引用本文： 杜林, 張洪, 羅翔鳳, 呂軍, 孫大強. 810例周邊型肺陰影的人工智能輔助胸部CT診斷與術后病理診斷對比分析. 中國胸心血管外科臨床雜志, 2022, 29(7): 854-858. doi: 10.7507/1007-4848.202201018 復制
肺癌是世界范圍內常見的惡性腫瘤，也是癌癥導致死亡的主要原因。根據世界衛生組織國際癌癥研究機構（International Agency for Research on Cancer，IARC）發布的 2020 年全球最新癌癥負擔數據[1]可知，肺癌在全球癌癥發病占比（11.4%）位居第二，全球癌癥死亡占比（18%）位居第一，嚴重威脅世界人民健康和生命。2020年，中國新發肺癌病例815 563例，死亡714 699例。男性肺癌發病率和死亡率均位居第一；女性發病率位居第二，死亡率位居第一。肺癌的早診、早治是改善預后的最重要方法。近年來，隨著胸部電子計算機斷層掃描（computed tomography，CT）檢查的普及，肺部小結節人群明顯增加。如何準確診斷肺小結節的病變性質，使早期肺癌患者得到及時治療，同時又避免對肺良性病灶進行過度診斷和治療，成為胸部影像學診斷的新挑戰[2-3]。人工智能（artificial intelligence，AI）輔助診斷技術在低劑量CT肺癌篩查中的應用不僅可以降低漏診率，還可以提高工作效率[4-5]。基于深度學習，它在肺結節的診斷方面取得了快速進展。據報道[6]，肺癌預測卷積神經網絡（convolutional neural networks，CNN）評分可以準確而特異性地識別肺結節，曲線下面積（area under the curve，AUC）為0.896，假陰性率為0.4%。AI輔助胸部影像診斷是AI在醫療領域應用比較成功的范例。本項研究使用的AI輔助診斷系統就是一個基于計算機輔助設計（computer aided design，CAD）的3D-CNN網絡，識別模式采用了目標檢測的經典算法Faster-RCNN。2018年7月—2021年11月，在天津市胸科醫院已經輔助診斷了238 119例胸部CT影像資料。相關臨床科室的醫生將AI診斷不準確的地方進行人工修正后及時反饋給AI輔助診斷系統，從而促進了AI診斷準確率的不斷提高。本研究通過比較該系統術前診斷與術后病理結果，旨在評估AI輔助診斷系統在肺結節術前診斷中的價值。
1 資料與方法
1.1 臨床資料
回顧性納入2018年1月—2019年7月，在我院行胸外科手術的患者。納入標準：（1）保留我院術前電子影像學資料；（2）于我院行手術治療；（3）病理結果不存在爭議；（4）影像學資料提示為周圍型肺疾病，即病變位于段支氣管開口以外的病變；（5）病變為肺內病變；（6）主要收集球型或以球型為主的病變患者。排除標準：（1）周圍型病變術前明確病理；（2）周圍型病變嚴重考慮為炎性或影像學形態極為不規則；（3）中央型或與縱隔胸壁邊界模糊不清的病變；（4）細支氣管內病變。最終納入810例患者，其中男339例、女471例，中位年齡63歲。全組患者臨床資料見表1。根據不同影像學密度，將病理診斷為肺癌的患者分為純磨玻璃結節組（77例）、實性成分<50% 組（97例）、實性成分≥50% 組（219例）和實性病變組（234例）；根據病灶大小，將病理診斷為肺癌的患者分為<1 cm 組（88例）、1～2 cm 組（157例）、>2～3 cm 組（270例）和>3 cm 組（112例）；見表2～3。
表1
810例肺陰影患者臨床資料［例（%）/M（P25，P75）］
表2
不同病灶影像學密度肺癌患者的臨床資料［例/M（P25，P75）］
表3
不同病灶直徑大小肺癌患者的臨床資料［例/M（P25，P75）］
1.2 方法
本組患者術前胸部CT檢查均采用薄層圖像（≤1.5 mm）、16排螺旋CT掃描。掃描范圍從胸腔入口到肺底。全肺掃描，一次呼吸后屏氣。掃描條件：管電壓120 kV、電子管電流200～340 mA、螺距1.375∶1、層厚5 mm、矩陣512×512、視野360 mm。采用標準算法重建切片厚度為1.5 mm的軸向圖像。
本組病例的AI輔助診斷系統采用LinkDoc 2020年2月迭代的肺部腫瘤計算機輔助診斷軟件（版本號v3.0.2.0）。AI輔助診斷過程可以分為四個階段：識別肺部區域、發現病灶、分析病灶信息、評估病灶的惡性概率。首先利用神經網絡技術識別CT影像中的肺部區域，然后在識別的肺部區域進行全盤檢測，查找疑似肺部病灶。在AI檢測階段，找到病灶區域后，首先提取病灶的所有特征，分析病灶信息，包括病灶位置、三維輪廓、最大直徑、體積、密度（磨玻璃、混雜密度、實性）、實性占比等特征。在惡性概率評估階段，將檢測出來的每一個病灶的原始CT圖像和AI提取的特征共同輸入良惡性模型中，最終得出肺病灶的惡性概率，其分布區間為0.1%～99.9%。
1.3 統計學分析
采用SPSS 25.0軟件進行統計分析。分類變量采用例數和構成比（%）描述，組間比較采用χ2檢驗；連續變量采用中位數和上下四分位數［M（P25，P75）］描述。以P≤0.05為差異有統計學意義。采用受試者工作特征（receiver operating characteristic，ROC）曲線確定AI系統診斷的截斷值。
1.4 倫理審查
本研究已通過天津市胸科醫院倫理委員會審批，批準號：2021KY-012。
2 結果
全組810例患者術后病理診斷分為三組：肺癌組627例（77.4%），AI診斷中位惡性概率為86.0%（30.0%，99.0%）；癌前病變組30例（3.7%），AI診斷中位惡性概率為90.0%（67.0%，91.0%）；良性病變組153例（18.9%），AI診斷中位惡性概率為37.0%（3.0%，87.0%）。對810例患者進行AI惡性概率與術后病理診斷關系的ROC曲線分析，結果顯示，AUC為0.882（P<0.05）。當惡性概率為75.0%時，敏感度與特異性之和最高，敏感度為0.856，特異性為0.814；見圖1。
圖1
810例患者AI診斷惡性概率ROC曲線分析
AI：人工智能
對全組810例患者中AI惡性概率≥75.0%的病例（571例）進行分析，術后病理診斷肺癌537例（94.0%）、癌前病變25例（4.4%）、良性病變9例（1.6%）。將AI惡性概率≥75.0%作為診斷肺癌的標準有較高的陽性預測值（94.0%）。
根據不同影像學密度，將全組627例肺癌病例分為純磨玻璃、實性成分<50.0%、實性成分≥50.0%和實性病變4組；見表2。以AI惡性概率≥75.0%為標準進行比較，結果顯示，各組絕大多數患者惡性概率≥75.0%（P<0.001），但組間差異無統計學意義（P＞0.05）；見圖2。
圖2
不同影像學密度肺癌患者AI惡性概率分布
AI 惡性概率≥75.0%患者多于 AI 惡性概率<75.0%患者，差異有統計學意義（
按照病灶大小，將627例肺癌患者分為腫瘤大小＜1 cm，1～2 cm，>2～3 cm和>3 cm 4組；見表3。以AI惡性概率≥75.0%為標準進行比較，結果顯示，各組患者絕大多數惡性概率≥75.0%（P<0.001），但組間差異無統計學意義（P＞0.05）；見圖3。
圖3
不同腫瘤大小肺癌患者AI惡性概率分布
AI 惡性概率≥75.0%患者多于 AI 惡性概率<75.0%患者，差異有統計學意義（
3 討論
本研究結果表明，LinkDoc AI助胸部CT診斷系統對周圍型肺陰影的良惡性診斷具有較高的準確率。以惡性概率≥75.0%為標準，診斷肺癌的陽性預測值可以達到94.0%。本研究顯示，對惡性肺磨玻璃結節和混雜密度結節，AI輔助診斷的惡性概率≥75.0%的比例很高。對于<1 cm和1～2 cm的肺癌結節AI診斷的惡性概率≥75.0%的比例也很高，這種小的磨玻璃狀或混雜密度的肺結節，正是臨床診斷的難點。AI正是在這方面具有獨特的優勢，可以為臨床醫生提供非常有價值的診斷依據。
與傳統的CT檢查相比，AI具有檢出率高、速度快等優點。這些優勢基于對大樣本的深度學習和臨床醫生的反饋。一些研究[7]表明，CT的漏診率可能為0.6%～7.4%。幸運的是，在這項研究中，我們的AI診斷和治療系統沒有遺漏診斷。有研究[8]發現，與CT圖像本身相比，基于CT圖像的計算機算法在檢測外周肺結節方面有很大的改進。有趣的是，我們還發現了大量的假陽性結節，這些結節的直徑通常<5 mm，其中大多數是磨玻璃結節，而這些結節的惡性發生率更高（≥75.0%）。這些假陽性結節的原因包括：氣管相關和血管相關原因，包括增厚、曲折和交叉的血管，增厚的肺門血管等；正常或異常的肺結構，如小葉核心結構、增厚的小葉間隔和小葉內隔；感染性病變，如臍帶、疤痕在不同階段的不透明度等[9]。當然誤報的原因也可能與AI設置的檢測結節大小的極低閾值有關。這些結節的臨床意義尚不清楚，一般不給予過多的臨床干預。這些結節是否能成為早期肺癌，值得進一步研究和分析。
雖然AI系統比CT有一些優勢，但它也有一定的局限性和一定的適用范圍。與中樞結節相比，AI在檢測外周病變方面具有很大的優勢。首先，中樞病變需要更多的條件和參數進行處理，例如增強CT、建立血管、氣管和其它參數。其次，AI系統的第一步是檢測醫學圖像中病變的位置。大多數先前的研究使用了來自肺癌篩查試驗［如國家肺部篩查試驗（National Lung Screening Trial，NLST）］的CT數據，其結節大小在3～30 mm之間，其中大多數是外周結節[10-11]。本研究僅研究了周圍型肺陰影。一些研究[12]表明，隨著腫瘤T分期的增加，AI在評估病變中的準確性會降低。據文獻分析，AI驅動算法可以檢測和分析肺部T1病變（檢出率為90.4%），T2腫瘤檢測良好（檢出率為70.8%）。由于該算法是為<3 cm的肺結節設計的，因此可能不適用于直徑>5 cm的腫瘤。考慮到CT序列作為算法輸入的切片厚度為3 mm，這是在自由呼吸條件下獲得的，并且其中大多數是非增強技術，這更正確。在晚期腫瘤（T3/T4）中，檢測更具挑戰性，檢出率較低。雖然CNN系統比CAD更先進，但直徑≤3 cm的周圍型肺結節在臨床上的比例明顯較高，因此算法存在一定的偏差。本研究發現，隨著肺癌實性成分或腫瘤直徑的增加，AI診斷的準確性呈現下降趨勢。這項研究對癌前病變的惡性腫瘤預測概率很高，類似于肺癌，這是一個意想不到的結果。在AI輔助診斷中，如何保證CT圖像及報告的高質量成為了臨床醫生重要的研究課題，為此臨床醫生探索了不同的方法[13]。然而，即使提倡使用結構化報告，仍然存在漏診的可能性[14-15]。AI基于前期的訓練集及CT圖像，結合大量數據進行深度計算，可成為醫生的得力助手[16]。
綜上所述，利用AI輔助診斷周圍型肺陰影系統對肺癌惡性概率的評估，對肺癌術前診斷效率高且具有重要意義。與CT診斷相比，AI診斷對肺癌診斷的重合率更高。
利益沖突：無。
作者貢獻：杜林負責規劃設計文章思路、文章撰寫、數據收集、數據分析、查閱文獻；張洪參與術前CT的診斷及審核，提供影像學數據；羅翔鳳為AI軟件總負責人，負責設計AI及語法環境的維護，提供AI數據；呂軍負責術前影像診斷及影像學角度反饋AI語法環境；孫大強負責文章設計、審核影像學及AI數據。
肺癌是世界范圍內常見的惡性腫瘤，也是癌癥導致死亡的主要原因。根據世界衛生組織國際癌癥研究機構（International Agency for Research on Cancer，IARC）發布的 2020 年全球最新癌癥負擔數據[1]可知，肺癌在全球癌癥發病占比（11.4%）位居第二，全球癌癥死亡占比（18%）位居第一，嚴重威脅世界人民健康和生命。2020年，中國新發肺癌病例815 563例，死亡714 699例。男性肺癌發病率和死亡率均位居第一；女性發病率位居第二，死亡率位居第一。肺癌的早診、早治是改善預后的最重要方法。近年來，隨著胸部電子計算機斷層掃描（computed tomography，CT）檢查的普及，肺部小結節人群明顯增加。如何準確診斷肺小結節的病變性質，使早期肺癌患者得到及時治療，同時又避免對肺良性病灶進行過度診斷和治療，成為胸部影像學診斷的新挑戰[2-3]。人工智能（artificial intelligence，AI）輔助診斷技術在低劑量CT肺癌篩查中的應用不僅可以降低漏診率，還可以提高工作效率[4-5]。基于深度學習，它在肺結節的診斷方面取得了快速進展。據報道[6]，肺癌預測卷積神經網絡（convolutional neural networks，CNN）評分可以準確而特異性地識別肺結節，曲線下面積（area under the curve，AUC）為0.896，假陰性率為0.4%。AI輔助胸部影像診斷是AI在醫療領域應用比較成功的范例。本項研究使用的AI輔助診斷系統就是一個基于計算機輔助設計（computer aided design，CAD）的3D-CNN網絡，識別模式采用了目標檢測的經典算法Faster-RCNN。2018年7月—2021年11月，在天津市胸科醫院已經輔助診斷了238 119例胸部CT影像資料。相關臨床科室的醫生將AI診斷不準確的地方進行人工修正后及時反饋給AI輔助診斷系統，從而促進了AI診斷準確率的不斷提高。本研究通過比較該系統術前診斷與術后病理結果，旨在評估AI輔助診斷系統在肺結節術前診斷中的價值。
1 資料與方法
1.1 臨床資料
回顧性納入2018年1月—2019年7月，在我院行胸外科手術的患者。納入標準：（1）保留我院術前電子影像學資料；（2）于我院行手術治療；（3）病理結果不存在爭議；（4）影像學資料提示為周圍型肺疾病，即病變位于段支氣管開口以外的病變；（5）病變為肺內病變；（6）主要收集球型或以球型為主的病變患者。排除標準：（1）周圍型病變術前明確病理；（2）周圍型病變嚴重考慮為炎性或影像學形態極為不規則；（3）中央型或與縱隔胸壁邊界模糊不清的病變；（4）細支氣管內病變。最終納入810例患者，其中男339例、女471例，中位年齡63歲。全組患者臨床資料見表1。根據不同影像學密度，將病理診斷為肺癌的患者分為純磨玻璃結節組（77例）、實性成分<50% 組（97例）、實性成分≥50% 組（219例）和實性病變組（234例）；根據病灶大小，將病理診斷為肺癌的患者分為<1 cm 組（88例）、1～2 cm 組（157例）、>2～3 cm 組（270例）和>3 cm 組（112例）；見表2～3。
表1
810例肺陰影患者臨床資料［例（%）/M（P25，P75）］
表2
不同病灶影像學密度肺癌患者的臨床資料［例/M（P25，P75）］
表3
不同病灶直徑大小肺癌患者的臨床資料［例/M（P25，P75）］
1.2 方法
本組患者術前胸部CT檢查均采用薄層圖像（≤1.5 mm）、16排螺旋CT掃描。掃描范圍從胸腔入口到肺底。全肺掃描，一次呼吸后屏氣。掃描條件：管電壓120 kV、電子管電流200～340 mA、螺距1.375∶1、層厚5 mm、矩陣512×512、視野360 mm。采用標準算法重建切片厚度為1.5 mm的軸向圖像。
本組病例的AI輔助診斷系統采用LinkDoc 2020年2月迭代的肺部腫瘤計算機輔助診斷軟件（版本號v3.0.2.0）。AI輔助診斷過程可以分為四個階段：識別肺部區域、發現病灶、分析病灶信息、評估病灶的惡性概率。首先利用神經網絡技術識別CT影像中的肺部區域，然后在識別的肺部區域進行全盤檢測，查找疑似肺部病灶。在AI檢測階段，找到病灶區域后，首先提取病灶的所有特征，分析病灶信息，包括病灶位置、三維輪廓、最大直徑、體積、密度（磨玻璃、混雜密度、實性）、實性占比等特征。在惡性概率評估階段，將檢測出來的每一個病灶的原始CT圖像和AI提取的特征共同輸入良惡性模型中，最終得出肺病灶的惡性概率，其分布區間為0.1%～99.9%。
1.3 統計學分析
采用SPSS 25.0軟件進行統計分析。分類變量采用例數和構成比（%）描述，組間比較采用χ2檢驗；連續變量采用中位數和上下四分位數［M（P25，P75）］描述。以P≤0.05為差異有統計學意義。采用受試者工作特征（receiver operating characteristic，ROC）曲線確定AI系統診斷的截斷值。
1.4 倫理審查
本研究已通過天津市胸科醫院倫理委員會審批，批準號：2021KY-012。
2 結果
全組810例患者術后病理診斷分為三組：肺癌組627例（77.4%），AI診斷中位惡性概率為86.0%（30.0%，99.0%）；癌前病變組30例（3.7%），AI診斷中位惡性概率為90.0%（67.0%，91.0%）；良性病變組153例（18.9%），AI診斷中位惡性概率為37.0%（3.0%，87.0%）。對810例患者進行AI惡性概率與術后病理診斷關系的ROC曲線分析，結果顯示，AUC為0.882（P<0.05）。當惡性概率為75.0%時，敏感度與特異性之和最高，敏感度為0.856，特異性為0.814；見圖1。
圖1
810例患者AI診斷惡性概率ROC曲線分析
AI：人工智能
對全組810例患者中AI惡性概率≥75.0%的病例（571例）進行分析，術后病理診斷肺癌537例（94.0%）、癌前病變25例（4.4%）、良性病變9例（1.6%）。將AI惡性概率≥75.0%作為診斷肺癌的標準有較高的陽性預測值（94.0%）。
根據不同影像學密度，將全組627例肺癌病例分為純磨玻璃、實性成分<50.0%、實性成分≥50.0%和實性病變4組；見表2。以AI惡性概率≥75.0%為標準進行比較，結果顯示，各組絕大多數患者惡性概率≥75.0%（P<0.001），但組間差異無統計學意義（P＞0.05）；見圖2。
圖2
不同影像學密度肺癌患者AI惡性概率分布
AI 惡性概率≥75.0%患者多于 AI 惡性概率<75.0%患者，差異有統計學意義（
按照病灶大小，將627例肺癌患者分為腫瘤大小＜1 cm，1～2 cm，>2～3 cm和>3 cm 4組；見表3。以AI惡性概率≥75.0%為標準進行比較，結果顯示，各組患者絕大多數惡性概率≥75.0%（P<0.001），但組間差異無統計學意義（P＞0.05）；見圖3。
圖3
不同腫瘤大小肺癌患者AI惡性概率分布
AI 惡性概率≥75.0%患者多于 AI 惡性概率<75.0%患者，差異有統計學意義（
3 討論
本研究結果表明，LinkDoc AI助胸部CT診斷系統對周圍型肺陰影的良惡性診斷具有較高的準確率。以惡性概率≥75.0%為標準，診斷肺癌的陽性預測值可以達到94.0%。本研究顯示，對惡性肺磨玻璃結節和混雜密度結節，AI輔助診斷的惡性概率≥75.0%的比例很高。對于<1 cm和1～2 cm的肺癌結節AI診斷的惡性概率≥75.0%的比例也很高，這種小的磨玻璃狀或混雜密度的肺結節，正是臨床診斷的難點。AI正是在這方面具有獨特的優勢，可以為臨床醫生提供非常有價值的診斷依據。
與傳統的CT檢查相比，AI具有檢出率高、速度快等優點。這些優勢基于對大樣本的深度學習和臨床醫生的反饋。一些研究[7]表明，CT的漏診率可能為0.6%～7.4%。幸運的是，在這項研究中，我們的AI診斷和治療系統沒有遺漏診斷。有研究[8]發現，與CT圖像本身相比，基于CT圖像的計算機算法在檢測外周肺結節方面有很大的改進。有趣的是，我們還發現了大量的假陽性結節，這些結節的直徑通常<5 mm，其中大多數是磨玻璃結節，而這些結節的惡性發生率更高（≥75.0%）。這些假陽性結節的原因包括：氣管相關和血管相關原因，包括增厚、曲折和交叉的血管，增厚的肺門血管等；正常或異常的肺結構，如小葉核心結構、增厚的小葉間隔和小葉內隔；感染性病變，如臍帶、疤痕在不同階段的不透明度等[9]。當然誤報的原因也可能與AI設置的檢測結節大小的極低閾值有關。這些結節的臨床意義尚不清楚，一般不給予過多的臨床干預。這些結節是否能成為早期肺癌，值得進一步研究和分析。
雖然AI系統比CT有一些優勢，但它也有一定的局限性和一定的適用范圍。與中樞結節相比，AI在檢測外周病變方面具有很大的優勢。首先，中樞病變需要更多的條件和參數進行處理，例如增強CT、建立血管、氣管和其它參數。其次，AI系統的第一步是檢測醫學圖像中病變的位置。大多數先前的研究使用了來自肺癌篩查試驗［如國家肺部篩查試驗（National Lung Screening Trial，NLST）］的CT數據，其結節大小在3～30 mm之間，其中大多數是外周結節[10-11]。本研究僅研究了周圍型肺陰影。一些研究[12]表明，隨著腫瘤T分期的增加，AI在評估病變中的準確性會降低。據文獻分析，AI驅動算法可以檢測和分析肺部T1病變（檢出率為90.4%），T2腫瘤檢測良好（檢出率為70.8%）。由于該算法是為<3 cm的肺結節設計的，因此可能不適用于直徑>5 cm的腫瘤。考慮到CT序列作為算法輸入的切片厚度為3 mm，這是在自由呼吸條件下獲得的，并且其中大多數是非增強技術，這更正確。在晚期腫瘤（T3/T4）中，檢測更具挑戰性，檢出率較低。雖然CNN系統比CAD更先進，但直徑≤3 cm的周圍型肺結節在臨床上的比例明顯較高，因此算法存在一定的偏差。本研究發現，隨著肺癌實性成分或腫瘤直徑的增加，AI診斷的準確性呈現下降趨勢。這項研究對癌前病變的惡性腫瘤預測概率很高，類似于肺癌，這是一個意想不到的結果。在AI輔助診斷中，如何保證CT圖像及報告的高質量成為了臨床醫生重要的研究課題，為此臨床醫生探索了不同的方法[13]。然而，即使提倡使用結構化報告，仍然存在漏診的可能性[14-15]。AI基于前期的訓練集及CT圖像，結合大量數據進行深度計算，可成為醫生的得力助手[16]。
綜上所述，利用AI輔助診斷周圍型肺陰影系統對肺癌惡性概率的評估，對肺癌術前診斷效率高且具有重要意義。與CT診斷相比，AI診斷對肺癌診斷的重合率更高。
利益沖突：無。
作者貢獻：杜林負責規劃設計文章思路、文章撰寫、數據收集、數據分析、查閱文獻；張洪參與術前CT的診斷及審核，提供影像學數據；羅翔鳳為AI軟件總負責人，負責設計AI及語法環境的維護，提供AI數據；呂軍負責術前影像診斷及影像學角度反饋AI語法環境；孫大強負責文章設計、審核影像學及AI數據。
