人工智能在體檢肺CT中檢出的假陽性結節研究

左玲子，黃艷

沈陽市大眾醫院 放射科，遼寧 沈陽 110141

引言

人工智能（Artificial Intelligence，AI）是一門新興的科學技術，在醫學領域中已經被廣泛應用[1]。目前已經有很多國內外學者采用AI技術對肺結節的檢測進行了深入的研究[2]，目前以卷積神經網絡（Convolution Neural Network，CNN）為代表的深度學習法在肺結節的檢測中得到廣泛關注[3-4]，通過測試顯示2D CNN與3D CNN在肺結節檢測的靈敏度上都能達到95%左右[5-6]。但是與此同時，AI在肺CT上檢出的假陽性結節也很多，據文獻報道采用深度學習法的假陽性率多在每例肺CT掃描4～22個假結節[7]，這些假陽性結節的識別不但增加了診斷醫生的工作負擔，也容易被誤判為真結節，增加了患者的負擔及醫療資源的浪費，所以本研究將從影像角度詳細分析假陽性肺結節（False Positive Pulmonary Nodule，FPPN）分布與成因，將有助于放射診斷醫生提高假陽性結節的識別能力，為AI在降低假陽性結節方面提供參考。

1 資料與方法

1.1 研究對象

連續收集2020年8至9月來我院做肺CT檢查的體檢者500例，男309例，女191例，年齡26～84歲，平均（58.2±11.0）歲。樣本納入時排除了肺內彌漫性病變、胸膜多發病變、廣泛瘢痕及纖維化病變。

1.2 儀器與方法

采用GE optima CT670 128層螺CT機，體檢者取仰臥位、頭先進，掃描范圍從肺尖至肺底。掃描參數：管電壓80 kV，采用自動毫安管電流技術。掃描層厚5 mm，重建層厚1.25 mm，重建間隔1.25 mm，FOV 300～350 mm，矩陣 512×512，肺窗算法重建，窗寬：1500 HU，窗位：-600 HU；軟組織窗算法重建，窗寬：350 HU，窗位：40 HU。

1.3 假陽性結節認定與分析方法

將500例肺CT數據依次傳輸至由依圖公司提供的基于深度學習模型的AI軟件，AI檢出的肺結節經兩名醫師進行真假結節的認定，以兩名醫師達成的一致性意見作為最終認定結果，記錄假結節的數量、大小和密度，并識別和分析假結節的成因。FPPN按大小分為三組：<5 mm、5～l0 mm和10～30 mm，假結節的大小取結節最長徑和最短徑的平均值，并計算各組假陽性結節的檢出率；FPPN按密度分為三組：實性、部分實性和純磨玻璃密度，并計算三種密度假陽性結節的檢出率，以及比較三種密度結節之間的假陽性預測值。500例體檢者按年齡段分為六組：25～34歲、35～44歲、45～54歲、55～64歲、65～74歲、75歲及以上，并統計各年齡段假陽性結節的檢出率。

1.4 統計學分析

應用SPSS 22.0統計軟件，對實性、部分實性和純磨玻璃三種密度結節的假陽性預測值進行多個樣本率的χ2檢驗及兩兩比較，P<0.05為差異有統計學意義。對體檢者的年齡與假陽性結節的檢出率進行Spearman等級相關性檢驗，計算相關系數rs，P<0.05為相關有統計學意義。

2 結果

2.1 FPPN檢出結果

500例肺CT通過AI檢測出1518個肺結節，其中真結節740個（圖1），假結節778個，平均每例肺CT中檢出1.6個假結節。<5 mm假結節534個，平均每例檢出1.1個；5～10 mm假結節202個，平均每例檢出0.4個；>10 mm假結節42個，平均每例檢出0.1個。實性假結節353個，平均每例檢出0.7個；純磨玻璃密度假結節402個，平均每例檢出0.8個；部分實性假結節23個，平均每例檢出0.1個（表1）。實性結節的假陽性預測值為48.3%（353/731），純磨玻璃密度結節為53.3%（402/754），部分實性結節為69.7%（23/33），兩兩比較之后發現部分實性結節的假陽性預測值顯著高于實性結節的假陽性預測值，有統計學差異（χ2=8.346，P<0.05），部分實性與純磨玻璃密度以及純磨玻璃密度與實性之間比較無統計學差異（表2）。隨著年齡的增長每例肺CT假陽性結節檢出率也逐漸增加，Spearman等級相關系數rs=0.986，P<0.05，二者有顯著的正相關關系（表3）。

圖1 AI檢出的真陽性結節

表1 不同大小和密度的FPPN檢出結果

表2 不同密度結節的假陽性預測值比較

表3 不同年齡組FPPN的檢出結果

2.2 FPPN成因分析

AI檢出778個FPPN的成因有14種，按成因多少分為：胸膜結節167個，索條影139個，血管增粗107個，血管分叉95個、肺小葉結構70個，胸膜斑42個，葉間胸膜局部肥厚35個、片狀實變或滲出影35個、支氣管擴張并管壁增厚24個、瘢痕影20個，血管彎曲19個，樹芽征13個，支氣管內黏液潴留8個、縱隔血管4個（表4）。實性FPPN以胸膜結節、索條影、血管增粗較為常見，純磨玻璃密度FPPN以索條影、血管分叉、肺小葉結構、血管增粗和胸膜結節較為常見；部分實性FPPN見于片狀影、聚集的支氣管擴張和樹芽征（圖2）。

圖2 AI檢出的假陽性結節

表4 FPPN的成因分類

3 討論

AI肺結節檢測系統一般分為兩個階段：① 檢測候選結節；② 在候選結節中篩查假陽性，其中假陽性篩查是肺結節檢測的關鍵。怎樣減少AI假陽性一直是自動化肺結節檢測系統中最具有挑戰的任務，也在肺癌的診斷和早期治療中起著重要的作用[8]。目前，以2D CNN和3D CNN為代表的深度學習技術在降低假陽性方面已有很多報道[9-12]，由于3D CNN能在CT圖像內學習肺結節空間信息，進行一系列的鑒別特征提取，極大地提高了識別準確率，在使用相同網絡參數設置、對相同的數據集進行分類識別時，3D CNN在肺結節假陽性篩查中比2D CNN 具有更好的效果[13]，但3D CNN 在肺結節檢測上的應用研究依舊處于初級階段，研究成果較少。本研究從影像角度對AI檢測出的FPPN進行識別和分析，發現假陽性結節在大小、密度及年齡上有一定的分布規律，構成原因與多種組織結構有關。

本研究對假陽性結節大小和密度分類參照了影像學上肺結節的分類方法[14]。研究中發現<5 mm的假結節構成假陽性結節的68.6%，平均每例CT檢出1.1個假結節；5～10 mm假結節構成假陽性結節的26%，平均每例CT檢出0.4個假結節；>10 mm假結節構成假陽性結節的5.4%，平均每例CT檢出0.1個假結節，總體假結節檢出率為每例CT1.6個，如果排除<5 mm的假結節，假結節檢出率將降至0.5個/例，與文獻報道的假陽性率減少2/3相近[15]。<5 mm的微小結節假陽性多的原因主要與肺小血管結構、肺內索條影有關，這些結構在尺寸上與微小結節相似，形態上多為2 mm×3 mm及2 mm×4 mm的長條形，這類小結節的識別需要診斷醫生結合上下層面和毗鄰結構進行判斷，有時還需要從不同方位進行全面觀察。5～10 mm假結節可以與多種原因有關，最常見的是胸膜結節，下文會詳細介紹。>10 mm假結節多與肺內片狀炎性病灶有關，常把炎性病灶的一部分誤診為結節，通過全面觀察病變范圍和形態可以識別，同時要注意與不規則真結節進行鑒別，尤其是部分實性結節，因為其惡性概率高于其它兩種密度結節[16]，并且在AI檢出的部分實性結節中假陽性預測值也是最高的，即在AI檢出的部分實性結節中有69.7%的結節是不真實的，高于實性結節的48.3%和純磨玻璃密度結節的53.3%，并且在與實性結節的比較中，有統計學差異。實性和純磨玻璃密度假結節的檢出率分別為0.7個/例、0.8個/例，要明顯高于部分實性假結節的0.1個/例，即在假結節的數量上前兩種結節明顯占優勢，對于診斷醫師更需要有耐心地去識別。

本研究統計了不同年齡組的AI FPPN的檢出率，我們發現隨著年齡的增長，假結節的檢出率也隨之增加，并且二者有著顯著的正相關，這與文獻報道的隨著年齡的增長肺結節的檢出率也增加相一致[17-18]。肺結節檢出率的升高與年齡增長所積累的慢性感染、肉芽腫、瘢痕形成和反應性淋巴結增大有關[14]，同樣由積累的慢性感染和其它病變所引起的瘢痕、纖維化、胸膜結節等病變也會導致假陽性率的升高。從表2可以看出55歲以后假結節的檢出率有了明顯的升高，這與中國肺癌低劑量螺旋CT篩查2018年版指南[19]推薦的肺癌高危人群最低年齡50歲有著相似之處。所以年齡不光是肺結節的危險因素之一[20]，也和假陽性結節密切相關。

胸部CT肺結節數據標注與質量控制2018版專家共識[21]指出肺結節包括肺內實性結節、純磨玻璃密度結節、部分實性結節和肺內鈣化結節（本研究鈣化結節被納入實性結節），而胸膜結節、斑塊、鈣化病變屬于胸膜病灶，本研究結果顯示胸膜病變是AI上引起FPPN最常見原因，占誤診原因的31.4%，包括：胸膜結節、胸膜斑和葉間胸膜局部肥厚，其中胸膜結節是胸膜病變中引起假陽性最常見原因，主要原因是胸膜結節向肺內延伸時被AI誤診成肺內結節，影像上鑒別依據是胸膜結節向肺內延伸時，周圍往往存在一定的胸膜增厚，病灶與胸膜的夾角相對更大。其次造成假陽性結節的常見原因是血管結構，包括血管增粗、分叉和彎曲，占誤診原因的28.4%，其中前兩者相對更常見，分別占13.8%和12.2%，主要是因為小血管結構在斷層CT的形態上與肺結節有相似之處。除了胸膜病變和小血管結構容易被誤診為肺內結節，其它較常見的還有索條影和肺小葉結構，索條影一般是肺感染性病變殘留的纖維化病變，在肺邊緣的小索條影更容易被AI誤診為肺結節。肺小葉是被結締組織間隔包圍的最小肺單位，當結締組織增生，即小葉間隔增厚時，使肺小葉形成類似花環狀樣結構，也容易被AI誤診為肺結節。剩下相對少見的原因還有片狀實變影或滲出影、支氣管擴張并管壁增厚、瘢痕影、樹芽征、支氣管內黏潴留、縱隔凸向肺野的血管，鑒別這些原因時需要結合毗鄰結構和仔細辨認病變內部形態。

另外，引起實性FPPN的原因以胸膜結節、索條影、血管增粗較為常見，引起純磨玻璃密度假陽性肺結節的常見原因除了胸膜結節、索條影、血管增粗外，還有血管分叉和肺小葉結構。血管分叉和肺小葉結構也可以是實性FPPN的原因，但相對純磨玻璃密度假陽性結節少見。同一種組織結構可以形成兩種密度的假結節，可能與組織本身密度有關，也可能與組織結構與掃描的角度有一定關系。引起部分實性FPPN的原因見于斑片影、聚集的支氣管擴張和樹芽征，與各種炎性病變有關。

本研究選擇的是健康體檢者，并排除了肺內彌漫性病變、廣泛瘢痕及纖維化病變、胸膜多發病變，在AI上平均每例肺CT檢出的假陽性結節是1.1個，低于李欣菱等[15]研究的每例CT4.9個，應該與選擇的研究對象不同有關。我們在選取樣本時發現一些彌漫性、多發性肺內及胸膜病變，會明顯增加肺內結節檢出的假陽性率，少量這樣的數據就會對結果造成較大的不同，所示本次研究排除了這部分病變數據，在選擇上存在一定的偏倚。

綜上所述，導致AI FPPN的原因很多,但是這些假陽性結節存在一定的分布與構成規律，掌握這些規律，有助于放射科醫生在利用AI輔助診斷時對真假結節的識別。