引用本文： 蔡榮強, 鐘鎧澤, 劉計寬, 李鑫, 裴寶祥, 張康. 雙人工智能在多原發肺癌診治中的應用. 中國胸心血管外科臨床雜志, 2021, 28(5): 510-513. doi: 10.7507/1007-4848.202012051 復制
人工智能（artificial intelligence，AI）影像診斷系統作為醫療產品，已經用于臨床肺癌篩查，并且具有較高的敏感性和特異度[1]。多原發肺癌（multiple primary lung cancer，MPLC）的診治是臨床中的難題，MPLC 指在同一患者肺內同時或先后發生 2 個及 2 個以上原發腫瘤，并以診斷時間間隔 6 個月為界，定義為同時性多原發肺癌（synchronous multiple primary lung cancer，sMPLC）和異時性多原發肺癌（metachronous multiple primary lung cancer，mMPLC）[2]。對于術前考慮為 MPLC 的患者常需要切除多個結節，對結節性質的準確判斷以及合理的術前規劃有助于達到最大限度地切除腫瘤組織和最大限度地保留肺功能的目的。AI 影像診斷系統和術前 CT 血管支氣管三維重建（three dimensional computed tomographic bronchoangiography，3D-CTBA）手術規劃系統在 MPLC 中的應用價值有待進一步驗證。
1 資料與方法
1.1 臨床資料
回顧性分析 2018 年 1 月至 2020 年 8 月在濟寧市第一人民醫院胸外科行手術治療，并獲得病理結果的 1 085 例肺癌患者的臨床資料。入組參考 Martini-Melamed 診斷標準[3]，包括：（1）腫瘤部位不同且相互獨立；（2）組織學類型不同；（3）組織學類型相同，但位于不同的肺段、肺葉或雙側肺，起源于不同的原位癌，共同的淋巴引流區域無癌，無肺外轉移。最終納入 MPLC 患者共 53 例，其中男 16 例、女 37 例，中位年齡 60（39～75）歲；見表 1。共納入 125 個病灶，包括腺癌 120 個、鱗狀細胞癌（鱗癌）2 個、良性腫瘤 3 個。其中 12例患者應用 3D-CTBA 重建解剖結構，進行術前規劃。
表1
53 例多原發肺癌患者的一般資料［n（%）/M（Min～Max）］
1.2 研究方法
應用 AI 智能影像診斷系統（DW Dia-Analyzer，深睿醫療）和資深胸外科醫師（以下簡稱人工）對病理證實為 MPLC 患者的術前薄層 CT 進行分析，并由高年資醫師將 AI 與人工分析結果進行逐一對比，檢出漏診、多診結節后計算結節總數量。根據術后病理與 AI 結節危險程度，將手術切除結節組合分為 AI-MPLC 組（≥2 個高危結節）、AI-非 MPLC 組（僅有 1 個高危+若干低危結節）；見表 1。評價 AI 篩查 MPLC 的價值。根據病理分為非浸潤性病變（包括良性腫瘤、不典型腺瘤樣增生和原位腺癌）和浸潤性病變（包括微浸潤腺癌、浸潤性腺癌和鱗癌），評價 AI 在 MPLC 診斷中的風險分層價值。術前 3D-CTBA 重建軟件由英庫科技提供，計算 3D-CTBA 與術中符合程度，評價 3D-CTBA 在 MPLC 治療中的應用價值。
1.3 評價指標
（1）AI 篩查 MPLC 敏感性=AI-MPLC/總例數；（2）AI 在 MPLC 中的風險分層價值及 AI 結節檢出的敏感性；（3）3D-CTBA 重建與術中符合程度。
1.4 統計學分析
采用 SPSS 22.0 軟件進行統計學分析。正態分布的計量資料以均數±標準差（
±s）表示，非正態分布的計量資料以中位數（M）表示。計數資料以例數和構成比（%）表示，組間比較采用 χ2 檢驗或 Fisher 確切概率法。P<0.05 為差異有統計學意義。
2 結果
2.1 AI 在篩查 MPLC 的敏感性
在 53 例 MPLC 患者中，AI 檢出 640 個結節，包括高危 160 個、低危 480 個，人工檢出 297 個結節，由高年資醫師對比人工檢出結果后發現 AI 漏診 1 個、多診 5 個（將直徑較大同一結節判定為多個高危結節），除 AI 漏診結節外，剩余人工組 296 個結節均可與 AI 相對應，故實際結節總數量為 636 個。共計切除結節 146 個，其中 125 個有病理結果，包括 AI-MPLC 組 45 例、AI-非 MPLC 組 8 例；見表 1。AI 篩查早期 MPLC 的敏感性為 84.91%（45/53）。
2.2 AI在 MPLC 中的風險分層價值
共納入 53 例 MPLC，AI 識別高危浸潤性病變的敏感性為 91.90%、準確性為 85.60%、漏診率為 8.10%、特異度為 35.71%。人工識別高危浸潤性病變的敏感性為 83.78%、準確性為 84.00%、漏診率為 16.22%、特異度為 85.71%；見表 2。AI在診斷浸潤性病變風險分層方面高于人工判讀（P<0.05）；見表 3。此外，對于 MPLC 結節的肺葉分布差異無統計學意義（P>0.05）；MPLC 結節形態類型與浸潤風險相關（P<0.05）；見表 4。
表2
AI 與人工識別多原發肺癌的診斷結果（個）
表3
AI 與人工識別多原發肺癌的配對資料（個）
表4
多原發肺癌患者術后病理分析（個）
2.3 3D-CTBA 可指導術前規劃
在 53 例 MPLC 患者中，對 12 例患者進行 3D-CTBA 術前規劃，術中可見結節間解剖關系與重建結果基本相符；見表 5。
表5
12 例行 3D-CTBA 患者的臨床資料
3 討論
MPLC 是肺癌的特殊類型，發病率約占肺癌總發生率的 5.4%～7%[4-6]，本研究結果與之相近（4.88%）。得益于低劑量螺旋 CT 在肺癌早篩的廣泛應用[7]，肺癌死亡率較前明顯改觀[8]，與之同時肺多發結節檢出率也呈上升趨勢。有研究[9]表明 AI 評估肺小結節比專家更具優勢，本研究中 AI 實際檢出 635 個結節，僅漏診 1 個，AI 檢出多發結節敏感性達 99.84%（635/636）。MPLC 診治重點和難點主要在于辨別肺內轉移和選擇合適手術方式。有學者[10]認為肺多發磨玻璃結節其更可能是 MPLC，而非轉移性肺癌。MPLC 的病理可 80% 以上為腺癌[11]，在本研究中腺癌占比達 96.00%（120/125），且腺癌-腺癌病理類型組合占比達 96.23%（51/53）。肺腺癌病理分型與患者預后密切相關[12]，因此在本研究中，將術后病理分為非浸潤性病變組和浸潤性病變組，探索 AI 在 MPLC 患者浸潤分層中的價值；回顧 12 例 3D-CTBA 患者手術資料，展望 3D-CTBA 在 MPLC 中的應用前景。
從研究結果來看，AI 在輔助診斷浸潤分層方面優于人工（P<0.05），且AI可通過結節形態評估MPLC浸潤程度（P<0.001），因此 AI 可以作為 MPLC 早篩的參考工具。本研究中 AI 特異度低于人工組（35.71% vs. 85.71%），且早期 MPLC 浸潤性病變分布與肺葉無關（P>0.05），分析原因可能與回顧性研究和病例數少有關，需要進一步的前瞻性研究和足夠病例數加以驗證。除此之外，病理漏報也是影響因素之一。雖然根據 Martini-Melamed 標準，臨床可診斷為 MPLC，但是也不可排除腫瘤氣腔轉移可能[13]，即使是肺磨玻璃結節也可為早期肺內轉移[14]，因此是否為真正的 MPLC 還需要基因檢測的數據支持。
對于 MPLC 應該優先處理主病灶，對于次要病灶，如在同側，且位于優勢部位，可考慮同期手術切除，如在對側且考慮為不典型腺瘤樣增生或原位癌，也可密切隨訪[15]。故本研究盡管 AI 實際檢出高危結節 155 個，但手術共切除 111 個。余 44 個未切除原因除以上原因外還有：（1）臨床認為風險低；（2）病理漏診；（3）肺功能差，手術不耐受；（4）根據患者意愿隨訪。另有 14 個低危結節進行了同期手術切除。原因為：（1）結節位于主病灶同側肺葉，可局部切除；（2）臨床綜合評估風險高。電視胸腔鏡下行肺段切除術與肺葉切除術在無復發和總體生存率方面沒有差異[16-17]。但肺段切除解剖往往較肺葉切除復雜且解剖變異多，3D-CTBA 能清楚地顯示結節之間或與周圍組織器官之間空間關系，從而提高手術的精確性、安全性。對于磨玻璃結節占優勢的可切除周圍型肺癌（數量≤3 個，直徑≤2.0 cm），在保證有足夠手術切緣的亞肺葉切除可作為首選手術方式[18]。因此在本研究中我們利用 3D-CTBA 對 12 例患者進行解剖性肺切除，在最大程度切除腫瘤組織的基礎上保留了更多肺組織。值得注意的是，雖然結節間解剖關系與 3D-CTBA 基本相符，但術區脈管管徑、走行方向會根據牽引力方向不同而發生不同程度變化。
研究不足之處：（1）未切除高危結節對研究結果的影響，需長期隨訪和驗證；（2）3D-CTBA 缺乏對照組，下一步將擴大樣本量行前瞻性研究加以驗證。綜上，盡管 AI 在 MPLC 診斷中具有應用價值，但 MPLC 的 AI 診斷目前還處于探索階段。3D-CTBA 重建解剖結構準確，具有廣闊應用前景 。
利益沖突：無。
作者貢獻：蔡榮強負責數據分析和論文撰寫；張康負責論文設計、審閱；李鑫負責數據分析整理和論文審閱；鐘鎧澤、裴寶祥、劉計寬負責對文章的知識性內容作批評性審閱。
人工智能（artificial intelligence，AI）影像診斷系統作為醫療產品，已經用于臨床肺癌篩查，并且具有較高的敏感性和特異度[1]。多原發肺癌（multiple primary lung cancer，MPLC）的診治是臨床中的難題，MPLC 指在同一患者肺內同時或先后發生 2 個及 2 個以上原發腫瘤，并以診斷時間間隔 6 個月為界，定義為同時性多原發肺癌（synchronous multiple primary lung cancer，sMPLC）和異時性多原發肺癌（metachronous multiple primary lung cancer，mMPLC）[2]。對于術前考慮為 MPLC 的患者常需要切除多個結節，對結節性質的準確判斷以及合理的術前規劃有助于達到最大限度地切除腫瘤組織和最大限度地保留肺功能的目的。AI 影像診斷系統和術前 CT 血管支氣管三維重建（three dimensional computed tomographic bronchoangiography，3D-CTBA）手術規劃系統在 MPLC 中的應用價值有待進一步驗證。
1 資料與方法
1.1 臨床資料
回顧性分析 2018 年 1 月至 2020 年 8 月在濟寧市第一人民醫院胸外科行手術治療，并獲得病理結果的 1 085 例肺癌患者的臨床資料。入組參考 Martini-Melamed 診斷標準[3]，包括：（1）腫瘤部位不同且相互獨立；（2）組織學類型不同；（3）組織學類型相同，但位于不同的肺段、肺葉或雙側肺，起源于不同的原位癌，共同的淋巴引流區域無癌，無肺外轉移。最終納入 MPLC 患者共 53 例，其中男 16 例、女 37 例，中位年齡 60（39～75）歲；見表 1。共納入 125 個病灶，包括腺癌 120 個、鱗狀細胞癌（鱗癌）2 個、良性腫瘤 3 個。其中 12例患者應用 3D-CTBA 重建解剖結構，進行術前規劃。
表1
53 例多原發肺癌患者的一般資料［n（%）/M（Min～Max）］
1.2 研究方法
應用 AI 智能影像診斷系統（DW Dia-Analyzer，深睿醫療）和資深胸外科醫師（以下簡稱人工）對病理證實為 MPLC 患者的術前薄層 CT 進行分析，并由高年資醫師將 AI 與人工分析結果進行逐一對比，檢出漏診、多診結節后計算結節總數量。根據術后病理與 AI 結節危險程度，將手術切除結節組合分為 AI-MPLC 組（≥2 個高危結節）、AI-非 MPLC 組（僅有 1 個高危+若干低危結節）；見表 1。評價 AI 篩查 MPLC 的價值。根據病理分為非浸潤性病變（包括良性腫瘤、不典型腺瘤樣增生和原位腺癌）和浸潤性病變（包括微浸潤腺癌、浸潤性腺癌和鱗癌），評價 AI 在 MPLC 診斷中的風險分層價值。術前 3D-CTBA 重建軟件由英庫科技提供，計算 3D-CTBA 與術中符合程度，評價 3D-CTBA 在 MPLC 治療中的應用價值。
1.3 評價指標
（1）AI 篩查 MPLC 敏感性=AI-MPLC/總例數；（2）AI 在 MPLC 中的風險分層價值及 AI 結節檢出的敏感性；（3）3D-CTBA 重建與術中符合程度。
1.4 統計學分析
采用 SPSS 22.0 軟件進行統計學分析。正態分布的計量資料以均數±標準差（±s）表示，非正態分布的計量資料以中位數（M）表示。計數資料以例數和構成比（%）表示，組間比較采用 χ2 檢驗或 Fisher 確切概率法。P<0.05 為差異有統計學意義。
2 結果
2.1 AI 在篩查 MPLC 的敏感性
在 53 例 MPLC 患者中，AI 檢出 640 個結節，包括高危 160 個、低危 480 個，人工檢出 297 個結節，由高年資醫師對比人工檢出結果后發現 AI 漏診 1 個、多診 5 個（將直徑較大同一結節判定為多個高危結節），除 AI 漏診結節外，剩余人工組 296 個結節均可與 AI 相對應，故實際結節總數量為 636 個。共計切除結節 146 個，其中 125 個有病理結果，包括 AI-MPLC 組 45 例、AI-非 MPLC 組 8 例；見表 1。AI 篩查早期 MPLC 的敏感性為 84.91%（45/53）。
2.2 AI在 MPLC 中的風險分層價值
共納入 53 例 MPLC，AI 識別高危浸潤性病變的敏感性為 91.90%、準確性為 85.60%、漏診率為 8.10%、特異度為 35.71%。人工識別高危浸潤性病變的敏感性為 83.78%、準確性為 84.00%、漏診率為 16.22%、特異度為 85.71%；見表 2。AI在診斷浸潤性病變風險分層方面高于人工判讀（P<0.05）；見表 3。此外，對于 MPLC 結節的肺葉分布差異無統計學意義（P>0.05）；MPLC 結節形態類型與浸潤風險相關（P<0.05）；見表 4。
表2
AI 與人工識別多原發肺癌的診斷結果（個）
表3
AI 與人工識別多原發肺癌的配對資料（個）
表4
多原發肺癌患者術后病理分析（個）
2.3 3D-CTBA 可指導術前規劃
在 53 例 MPLC 患者中，對 12 例患者進行 3D-CTBA 術前規劃，術中可見結節間解剖關系與重建結果基本相符；見表 5。
表5
12 例行 3D-CTBA 患者的臨床資料
3 討論
MPLC 是肺癌的特殊類型，發病率約占肺癌總發生率的 5.4%～7%[4-6]，本研究結果與之相近（4.88%）。得益于低劑量螺旋 CT 在肺癌早篩的廣泛應用[7]，肺癌死亡率較前明顯改觀[8]，與之同時肺多發結節檢出率也呈上升趨勢。有研究[9]表明 AI 評估肺小結節比專家更具優勢，本研究中 AI 實際檢出 635 個結節，僅漏診 1 個，AI 檢出多發結節敏感性達 99.84%（635/636）。MPLC 診治重點和難點主要在于辨別肺內轉移和選擇合適手術方式。有學者[10]認為肺多發磨玻璃結節其更可能是 MPLC，而非轉移性肺癌。MPLC 的病理可 80% 以上為腺癌[11]，在本研究中腺癌占比達 96.00%（120/125），且腺癌-腺癌病理類型組合占比達 96.23%（51/53）。肺腺癌病理分型與患者預后密切相關[12]，因此在本研究中，將術后病理分為非浸潤性病變組和浸潤性病變組，探索 AI 在 MPLC 患者浸潤分層中的價值；回顧 12 例 3D-CTBA 患者手術資料，展望 3D-CTBA 在 MPLC 中的應用前景。
從研究結果來看，AI 在輔助診斷浸潤分層方面優于人工（P<0.05），且AI可通過結節形態評估MPLC浸潤程度（P<0.001），因此 AI 可以作為 MPLC 早篩的參考工具。本研究中 AI 特異度低于人工組（35.71% vs. 85.71%），且早期 MPLC 浸潤性病變分布與肺葉無關（P>0.05），分析原因可能與回顧性研究和病例數少有關，需要進一步的前瞻性研究和足夠病例數加以驗證。除此之外，病理漏報也是影響因素之一。雖然根據 Martini-Melamed 標準，臨床可診斷為 MPLC，但是也不可排除腫瘤氣腔轉移可能[13]，即使是肺磨玻璃結節也可為早期肺內轉移[14]，因此是否為真正的 MPLC 還需要基因檢測的數據支持。
對于 MPLC 應該優先處理主病灶，對于次要病灶，如在同側，且位于優勢部位，可考慮同期手術切除，如在對側且考慮為不典型腺瘤樣增生或原位癌，也可密切隨訪[15]。故本研究盡管 AI 實際檢出高危結節 155 個，但手術共切除 111 個。余 44 個未切除原因除以上原因外還有：（1）臨床認為風險低；（2）病理漏診；（3）肺功能差，手術不耐受；（4）根據患者意愿隨訪。另有 14 個低危結節進行了同期手術切除。原因為：（1）結節位于主病灶同側肺葉，可局部切除；（2）臨床綜合評估風險高。電視胸腔鏡下行肺段切除術與肺葉切除術在無復發和總體生存率方面沒有差異[16-17]。但肺段切除解剖往往較肺葉切除復雜且解剖變異多，3D-CTBA 能清楚地顯示結節之間或與周圍組織器官之間空間關系，從而提高手術的精確性、安全性。對于磨玻璃結節占優勢的可切除周圍型肺癌（數量≤3 個，直徑≤2.0 cm），在保證有足夠手術切緣的亞肺葉切除可作為首選手術方式[18]。因此在本研究中我們利用 3D-CTBA 對 12 例患者進行解剖性肺切除，在最大程度切除腫瘤組織的基礎上保留了更多肺組織。值得注意的是，雖然結節間解剖關系與 3D-CTBA 基本相符，但術區脈管管徑、走行方向會根據牽引力方向不同而發生不同程度變化。
研究不足之處：（1）未切除高危結節對研究結果的影響，需長期隨訪和驗證；（2）3D-CTBA 缺乏對照組，下一步將擴大樣本量行前瞻性研究加以驗證。綜上，盡管 AI 在 MPLC 診斷中具有應用價值，但 MPLC 的 AI 診斷目前還處于探索階段。3D-CTBA 重建解剖結構準確，具有廣闊應用前景 。
利益沖突：無。
作者貢獻：蔡榮強負責數據分析和論文撰寫；張康負責論文設計、審閱；李鑫負責數據分析整理和論文審閱；鐘鎧澤、裴寶祥、劉計寬負責對文章的知識性內容作批評性審閱。
