肺結(jié)節(jié)人工智能提軟件取CT 紋理征象構(gòu)建決策樹模型：對IA 期小細(xì)胞肺癌的診斷效能研究

郭 曦，吳彥平，漆萬銀

（1.西南醫(yī)科大學(xué)附屬醫(yī)院放射科，四川 瀘州 646000；2.湘潭市中心醫(yī)院放射科，湖南 湘潭 411100）

肺癌是世界上發(fā)病率最高的惡性腫瘤，其腫瘤相關(guān)致死率高居首位[1]。小細(xì)胞肺癌（Small cell lung cancer，SCLC）是肺癌中特殊的病理類型，與非小細(xì)胞肺癌（Non-small cell lung cancer，NSCLC）比較，SCLC 侵襲性強(qiáng)、惡性度高，其腫瘤倍增速度快，較早發(fā)生廣泛轉(zhuǎn)移，且易伴發(fā)異常內(nèi)分泌綜合征[2-3]。早期、無淋巴結(jié)轉(zhuǎn)移的SCLC（<3 cm，IA 期）的確診多依賴于病理學(xué)檢查，然而當(dāng)病灶位置較深、患者肺功能儲備量較差，抑或存在其他穿刺或手術(shù)禁忌癥時(shí)，病灶的定性診斷存在一定困難。僅依據(jù)CT 常規(guī)影像對SCLC 的診斷存在一定的局限性，尤其是早期病變?nèi)狈Φ湫驼飨髸r(shí)更為明顯[4-7]。

以CT 紋理征象提取為基礎(chǔ)的影像組學(xué)研究，能夠?qū)Σ≡顚?shí)現(xiàn)全容積深度分割，獲取更系統(tǒng)、全面的診斷信息，目前在肺癌的診斷領(lǐng)域發(fā)揮著重要的作用[8]。既往研究基于CT 紋理征象，初步探討了其對SCLC 與NSCLC 的鑒別診斷價(jià)值[9-11]。然而，現(xiàn)有的研究對病灶CT 紋理征象的提取采用的是手動逐層勾畫，操作較為繁瑣，且存在難以避免的測量誤差，重復(fù)性欠佳，尚未能對早期周圍型SCLC 進(jìn)行亞組分析。鑒于此，本研究通過肺結(jié)節(jié)人工智能軟件，基于深度學(xué)習(xí)算法實(shí)現(xiàn)對肺結(jié)節(jié)的自動識別、分割，并進(jìn)一步提取CT 紋理征象。本研究以病灶CT 紋理征象為基礎(chǔ)構(gòu)建決策樹模型，以期為SCLC 與NSCLC 鑒別診斷提供客觀、可視化的思路。

1 資料與方法

1.1 病例入組

對2018 年1 月—2021 年1 月西南醫(yī)科大學(xué)附屬醫(yī)院與湘潭市中心醫(yī)院收治的肺癌患者進(jìn)行回顧性分析，收集其臨床及胸部CT 資料。納入標(biāo)準(zhǔn)：①肺結(jié)節(jié)<3 cm，且未發(fā)現(xiàn)縱隔及肺門淋巴結(jié)轉(zhuǎn)移，臨床診斷為IA 期（cT1N0M0）；②經(jīng)手術(shù)或穿刺病理診斷為NSCLC 或SCLC；③CT 掃描圖像經(jīng)容積重建層厚為0.625～1.25 mm。排除標(biāo)準(zhǔn)：①CT 圖像質(zhì)量欠佳（如偽影），影響后續(xù)分析；②患者合并其他惡性腫瘤；③合并阻塞性肺炎或阻塞性肺不張。本研究經(jīng)西南醫(yī)科大學(xué)附屬醫(yī)院（No.KY2020147）及湘潭市中心醫(yī)院（No.2021-07-009）倫理委員會審核通過，整個(gè)研究過程中嚴(yán)格遵循相應(yīng)的章程制度。

1.2 CT 掃描

本研究采用多排螺旋CT 機(jī)（uCT550 或uCT760，上海聯(lián)影，西南醫(yī)科大學(xué)附屬醫(yī)院放射科；Revolution CT，美國GE 公司，湘潭市中心醫(yī)院放射科），掃描范圍包括肺尖至肺底，受檢者完成深吸氣動作后屏氣完成掃描過程，掃描參數(shù)遵守兩家醫(yī)療機(jī)構(gòu)放射科日常固定設(shè)置，并保持一致性。掃描完成后，使用標(biāo)準(zhǔn)算法后處理重建層厚為0.625～1.25 mm。

1.3 肺結(jié)節(jié)人工智能軟件對CT 紋理征象的提取

將掃描獲取的原始圖像，以DICOM 格式導(dǎo)出，傳入肺結(jié)節(jié)人工智能軟件（Deepwise 20201130fix1a，杭州深?？萍迹?。軟件基于深度學(xué)習(xí)算法自動識別、定位肺結(jié)節(jié)位置，并進(jìn)一步分割、提取其CT 紋理征象（圖1）。獲取的CT 紋理參數(shù)包括CT 最大值、CT平均值、CT 最小值、CT值方差、峰度、偏度、最大面面積、表面積、3D 長徑、球形度、緊湊度以及熵值。

1.4 統(tǒng)計(jì)學(xué)分析

使用R 語言3.6.3（https://www.r-project.org/）進(jìn)行統(tǒng)計(jì)學(xué)分析。使用 “CompareGroups” 軟件包對NSCLC 與SCLC 組進(jìn)行單因素分析，計(jì)量資料以均數(shù)±標(biāo)準(zhǔn)差（）表示，組間比較采用獨(dú)立樣本t 檢驗(yàn)；計(jì)數(shù)資料以率（%）表示，組間比較采用χ2檢驗(yàn)。最后，基于“rpark”和“partykit”包，對收集到的CT 紋理征象進(jìn)行決策樹構(gòu)建，并基于節(jié)點(diǎn)最小誤差進(jìn)行剪枝，得到最優(yōu)決策樹；以“pROC”包對決策樹進(jìn)行診斷效能分析，計(jì)算出相應(yīng)的敏感度、特異度以及曲線下面積（Area under curve，AUC）。以P＜0.05 為差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 入組患者基線資料的描述

基于兩家醫(yī)療機(jī)構(gòu)，嚴(yán)格按照入組標(biāo)準(zhǔn)，共計(jì)收集到肺結(jié)節(jié)患者109 例（年齡（61.24±8.15）歲），均為孤立性實(shí)性結(jié)節(jié)，經(jīng)病理證實(shí)SCLC 16例，NSCLC 93例，其中男59例，女50 例。

2.2 NSCLC 與SCLC 的單因素分析

與NSCLC 比較，SCLC 的CT 最大值、CT 最小值、CT 平均值、CT值方差以及熵值更大且偏度值更低（P＜0.05），差異具有統(tǒng)計(jì)學(xué)意義；而年齡、性別、峰度、最大面面積、表面積、球形度、緊湊度、位置、肺葉無統(tǒng)計(jì)學(xué)差異（P＞0.05）（表1）。

表1 IA 期NSCLC 與SCLC 臨床及影像組學(xué)資料的比較

2.3 SCLC 與NSCLC 的診斷決策樹模型

CT值方差（節(jié)點(diǎn)閾值214.045 HU）、熵（節(jié)點(diǎn)閾值9.105）納入最終的決策樹模型（圖2），該診斷模型的AUC 為0.806，對應(yīng)的敏感度、特異度及準(zhǔn)確度分別為68.8%、92.5%、89.0%（圖3）。

3 討論

SCLC 與類癌、大細(xì)胞癌同屬于神經(jīng)內(nèi)分泌腫瘤，約占支氣管源性肺癌的15%～20%，其中90%～95%為中央型，在確診時(shí)約67%存在遠(yuǎn)處轉(zhuǎn)移，早期診斷較為困難[2]。IA 期SCLC 的治療主要以放化療為主，其治療方案及遠(yuǎn)期預(yù)后與NSCLC 存在較大差異。在穿刺或手術(shù)病理獲取困難時(shí)，早期SCLC 的準(zhǔn)確影像學(xué)診斷，對患者治療方案的制定以及預(yù)后評估有著重要的參考價(jià)值。既往文獻(xiàn)初步總結(jié)了SCLC 的CT 常規(guī)影像學(xué)征象[4-7]：相比于NSCLC，小病灶SCLC 多伴有肺門淋巴結(jié)腫大，且病灶多為實(shí)性；此外亦存在分葉征、周圍磨玻璃影、毛刺征、充氣支氣管征及胸膜牽拉征等鑒別診斷征象。然而，在既往研究中，除對小病灶SCLC 為實(shí)性且多伴肺門淋巴結(jié)腫大這一征象達(dá)成共識外，對于其他特征性影像學(xué)表現(xiàn)仍存在較大的爭議，未能達(dá)成一致[4-7]。因此，對于早期不伴淋巴結(jié)腫大的周圍性SCLC，常規(guī)影像學(xué)表現(xiàn)重疊較大，診斷征象存在一定爭議，其診斷效能亟待提高[4-7]。所以有必要對早期SCLC 與NSCLC的影像征象進(jìn)行深度挖掘，探索出一種診斷效能更高、診斷思路更具邏輯性的可視化的預(yù)測模型。CT紋理分析能夠?qū)δ[瘤進(jìn)行全體素、多維度的信息挖掘，從而量化腫瘤的異質(zhì)性，反映腫瘤的代謝狀況，為評估其惡性生物學(xué)行為提供更全面、客觀的參考依據(jù)[8-11]。鑒于此，本研究通過肺結(jié)節(jié)人工智能軟件，基于深度學(xué)習(xí)算法，在不增加患者經(jīng)濟(jì)負(fù)荷的基礎(chǔ)上，對病灶CT 平掃圖像進(jìn)行自動識別、分割，深度挖掘其CT 紋理征象，并建立決策樹診斷模型。

決策樹是一種機(jī)器學(xué)習(xí)方法，其優(yōu)點(diǎn)在于采用邏輯語句生成決策節(jié)點(diǎn)，并以樹型結(jié)構(gòu)輸出結(jié)果，其直觀性強(qiáng)、思維導(dǎo)向性好，對臨床決策有著重要的指導(dǎo)作用[12]。本研究通過對SCLC 與NSCLC 各臨床特征及CT 紋理征象進(jìn)行單因素分析，最后將CT值方差（節(jié)點(diǎn)閾值214.045 HU）、熵（節(jié)點(diǎn)閾值9.105）納入最終的決策樹模型，節(jié)點(diǎn)閾值之上更傾向于SCLC。筆者綜合分析既往文獻(xiàn)，試探討其原因可能在于：NSCLC 中的腺癌具有腺體結(jié)構(gòu)，易伴有黏液產(chǎn)生；鱗癌易發(fā)生液化壞死，導(dǎo)致腫瘤內(nèi)部整體密度減低[13]。由于CT值方差反映了病變的密度差異，故整體更低密度的NSCLC 表現(xiàn)為更低的CT值方差。此外，熵值描述的是腫瘤細(xì)胞復(fù)雜與不規(guī)則程度，反映瘤灶內(nèi)部的異質(zhì)性，SCLC 的熵值更高，這與其惡性程度更高、腫瘤異質(zhì)性較大等生物學(xué)行為相對應(yīng)，該結(jié)果與徐圓等[11]研究結(jié)果接近。本研究還對決策樹模型進(jìn)行了診斷效能分析，結(jié)果顯示其AUC 為0.868，且對應(yīng)較為均衡的敏感度及特異度，Alba 等[14]認(rèn)為AUC＞0.750 則提示該診斷模型具有較優(yōu)的診斷效能，存在較好的臨床實(shí)用性。

綜上所述，本研究通過肺結(jié)節(jié)人工智能軟件，基于深度學(xué)習(xí)算法，對肺結(jié)節(jié)進(jìn)行自動識別、分割，并進(jìn)一步提取了病灶的CT 紋理征象，挖掘了CT 平掃圖像更多的診斷參數(shù)，提升了其診斷能力。在IA 期SCLC 與NSCLC 的眾多臨床特征及CT 影像組學(xué)征象中，本研究通過決策樹模型對眾多因子特征進(jìn)行降維，最后得到CT值方差（節(jié)點(diǎn)閾值214.045 HU）、熵（節(jié)點(diǎn)閾值9.105）可作為IA 期SCLC 與NSCLC鑒別診斷的決策節(jié)點(diǎn)。本研究在不增加患者經(jīng)濟(jì)負(fù)荷的情況下，通過肺結(jié)節(jié)人工智能軟件，為臨床醫(yī)師提供了一個(gè)邏輯導(dǎo)向性強(qiáng)、直觀可視化的預(yù)測模型工具，有助于臨床決策。本研究仍存在一定的局限性：首先，本研究對比了IA 期SCLC 與NSCLC 的影像組學(xué)的特異性，但未能對NSCLC 中的鱗癌及腺癌進(jìn)行進(jìn)一步亞組分析；其次，本研究為的是解決早期NSCLC 與SCLC 的鑒別診斷，實(shí)驗(yàn)設(shè)計(jì)針對的是周圍型IA 期孤立性、實(shí)性結(jié)節(jié)，可能限制了研究結(jié)論的泛化性；最后，本研究樣本量較少，且屬于回顧性研究，有待進(jìn)一步擴(kuò)大樣本量，以獲取更可靠的研究成果。