參數的診斷優勢并不明顯優于其他單項指標，結合本次聯合診斷結果，基于AI的平均CT值、2D長徑、體積聯合對IAC有較好預測價值。

本研究發現IAC的模型預測IAC的ROC曲線下面積為0.874，該模型IAC預測值與實際發生率無統計學意義差異，表明基于AI的CT影像學參數建立IAC預測模型有較好預測意義，與以往研究[13-14]相符。本研究建立的模型驗證組預測IAC發生率60.40%，與實際發生率58.40%比較無統計學差異，說明模型符合程度較好。AI有深度學習功能，較人工測量能減少誤差，基于GGN的各種影像征象有利于提高對IAC的鑒別能力[15]。與以往研究不同的是，本研究比較術前血清腫瘤標記物（Cyfra21-1、ProGRP等）、基因檢測（EGFR突變）等指標，進一步豐富了預測內容，得到較好符合度，因此AI閱片聯合血清腫瘤標記物及基因檢測結果等可降低GGN中IAC漏診率，提高診斷準確性。

綜上所述，基于AI的CT影像學參數建立IAC模型有較好的診斷功能，經驗證其符合度較好。