基于肺CT的人工智能對良惡性肺結節的診斷價值

[摘要]"目的"通過比較人工智能（artificial"intelligence，AI）與兩位放射科醫師（醫師1為主治醫師、醫師2為副主任醫師）對良惡性肺結節電子計算機斷層掃描（computed"tomography，CT）診斷的一致性和效能，探討AI在肺結節良惡性診斷中的價值。方法"回顧性分析2021年1月至2022年10月在浙江中醫藥大學附屬杭州市中醫院經手術病理證實的肺結節患者201例，共229個肺結節，其中良性結節74個，惡性結節155個。采用加權Kappa檢驗評估AI與兩位放射科醫師診斷的一致性，采用受試者操作特征（receiver"operating"characteristic，ROC）曲線評估AI與兩位醫師的診斷效能。結果"在部分實性結節、磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷中，AI與醫師2的一致性均高于AI與醫師1，而醫師2的曲線下面積（area"under"the"curve，AUC）均高于AI與醫師1，且在磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節AUC間差異均有統計學意義（Plt;0.05）。在部分實性結節、磨玻璃結節的良惡性診斷中，醫師1的AUC高于AI，但兩者比較，差異無統計學意義（Pgt;0.05）。在實性結節、部分實性+磨玻璃+實性結節良惡性診斷中，AI的AUC高于醫師1，兩者間差異有統計學意義（Plt;0.05）。在磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷中，AI的敏感度（97%、92%、94%）均高于醫師1（58%、89%、72%）、醫師2（83%、84%、85%）。結論"AI在肺結節良惡性診斷中具有一定的診斷效能，本研究中所采用的AI系統的總體診斷效能介于醫師1與醫師2之間，但AI的敏感度高于后兩者。

[關鍵詞]"人工智能；肺結節；計算機體層成像良惡性；診斷效能

[中圖分類號]"R445.3""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.23.010

Diagnostic"value"of"artificial"intelligence"based"on"lung"CT"for"benign"and"malignant"pulmonary"nodules

ZHANG"Dankun，"CUI"Feng，"ZHANG"Yongsheng，"DU"Liang，"LI"Huanguo，"ZHAO"Caiyong，"LI"Zhiping

Department"of"Radiology，Hangzhou"TCM"Hospital"Affiliated"to"Zhejiang"Chinese"Medical"University，Hangzhou"310007，"Zhejiang，"China

[Abstract]"Objective"To"explore"the"value"of"artificial"intelligence（AI）"in"the"diagnosis"of"pulmonary"nodules"in"terms"of"consistency"and"efficiency"compared"with"two"radiologists"（physician"1"is"a"chief"physician"and"physician"2"is"a"deputy"chief"physician）"in"the"diagnosis"of"benign"and"malignant"pulmonary"nodules"using"computed"tomography（CT）."Methods"""Retrospective"analysis"of"201"patients"with"pulmonary"nodules"confirmed"by"surgery"pathology"at"Hangzhou"Municipal"Hospital"affiliated"to"Zhejiang"Chinese"Medical"University"from"January"2021"to"October"2022，"including"a"total"of"229"pulmonary"nodules，"of"which"74"were"benign"and"155"were"malignant."The"consistency"of"AI"diagnosis"with"two"radiologists"was"evaluated"by"weighted"Kappa"test，"and"the"diagnostic"performance"of"AI"with"the"two"radiologists"was"evaluated"by"the"receiver"operating"characteristic"curve"（ROC）."Results"In"the"diagnosis"of"the"benign"and"malignant"nature"of"partial"solid"nodules，"ground-glass"nodules，"solid"nodules，"and"partial"ground-glass"and"solid"plus"ground-glass"nodules，"the"consistency"between"AI"and"physician"2""was"higher"than"that"between"AI"and"physician"1."Additionally，"the"area"under"the"curve"（AUC）"of"physician"2"was"higher"than"that"of"AI"and"physician"1"with"statistically"significant"differences"between"the"AUCs"of"ground-glass"nodules，"solid"nodules，"and"partial"ground-glass"and"solid"plus"ground-glass"nodules"（P"lt;"0.05）."In"the"diagnosis"of"the"benign"and"malignant"nature"of"partial"solid"nodules"and"ground-glass"nodules，"the"AUC"of"physician"1"was"higher"than"that"of"AI，"but"there"was"no"statistically"significant"difference"between"the"two"（Pgt;0.05）."In"the"diagnosis"of"the"benign"and"malignant"nature"of"solid"nodules"and"partial"ground-glass"and"solid"plus"ground-glass"nodules，"the"AUC"of"AI"was"higher"than"that"of"physician"1"with"statistically"significant"differences"between"the"two"（Plt;0.05）."In"the"diagnosis"of"the"benign"and"malignant"nature"of"ground-glass"nodules，"solid"nodules，"and"partial"ground-glass"and"solid"plus"ground-glass"nodules，"AI's"sensitivity"（97%，"92%，"and"94%）"was"higher"than"that"of"physician"1"（58%，"89%，"and"72%）"and"physician"2"（83%，"84%，"and"85%）."Conclusion"AI"has"a"certain"diagnostic"efficacy"in"the"diagnosis"of"pulmonary"nodules"malignancy."The"overall"diagnostic"efficacy"of"the"AI"system"used"in"this"study"is"between"that"of"physician"1"and"physician"2，"but"its"sensitivity"is"higher"than"that"of"the"latter"two.

[Key"words]"Artificial"intelligence;"Pulmonary"nodules;"Computer"tomography;"Benign"and"malignant;"Diagnostic"efficacy

肺癌的發病率和死亡率在各種惡性腫瘤中占據首要位置，且這一趨勢正在逐年上升[1-2]。早期肺癌在電子計算機斷層掃描（computed"tomography，CT）圖像上主要表現為肺結節，包括磨玻璃結節、部分實性結節和實性結節。準確判斷肺結節的良惡性對于肺癌的早期診斷和治療具有重要意義[3]。然而，由于放射醫師在觀察大量CT圖像時容易產生視覺疲勞，導致誤診和漏診的風險增加[4]。人工智能（artificial"intelligence，AI）輔助診斷技術通過使用計算機提取和分類算法，能夠識別和表征肺結節，為肺結節良惡性診斷提供了新的手段[5-7]。本研究以肺結節術后病理結果為診斷金標準，通過比較AI與2位放射科醫師的診斷一致性和效能，進一步評估AI在肺結節良惡性診斷中的價值。

1""對象與方法

1.1""研究對象

回顧性收集在浙江中醫藥大學附屬杭州市中醫院自2021年1月至2022年10月期間接受手術治療并經病理確診的201例肺結節患者，總共有229個肺結節。納入標準：①患者術前接受本院CT檢查，并且至少存在1個肺結節；②通過胸腔鏡下部分肺切除或穿刺活檢，病理證實結節的性質；③在胸部CT檢查后1個月內獲得肺結節的病理結果。排除標準：①胸部CT檢查病灶直徑gt;3cm；②AI結節分析無法進行分析或數據不全。本研究經筆者醫院倫理委員會審核的批準（倫理審批號：2024KLL027），所有患者均簽署知情同意書。

1.2""檢查方法

采用西門子SOMATOM"Force雙源CT、GE"Revolution"Ace"ES"62排CT和菲利普128排Brilliance"iCT，掃描參數：管電壓為120kV，管電流為自動mAs，層厚5mm，層間隔5mm，螺距0.758，矩陣512×"512，視野（field"of"view，FOV）為330min×330min，窗寬1500Hu，窗位-400Hu。患者采取仰臥位，并在掃描前進行常規的吸氣屏氣訓練，以使患者在掃描過程中能夠保持一致的屏氣程度。掃描范圍自肺尖至肺底，使用Lung算法進行1.5mm薄層重建。

1.3""肺結節AI分析

所有患者的CT圖像（層厚1.5mm）以DICOM格式，導入深睿肺結節CT影像輔檢測軟件（杭州深睿博聯科技有限公司），該軟件的核心算法是基于深度神經網絡開發的，可以自動識別肺結節，并提供每個肺結節的AI危險程度和AI惡性概率數值。如果AI識別為高危結節，則該結節定義為惡性結節，低危結節則定義為良性結節。

1.4""醫師閱片分析

2位有胸部疾病CT診斷經驗的放射醫師作為閱片者，醫師1為主治醫師、醫師2為副主任醫師，在不知道病理的情況下，對納入病例的CT圖像進行分析，根據結節的直徑、位置和形態特征，給出良性和惡性印象評估結果。

1.5""統計學方法

采用Medcalc"Versionl"5.10.0和SPSS"25.0統計學軟件對數據進行處理分析。采用加權Kappa檢驗評估AI和兩位醫師的一致性。采用受試者操作特征（receiver"operating"characteristic，ROC）曲線評估AI和兩名醫師對良惡性肺結節的診斷效能。基于約登指數確定其最佳的臨界值，及其對應的敏感度、特異性和AUC。采用DeLong檢驗比較兩種評分曲線下面積（area"under"the"curve，AUC）間的差異。Plt;0.05為差異有統計學意義。

2""結果

2.1""一般資料比較

本研究共納入229"個肺結節，良性肺結節74個，分別為硬化性肺泡細胞瘤1個，肺內淋巴結2個，非典型腺瘤樣增生3個，結核3個，錯構瘤7個，隱球菌8個，炎癥50個；惡性結節155個，分別為原位腺癌40個，微浸潤性腺癌61個，浸潤性腺癌44個，鱗狀細胞癌7個，黏液腺癌1個，腺鱗癌1個，小細胞癌1個。

2.2""AI與醫師對良惡性肺結節的準確度和一致性

①對于部分實性結節：AI、醫師1和醫師2對良惡性肺結節的準確度分別為81%、84%、87%，AI與醫師1、醫師2的加權Kappa值分別為-0.137、0.311。②對于磨玻璃結節：AI、醫師1和醫師2對良惡性肺結節的準確度分別為88%、63%、84%，AI與醫師1、醫師2的加權Kappa值分別為0.142、0.391。③對于實性結節：AI、醫師1和醫師2對良惡性肺結節的準確度分別為73%、58%、88%，AI與醫師1、醫師2的加權Kappa值分別為0.235、0.455。④對于部分實性+磨玻璃+實性結節：AI、醫師1和醫師2對良惡性肺結節的準確度分別為81%、65%、86%，AI與醫師1、醫師2的加權Kappa值分別為0.116、0.481。在不同成分肺結節診斷中，AI與醫師2的一致性均高于AI與醫師1（表1）。

2.3""AI與兩位醫師對良惡性肺結節的診斷效能

在部分實性結節、磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷中，醫師2的AUC（分別為0.753、0.879、0.873、0.869）均高于AI（分別為0.553、0.683、0.756、0.734）與醫師1（分別為0.653、0.757、0.631、0.605），且在磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節AUC間的差異均有統計學意義（Plt;0.05）。在磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷中，AI的敏感度（97%、92%、95%）均高于醫師1（58%、89%、72%）與醫師2（83%、84%、85%）。在部分實性結節、磨玻璃結節的良惡性診斷中，AUC醫師1分別為0.653、0.757高于AI分別為0.553、0.683，兩者間差異無統計學意義（Pgt;0.05）。在實性結節、部分實性+磨玻璃+實性結節良惡性診斷中，AI的AUC（分別為0.756、0.734）高于醫師1（分別為0.631、0.605），兩者比較，差異有統計學意義（Plt;0.05，ROC曲線見圖1。在磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷中，AI的敏感度（97%、92%、94%）均高于醫師1（58%、89%、72%）、醫師2（83%、84%、85%）。

3""討論

AI在醫療領域的應用已經越來越廣泛，特別是在肺結節的診斷和治療方面。對于良惡性肺結節的診斷，AI的優勢在于其可以快速、準確地分析大量的CT數據，減少了人為因素導致的誤差，并且能夠實現連續監控和預測演變，這對于早期發現和治療肺癌具有重要的意義[8-9]。

Du等[10]對152例患者的194個肺結節進行了AI分析，并與放射科診斷醫師進行了比較。在以病理結果為金標準的評估中，AI和放射科診斷醫師在肺結節診斷方面具有中等的一致性，Kappa值分別為0.541和0.437。劉亞斌等[11]利用AI進行良惡性診斷。結果表明，AI的Kappa值為0.905，而放射科醫師的Kappa值為0.919，均表現出了極高的一致性。本研究對于不同類型的肺結節，AI與醫師1的Kappa值為-0.137～0.235，AI與醫師2的Kappa值為0.311～0.481。這表明AI與醫師2的一致性相對較高。可能是因為醫師2具有更豐富的臨床經驗和專業知識，使得其診斷更為準確和穩定。AI技術通過深度學習和大數據分析，能夠自動提取和識別圖像中的關鍵特征，并進行優化和調整。然而，不同類型的肺結節可能影響了AI的診斷準確性，從而導致與不同醫師之間的一致性差異，也說明本研究所采用的AI系統需進一步深化完善。

Zhang等[12]對260例肺結節患者進行了研究，其中惡性結節173例，良性結節87例。結果顯示，AI對良惡性肺結節診斷的AUC為0.755，對部分實性結節+磨玻璃結節、實性肺結節良惡性診斷的準確度分別為80.54%、66.67%。Liu等[13]Meta分析中包括了多篇相關文獻，共納入了5251例患者，結果顯示AI對良惡性肺結節診斷的AUC為0.93。在本研究中，AI對不同成分肺結節診斷的AUC、敏感度分別為55.3%～73.4%、73%～88%，診斷效能介于醫師1和醫師2之間，這表明AI對良惡性肺結節具有一定的診斷價值。尤其對于實性肺結節，AI的診斷效能相對較高。可能是因為實性肺結節具有較為明顯的影像特征，AI對這類結節的特征提取和識別能力較強有關。

Zhang等[14]對860名患者進行分析，放射科醫師對實性肺結節診斷的準確度和敏感度分別為86.2%和52.4%，低于AI的準確度和敏感度（分別為99.1%和98.8%）。在Fan等[15]的研究中，AI對226個良惡性肺結節的敏感度達到了94.69%，高于放射科醫師的85.40%。此外，趙正凱等[16]對154個磨玻璃肺結節進行了分析，AI、放射科醫師對良惡性肺結節診斷的敏感度和特異性分別為96.5%、89.4%和19.5%，65.9%。而在Liu等[17]的研究中，AI對良惡性肺結節診斷的敏感度、特異性分別為93.8%、83.9%。在本研究中，對于磨玻璃結節、實性結節及部分實性+磨玻璃+實性結節良惡性診斷，AI的敏感度（97%、92%、94%）均高于醫師1（58%、89%、72%）、醫師2（83%、84%、85%）。AI對肺結節良惡性診斷的準確度和敏感度均相對較高，尤其在磨玻璃結節的診斷上，AI的敏感度明顯高于放射科醫師。然而，值得注意的是，盡管AI在良惡性肺結節診斷的敏感度方面表現優異，但目前AI并不能完全替代放射科醫師。放射科醫師具有臨床經驗和醫學知識，能夠綜合考慮患者的病史、癥狀和其他檢查結果，做出更全面的診斷。

同時，本研究存在一定局限性。首先，本研究為單中心回顧性研究，數據量相對較小，因此需要多中心和更大樣本量的前瞻性研究來驗證其結果。其次，本研究中惡性肺結節組的大部分病例為腺癌，這可能對分組產生一定的偏倚。最后，AI對結節檢測的準確性受到多種因素的影響，如學習模型算法、結節特征提取、結節周圍結構等，這些因素可能會影響AI的診斷準確性。

綜上所述，本研究所采用的AI在肺結節良惡性診斷中具有一定的診斷效能，總體診斷效能介于主治醫師和副主任醫師之間，但AI的敏感度高于后兩者。AI在醫學影像特別在肺良惡性結節的診斷方面具有極為光明的前景，隨著AI水平的快速進步，醫學影像AI必將引領醫學影像未來的革命性發展。現階段需要進一步探討AI在肺結節診斷中的準確性和可靠性，以及與其他診斷方法的結合應用，以提高診斷效率和準確性。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] WU"F，"WANG"L，"ZHOU"C."Lung"cancer"in"China："current"and"prospect[J]."Curr"Opin"Oncol，"2021，"33（1）："40–46.

[2] SIEGEL"R"L，"MILLER"K"D，"JEMAL"A."Cancer"statistics，"2019[J]."CA"Cancer"J"Clin，"2019，"69（1）："7–34.

[3] LOVERDOS"K，"FOTIADIS"A，"KONTOGIANNI"C，"et"al."Lung"nodules："A"comprehensive"review"on"current"approach"and"management[J]."Ann"Thorac"Med，"2019，"14（4）："226–238.

[4] MASSION"P"P，"ANTIC"S，"ATHER"S，"et"al."Assessing"the"accuracy"of"a"deep"learning"method"to"risk"stratify"indeterminate"pulmonary"nodules[J]."Am"J"Respir"Crit"Care"Med，"2020，"202（2）："241–249.

[5] HUANG"S，"YANG"J，"SHEN"N，"et"al."Artificial"intelligence"in"lung"cancer"diagnosis"and"prognosis："Current"application"and"future"perspective[J]."Semin"Cancer"Biol，"2023，"89（2023）："30–37.

[6] PEI"Q，"LUO"Y，"CHEN"Y，"et"al."Artificial"intelligence"in"clinical"applications"for"lung"cancer："Diagnosis，"treatment"and"prognosis[J]."Clin"Chem"Lab"Med，"2022，"60（12）："1974–1983.

[7] LADBURY"C，"AMINI"A，"GOVINDARAJAN"A，"et"al."Integration"of"artificial"intelligence"in"lung"cancer："Rise"of"the"machine[J]."Cell"Rep"Med，"2023，"4（2）："100933–100943.

[8] GANDHI"Z，"GURRAM"P，"AMGAI"B，"et"al."Artificial"intelligence"and"lung"cancer："Impact"on"improving"patient"outcomes[J]."Cancers"（Basel），"2023，"15（21）："5236–5251.

[9] KIM"R"Y，"OKE"J"L，"PICKUP"L"C，"et"al."Artificial"intelligence"tool"for"assessment"of"indeterminate"pulmonary"nodules"detected"with"CT[J]."Radiology，"2022，"304（3）："683–691.

[10] DU"W，"HE"B，"LUO"X，"CHEN"M."Diagnostic"value"of"artificial"intelligence"based"on"CT"Image"in"benign"and"malignant"pulmonary"nodules[J]."J"Oncol，"2022，"2022（2022）："5818423–5818428.

[11] 劉亞斌，"周圍，"白琛，"等."基于人工智能技術的肺部CT掃描在肺結節篩查及良惡性鑒別診斷中的應用分析[J]."中國CT和MRI雜志，"2022，"20（9）："52–54.

[12] ZHANG"L，"SHAO"Y，"CHEN"G，"et"al."An"artificial"intelligence-assisted"diagnostic"system"for"the"prediction"of"benignity"and"malignancy"of"pulmonary"nodules"and"its"practical"value"for"patients"with"different"clinical"characteristics[J]."Front"Med"（Lausanne），"2023，"10（2023）："1286433–1286443.

[13] LIU"M，"WU"J，"WANG"N，"et"al."The"value"of"artificial"intelligence"in"the"diagnosis"of"lung"cancer："A"systematic"review"and"Meta-analysis[J]."PLoS"One，"2023，"18（3）："1–10.

[14] ZHANG"Y，"JIANG"B，"ZHANG"L，"et"al."Lung"nodule"detectability"of"artificial"intelligence-assisted"CT"image"reading"in"lung"cancer"screening[J]."Curr"Med"Imaging，"2022，"18（3）：nbsp;327–334.

[15] FAN"W，"LIU"H，"ZHANG"Y，"et"al."Diagnostic"value"of"artificial"intelligence"based"on"computed"tomography"（CT）"density"in"benign"and"malignant"pulmonary"nodules："A"retrospective"investigation[J]."Peer"J，"2024，"12（2024）："1–14.

[16] 趙正凱，"梁勇，"周建收，"等."人工智能對肺磨玻璃結節檢出及定性診斷價值研究[J]."大連醫科大學學報，"2021，"43（3）："235–239.

[17] LIU"J，"ZHAO"L，"HAN"X，"et"al."Estimation"of"malignancy"of"pulmonary"nodules"at"CT"scans："Effect"of"computer-aided"diagnosis"on"diagnostic"performance"of"radiologists[J]."Asia"Pac"J"Clin"Oncol，"2021，"17（3）："216–221.

（收稿日期：2024–03–12）

（修回日期：2024–06–01）