引用本文： 曹孟昆, 姜杰, 朱曉雷, 李寧, 王劍翁, 林俊峰, 劉鴻鳴, 鄧城慶, 蔡夕倩, 耿國軍. 人工智能肺部結節輔助診療系統預測肺結節的良惡性及浸潤情況. 中國胸心血管外科臨床雜志, 2021, 28(3): 283-287. doi: 10.7507/1007-4848.202101020 復制
肺癌是全世界人民健康的“頭號殺手”，其在所有癌癥中發病率和死亡率均占首位[1]。肺結節是肺癌的早期表現，隨著體檢項目中胸部 CT 篩查的普及，越來越多的肺結節在體檢中被發現[2-3]，其中包括各種類型的小結節，如炎性病灶、良性腫瘤性病灶和惡性腫瘤性病灶等。為了鑒別這些類型的結節，臨床醫師常常會通過個人經驗對結節的二維影像學特征進行判斷，如平面直徑，是否有毛刺、分葉、鈣化等特征來評估肺結節惡性的概率，但通過這種方式判斷結節良惡性的準確率與臨床醫生的經驗與年資密切相關，不同醫生對于相同結節的判斷也不盡相同。隨著電子信息技術的發展，我們逐漸開始意識到可以利用計算機來輔助臨床醫生的診斷與治療，如計算機輔助診斷系統（computer-aided diagnosis，CAD），具有高效性和不疲勞性的特點，其包括傳統 CAD 系統和深度學習 CAD 系統，傳統 CAD 系統往往僅根據結節的局部特征從統計學的角度來檢測和分析結節，而基于人工智能的深度學習 CAD 系統最重要的特點就是不需要從圖像中進行任何特征的提取，而是直接從數據中學習并區分特征。Ciompi 等[4]認為深度學習系統在肺結節分類方面超越了傳統機器學習方法的性能。常見的深度學習模型包括卷積神經網絡（convolutional neural network，CNN）、自編碼（auto-encoder，AE）、深度信念網絡（deep belief network，DBN）等，而其中最常用的是 CNN，是一種特別適用于解決圖像分類問題的學習算法[5]。在本研究中使用了基于人工智能的肺部結節輔助診療系統（以下簡稱智能系統，零氪科技有限公司，北京），該系統應用 CNN 在內的多種算法對胸部 CT 中的肺結節進行分析，除了常規報告結節的直徑、密度、體積等數據，該系統還通過已儲備的 20 000 多枚肺結節的影像數據和病理結果反復訓練與學習，應用其通過大數據訓練所得的“經驗”，計算出肺結節的惡性概率，幫助臨床醫生進行決策。
此外，在胸部 CT 首次發現肺結節時，臨床醫生常常建議患者 3 個月或 6 個月后復查胸部 CT，在兩次或多次復查胸部 CT 后，我們可以得到結節體積的動態變化，也就是結節的生長速度[6]，我們常常用肺部結節的體積倍增時間（volume doubling time，VDT，指結節體積增大一倍所用時間[7]）表示結節的生長速度。我們通過傳統 CAD 系統對結節體積進行三維測量，該系統可以自動估算出結節的 VDT。根據一些相關文獻[8-10]報道，不典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）的 VDT 約為（859.2±428.9）d，炎性結節隨訪期間體積可能縮小或完全吸收，VDT 在 30～360 d 要高度警惕惡性腫瘤的可能。本研究通過回顧性分析肺結節手術患者的病理結果，探究使用該智能系統計算肺結節的惡性概率和 VDT用于預測術后病理良惡性及浸潤程度的可靠性。
1 資料與方法
1.1 臨床資料和分組
選取 2019 年 1 月至 2020 年 8 月廈門大學附屬第一醫院收治的 87 例肺結節患者，其中男 33 例（37.9%），平均年齡（55.1±10.4）歲；女 54 例（62.1%），平均年齡（54.5±14.1）歲。結節平均直徑（1.017±0.383）cm。共 90 枚結節，其中惡性結節 80 枚（88.8%）、良性結節 10 枚（11.1%）。將結節分為惡性腫瘤組（80 枚）和良性病變組（10 枚），其中惡性腫瘤組又分為浸潤性腺癌組（60 枚）和非浸潤性腺癌組（20 枚）。
1.2 納入和排除標準
納入標準：（1）肺結節最大徑<3 cm；（2）于我院行肺腫瘤切除術，術后病理已確診良性病變或肺腺癌；（3）術前最少有 2 次胸部薄層 CT 影像資料，2次胸部 CT 間隔時間為 1～12 個月；（4）對本研究知情同意，自愿參加。
排除標準：（1）患者曾患有肺結核；（2）多發肺結節證實肺內轉移；（3）其它部位惡性腫瘤轉移至肺；（4）術前結節體積縮小或 VDT<30 d 的結節。
1.3 研究方法
（1）將符合納入、排除標準的患者胸部 CT 影像資料導入智能系統（零氪科技有限公司，北京）中，記錄結節最大徑、VDT、惡性概率等信息。
（2）病理檢查與分組：標本均在廈門大學附屬第一醫院病理科完成病理檢查，肺結節標本均經福爾馬林固定，石蠟包埋切片，用特殊方法染色，最終病理診斷由 2 名主治醫師以上職稱的病理醫師確定。其中，惡性腫瘤包括：肺原位腺癌（adenocarcinoma in situ，AIS）、微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤性腺癌；良性病變包括：AAH、隱球菌、錯構瘤。
1.4 統計學分析
采用 SPSS 21.0 統計軟件對數據進行統計學分析。符合正態分布的計量資料以均數±標準差（
±s）表示，組間比較采取 t 檢驗。應用受試者工作特征（ROC）曲線分析 VDT 和惡性概率對惡性肺結節的診斷價值。ROC 曲線下面積（AUC）0.5～0.7 表明具有較低準確性，>0.7～0.9 具有一定準確性，>0.9 具有較高準確性。由于惡性概率與 VDT 檢驗方向相反，故對惡性概率做倒數處理。P<0.05 為差異有統計學意義。
1.5 倫理審查
本研究已通過廈門大學附屬第一醫院倫理委員會審批，批準號：XMYY-2020KY009。
2 結果
2.1 病理診斷
惡性結節 80 枚，其中包括浸潤性腺癌 20 枚，MIA+AIS 60 枚；良性病變 10 枚，包括 AAH 3 枚、錯構瘤3 枚、隱球菌 4 枚。
2.2 惡性腫瘤組與良性病變組比較
兩組患者在性別、年齡方面差異無統計學意義（P>0.05）；通過分析智能系統得出的惡性概率發現，惡性結節的惡性概率明顯高于良性病變（87.2%±9.1% vs. 28.8%±29.0%，P=0.000），使用 ROC 曲線評價惡性概率鑒別良惡性結節的能力，AUC 為 0.949（0.863～1.000），敏感度和特異性分別為 96.3% 和 90.0%。此外，良性病變組結節最大徑大于惡性結節組最大徑［（1.270±0.481）cm vs.（0.990±0.361）cm，P=0.026］；良性病變組的 VDT 明顯長于惡性結節組［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］。繪制 ROC 曲線評價 VDT 鑒別良惡性結節的能力，AUC 為 0.975（0.946～1.000），敏感度和特異性分別為 91.3% 和 100.0%，臨界值為782.0 d；見表 1、圖 1。
表1
惡性腫瘤組與良性病變組比較（
/例）
圖1
惡性腫瘤組與良性病變組 VDT 和惡性概率的 ROC 曲線
VDT 、惡性概率的AUC 分別為 0.975、0.949；ROC 曲線：受試者工作特征曲線；VDT：體積倍增時間；AUC：曲線下面積
2.3 浸潤性腺癌組與非浸潤性腺癌組比較
兩組患者在性別、年齡方面差異無統計學意義（P>0.05）。惡性概率在兩組間差異無統計學意義（P>0.05）。繪制 ROC 曲線評價惡性概率鑒別惡性結節的浸潤情況能力，AUC 為 0.630（0.474～0.786），敏感度和特異性分別為 50.0% 和 86.7%；浸潤性腺癌組結節最大徑大于非浸潤性腺癌組最大徑［（1.350±0.355）cm vs.（0.863±0.271）cm，P=0.000］；浸潤性腺癌組 VDT 明顯較非浸潤性腺癌組短［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］。繪制 ROC 曲線評價 VDT 鑒別惡性結節的浸潤情況能力，AUC 為 0.829（0.714～0.944），敏感度和特異性分別為 70.0% 和 86.7%，臨界值為423.5 d；見表 2、圖 2。
表2
浸潤性腺癌組與非浸潤性腺癌組比較（
/例）
圖2
浸潤性腺癌組與非浸潤性腺癌組 VDT、惡性概率的 ROC 曲線
VDT 、惡性概率的AUC 分別為 0.829、0.630；ROC 曲線：受試者工作特征曲線；VDT：體積倍增時間；AUC：曲線下面積
3 討論
隨著人民生活經濟水平的提高，胸部 CT 逐漸取代普通 X 線平片，越來越多地出現在居民常規體檢項目中，胸部 CT 可以發現普通 X 線平片難以發現的肺小結節，對早期發現肺癌有著重要的作用。但由于不同醫院甚至不同醫生對肺結節的認識不盡相同，其對肺結節性質的判斷可能也會有所偏差。在本研究中嘗試使用智能系統和傳統 CAD 提供的信息來預測肺結節的性質，探究其對肺結節病理情況預測的效能。
本研究中使用人工智能系統，對患者肺癌良惡性概率進行分析，發現術前胸部 CT 得出的惡性概率在惡性腫瘤組中顯著高于良性病變組（P<0.01），同時，AUC 為 0.949，這表明該智能系統給出的惡性概率能較為準確地鑒別肺結節良惡性，具有較高的敏感度（96.3%）和特異性（90.0%）。此外，我們發現在浸潤性腺癌組和非浸潤性腺癌組中惡性概率差異無統計學意義（P>0.05），AUC 為 0.630，其對惡性結節的浸潤程度預測準確性較低。以上數據表明該智能系統能較為準確地鑒別出結節的良惡性，但無法區分出惡性結節的浸潤程度，這與提供給智能系統學習的影像與病理信息有關。在訓練智能系統時，僅僅提供結節影像與病理良惡性的情況，并未提供相應影像所對應的惡性結節浸潤程度，所以智能系統在沒有學習相關惡性結節浸潤程度的情況下，無法對惡性結節的浸潤程度做出預測也在情理之中。如果可以進一步完善該系統，可以給予智能系統更加完善的訓練資料，以達到對肺部結節更加全面的分析預測。
Walter 等[11]分析了 680 例患者，共 1 020 枚結節，發現 VDT 在新發結節方面對鑒別肺惡性腫瘤有很高的準確度（AUC=0.91）。裘楊波等[12]分析了 143 例早期肺腺癌發現，附壁生長為主型肺腺癌的 VDT 為（594±272）d，伴少量附壁生長成分浸潤性腺癌的 VDT 為（520±285）d，完全浸潤性腺癌的 VDT 為（371±183）d。在本研究中，通過智能系統測量結節體積，軟件自動估算兩次 CT 間隔時間內的結節 VDT；見圖 3。在區分結節良惡性和浸潤程度方面，良性病變組和惡性腫瘤組的 VDT 差異有統計學意義［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］，ROC 曲線顯示 AUC 為 0.975，臨界值為 782.0 d，特異性為 100.0%；在浸潤性腺癌組和非浸潤性腺癌組間的 VDT 差異同樣有統計學意義［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］；在 ROC 曲線中，AUC 為 0.829，臨界值為 423.5 d。以上數據表明 VDT 能較為準確地區分出結節的良惡性和浸潤程度，782.0 d 和 423.5 d 可以分別作為腫瘤的良惡性和惡性腫瘤浸潤與否的臨界值。特別值得注意的是，在 VDT 臨界值為 782.0 d 時鑒別結節的良惡性的特異性達到 100.0%，說明其對納入研究的惡性結節有非常良好的鑒別排除能力，可幫助臨床醫生在術前對肺部結節的病理情況提前進行評估，對術前設計手術方式提供重要的參考。
圖3
基于人工智能的肺部結節輔助診療系統所提供的肺結節倍增時間
除了惡性概率與 VDT 外，結節的直徑也與肺結節的病理密切相關。Zhang 等[13]和 Son 等[14]的兩項研究表明，肺結節的最大徑被認為是浸潤性腺癌和非浸潤性腺癌分類的一個預測因子。在本研究中同樣發現結節的最大徑分別在肺部良性腫瘤與惡性腫瘤、非浸潤性腺癌與浸潤性腺癌之間存在顯著差異，在術前評估結節的情況時，結節的最大徑依然是需要考慮的指標之一。
由于需要分析結節的 VDT，需排除術前只做了 1 次胸部 CT 的患者。然而，考慮到大部分術前只需要做 1 次 CT 檢查即有明顯手術指征的肺結節，常常具有明顯惡性征象，其惡性度常常也較高，本研究卻排除了這一類患者，因為這個原因所造成的數據偏倚，可能導致入組的肺結節 VDT 偏長，實際上的肺結節 VDT 更短。
綜上所述，目前應用的基于人工智能的肺部結節輔助診療系統所提供的惡性概率和VDT等信息，可以在術前對肺部結節的良惡性分類和浸潤情況進行初步分析，其中惡性概率能夠較為準確地鑒別肺部良性病變與惡性腫瘤，而VDT對于結節的良惡性及浸潤情況均有較好的區分能力。
利益沖突：無。
作者貢獻：曹孟昆負責論文設計、論文初稿撰寫；蔡夕倩、朱曉雷、李寧、劉鴻鳴、鄧城慶負責數據整理與分析；姜杰、耿國軍、王劍翁、林俊峰負責論文審閱與修改。
肺癌是全世界人民健康的“頭號殺手”，其在所有癌癥中發病率和死亡率均占首位[1]。肺結節是肺癌的早期表現，隨著體檢項目中胸部 CT 篩查的普及，越來越多的肺結節在體檢中被發現[2-3]，其中包括各種類型的小結節，如炎性病灶、良性腫瘤性病灶和惡性腫瘤性病灶等。為了鑒別這些類型的結節，臨床醫師常常會通過個人經驗對結節的二維影像學特征進行判斷，如平面直徑，是否有毛刺、分葉、鈣化等特征來評估肺結節惡性的概率，但通過這種方式判斷結節良惡性的準確率與臨床醫生的經驗與年資密切相關，不同醫生對于相同結節的判斷也不盡相同。隨著電子信息技術的發展，我們逐漸開始意識到可以利用計算機來輔助臨床醫生的診斷與治療，如計算機輔助診斷系統（computer-aided diagnosis，CAD），具有高效性和不疲勞性的特點，其包括傳統 CAD 系統和深度學習 CAD 系統，傳統 CAD 系統往往僅根據結節的局部特征從統計學的角度來檢測和分析結節，而基于人工智能的深度學習 CAD 系統最重要的特點就是不需要從圖像中進行任何特征的提取，而是直接從數據中學習并區分特征。Ciompi 等[4]認為深度學習系統在肺結節分類方面超越了傳統機器學習方法的性能。常見的深度學習模型包括卷積神經網絡（convolutional neural network，CNN）、自編碼（auto-encoder，AE）、深度信念網絡（deep belief network，DBN）等，而其中最常用的是 CNN，是一種特別適用于解決圖像分類問題的學習算法[5]。在本研究中使用了基于人工智能的肺部結節輔助診療系統（以下簡稱智能系統，零氪科技有限公司，北京），該系統應用 CNN 在內的多種算法對胸部 CT 中的肺結節進行分析，除了常規報告結節的直徑、密度、體積等數據，該系統還通過已儲備的 20 000 多枚肺結節的影像數據和病理結果反復訓練與學習，應用其通過大數據訓練所得的“經驗”，計算出肺結節的惡性概率，幫助臨床醫生進行決策。
此外，在胸部 CT 首次發現肺結節時，臨床醫生常常建議患者 3 個月或 6 個月后復查胸部 CT，在兩次或多次復查胸部 CT 后，我們可以得到結節體積的動態變化，也就是結節的生長速度[6]，我們常常用肺部結節的體積倍增時間（volume doubling time，VDT，指結節體積增大一倍所用時間[7]）表示結節的生長速度。我們通過傳統 CAD 系統對結節體積進行三維測量，該系統可以自動估算出結節的 VDT。根據一些相關文獻[8-10]報道，不典型腺瘤樣增生（atypical adenomatous hyperplasia，AAH）的 VDT 約為（859.2±428.9）d，炎性結節隨訪期間體積可能縮小或完全吸收，VDT 在 30～360 d 要高度警惕惡性腫瘤的可能。本研究通過回顧性分析肺結節手術患者的病理結果，探究使用該智能系統計算肺結節的惡性概率和 VDT用于預測術后病理良惡性及浸潤程度的可靠性。
1 資料與方法
1.1 臨床資料和分組
選取 2019 年 1 月至 2020 年 8 月廈門大學附屬第一醫院收治的 87 例肺結節患者，其中男 33 例（37.9%），平均年齡（55.1±10.4）歲；女 54 例（62.1%），平均年齡（54.5±14.1）歲。結節平均直徑（1.017±0.383）cm。共 90 枚結節，其中惡性結節 80 枚（88.8%）、良性結節 10 枚（11.1%）。將結節分為惡性腫瘤組（80 枚）和良性病變組（10 枚），其中惡性腫瘤組又分為浸潤性腺癌組（60 枚）和非浸潤性腺癌組（20 枚）。
1.2 納入和排除標準
納入標準：（1）肺結節最大徑<3 cm；（2）于我院行肺腫瘤切除術，術后病理已確診良性病變或肺腺癌；（3）術前最少有 2 次胸部薄層 CT 影像資料，2次胸部 CT 間隔時間為 1～12 個月；（4）對本研究知情同意，自愿參加。
排除標準：（1）患者曾患有肺結核；（2）多發肺結節證實肺內轉移；（3）其它部位惡性腫瘤轉移至肺；（4）術前結節體積縮小或 VDT<30 d 的結節。
1.3 研究方法
（1）將符合納入、排除標準的患者胸部 CT 影像資料導入智能系統（零氪科技有限公司，北京）中，記錄結節最大徑、VDT、惡性概率等信息。
（2）病理檢查與分組：標本均在廈門大學附屬第一醫院病理科完成病理檢查，肺結節標本均經福爾馬林固定，石蠟包埋切片，用特殊方法染色，最終病理診斷由 2 名主治醫師以上職稱的病理醫師確定。其中，惡性腫瘤包括：肺原位腺癌（adenocarcinoma in situ，AIS）、微浸潤腺癌（minimally invasive adenocarcinoma，MIA）、浸潤性腺癌；良性病變包括：AAH、隱球菌、錯構瘤。
1.4 統計學分析
采用 SPSS 21.0 統計軟件對數據進行統計學分析。符合正態分布的計量資料以均數±標準差（±s）表示，組間比較采取 t 檢驗。應用受試者工作特征（ROC）曲線分析 VDT 和惡性概率對惡性肺結節的診斷價值。ROC 曲線下面積（AUC）0.5～0.7 表明具有較低準確性，>0.7～0.9 具有一定準確性，>0.9 具有較高準確性。由于惡性概率與 VDT 檢驗方向相反，故對惡性概率做倒數處理。P<0.05 為差異有統計學意義。
1.5 倫理審查
本研究已通過廈門大學附屬第一醫院倫理委員會審批，批準號：XMYY-2020KY009。
2 結果
2.1 病理診斷
惡性結節 80 枚，其中包括浸潤性腺癌 20 枚，MIA+AIS 60 枚；良性病變 10 枚，包括 AAH 3 枚、錯構瘤3 枚、隱球菌 4 枚。
2.2 惡性腫瘤組與良性病變組比較
兩組患者在性別、年齡方面差異無統計學意義（P>0.05）；通過分析智能系統得出的惡性概率發現，惡性結節的惡性概率明顯高于良性病變（87.2%±9.1% vs. 28.8%±29.0%，P=0.000），使用 ROC 曲線評價惡性概率鑒別良惡性結節的能力，AUC 為 0.949（0.863～1.000），敏感度和特異性分別為 96.3% 和 90.0%。此外，良性病變組結節最大徑大于惡性結節組最大徑［（1.270±0.481）cm vs.（0.990±0.361）cm，P=0.026］；良性病變組的 VDT 明顯長于惡性結節組［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］。繪制 ROC 曲線評價 VDT 鑒別良惡性結節的能力，AUC 為 0.975（0.946～1.000），敏感度和特異性分別為 91.3% 和 100.0%，臨界值為782.0 d；見表 1、圖 1。
表1
惡性腫瘤組與良性病變組比較（/例）
圖1
惡性腫瘤組與良性病變組 VDT 和惡性概率的 ROC 曲線
VDT 、惡性概率的AUC 分別為 0.975、0.949；ROC 曲線：受試者工作特征曲線；VDT：體積倍增時間；AUC：曲線下面積
2.3 浸潤性腺癌組與非浸潤性腺癌組比較
兩組患者在性別、年齡方面差異無統計學意義（P>0.05）。惡性概率在兩組間差異無統計學意義（P>0.05）。繪制 ROC 曲線評價惡性概率鑒別惡性結節的浸潤情況能力，AUC 為 0.630（0.474～0.786），敏感度和特異性分別為 50.0% 和 86.7%；浸潤性腺癌組結節最大徑大于非浸潤性腺癌組最大徑［（1.350±0.355）cm vs.（0.863±0.271）cm，P=0.000］；浸潤性腺癌組 VDT 明顯較非浸潤性腺癌組短［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］。繪制 ROC 曲線評價 VDT 鑒別惡性結節的浸潤情況能力，AUC 為 0.829（0.714～0.944），敏感度和特異性分別為 70.0% 和 86.7%，臨界值為423.5 d；見表 2、圖 2。
表2
浸潤性腺癌組與非浸潤性腺癌組比較（/例）
圖2
浸潤性腺癌組與非浸潤性腺癌組 VDT、惡性概率的 ROC 曲線
VDT 、惡性概率的AUC 分別為 0.829、0.630；ROC 曲線：受試者工作特征曲線；VDT：體積倍增時間；AUC：曲線下面積
3 討論
隨著人民生活經濟水平的提高，胸部 CT 逐漸取代普通 X 線平片，越來越多地出現在居民常規體檢項目中，胸部 CT 可以發現普通 X 線平片難以發現的肺小結節，對早期發現肺癌有著重要的作用。但由于不同醫院甚至不同醫生對肺結節的認識不盡相同，其對肺結節性質的判斷可能也會有所偏差。在本研究中嘗試使用智能系統和傳統 CAD 提供的信息來預測肺結節的性質，探究其對肺結節病理情況預測的效能。
本研究中使用人工智能系統，對患者肺癌良惡性概率進行分析，發現術前胸部 CT 得出的惡性概率在惡性腫瘤組中顯著高于良性病變組（P<0.01），同時，AUC 為 0.949，這表明該智能系統給出的惡性概率能較為準確地鑒別肺結節良惡性，具有較高的敏感度（96.3%）和特異性（90.0%）。此外，我們發現在浸潤性腺癌組和非浸潤性腺癌組中惡性概率差異無統計學意義（P>0.05），AUC 為 0.630，其對惡性結節的浸潤程度預測準確性較低。以上數據表明該智能系統能較為準確地鑒別出結節的良惡性，但無法區分出惡性結節的浸潤程度，這與提供給智能系統學習的影像與病理信息有關。在訓練智能系統時，僅僅提供結節影像與病理良惡性的情況，并未提供相應影像所對應的惡性結節浸潤程度，所以智能系統在沒有學習相關惡性結節浸潤程度的情況下，無法對惡性結節的浸潤程度做出預測也在情理之中。如果可以進一步完善該系統，可以給予智能系統更加完善的訓練資料，以達到對肺部結節更加全面的分析預測。
Walter 等[11]分析了 680 例患者，共 1 020 枚結節，發現 VDT 在新發結節方面對鑒別肺惡性腫瘤有很高的準確度（AUC=0.91）。裘楊波等[12]分析了 143 例早期肺腺癌發現，附壁生長為主型肺腺癌的 VDT 為（594±272）d，伴少量附壁生長成分浸潤性腺癌的 VDT 為（520±285）d，完全浸潤性腺癌的 VDT 為（371±183）d。在本研究中，通過智能系統測量結節體積，軟件自動估算兩次 CT 間隔時間內的結節 VDT；見圖 3。在區分結節良惡性和浸潤程度方面，良性病變組和惡性腫瘤組的 VDT 差異有統計學意義［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］，ROC 曲線顯示 AUC 為 0.975，臨界值為 782.0 d，特異性為 100.0%；在浸潤性腺癌組和非浸潤性腺癌組間的 VDT 差異同樣有統計學意義［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］；在 ROC 曲線中，AUC 為 0.829，臨界值為 423.5 d。以上數據表明 VDT 能較為準確地區分出結節的良惡性和浸潤程度，782.0 d 和 423.5 d 可以分別作為腫瘤的良惡性和惡性腫瘤浸潤與否的臨界值。特別值得注意的是，在 VDT 臨界值為 782.0 d 時鑒別結節的良惡性的特異性達到 100.0%，說明其對納入研究的惡性結節有非常良好的鑒別排除能力，可幫助臨床醫生在術前對肺部結節的病理情況提前進行評估，對術前設計手術方式提供重要的參考。
圖3
基于人工智能的肺部結節輔助診療系統所提供的肺結節倍增時間
除了惡性概率與 VDT 外，結節的直徑也與肺結節的病理密切相關。Zhang 等[13]和 Son 等[14]的兩項研究表明，肺結節的最大徑被認為是浸潤性腺癌和非浸潤性腺癌分類的一個預測因子。在本研究中同樣發現結節的最大徑分別在肺部良性腫瘤與惡性腫瘤、非浸潤性腺癌與浸潤性腺癌之間存在顯著差異，在術前評估結節的情況時，結節的最大徑依然是需要考慮的指標之一。
由于需要分析結節的 VDT，需排除術前只做了 1 次胸部 CT 的患者。然而，考慮到大部分術前只需要做 1 次 CT 檢查即有明顯手術指征的肺結節，常常具有明顯惡性征象，其惡性度常常也較高，本研究卻排除了這一類患者，因為這個原因所造成的數據偏倚，可能導致入組的肺結節 VDT 偏長，實際上的肺結節 VDT 更短。
綜上所述，目前應用的基于人工智能的肺部結節輔助診療系統所提供的惡性概率和VDT等信息，可以在術前對肺部結節的良惡性分類和浸潤情況進行初步分析，其中惡性概率能夠較為準確地鑒別肺部良性病變與惡性腫瘤，而VDT對于結節的良惡性及浸潤情況均有較好的區分能力。
利益沖突：無。
作者貢獻：曹孟昆負責論文設計、論文初稿撰寫；蔡夕倩、朱曉雷、李寧、劉鴻鳴、鄧城慶負責數據整理與分析；姜杰、耿國軍、王劍翁、林俊峰負責論文審閱與修改。
