人工智能對肺磨玻璃結節檢出及定性診斷價值研究

趙正凱，梁 勇，周建收，李建林，李 婭， 程紹玲

(1. 成都市第三人民醫院 放射科，四川 成都 610031；2. 大連醫科大學附屬第二醫院 放射科，遼寧 大連 116027)

肺癌的發病率和死亡率較高，是對人類健康和生命威脅最大的惡性腫瘤之一[1]。既往研究發現早期肺癌可表現為磨玻璃結節(ground glass nodule，GGN)[2]，因此在大量胸部影像中檢出并正確診斷GGN是當前醫患共同的迫切需求。近年來越來越廣泛應用的高分辨胸部CT 篩查使GGN的檢出率顯著提高，可實現肺癌早診早治，降低死亡率，但影像科醫師的工作負擔日益加重?；谏疃葘W習的人工智能(artificial intelligence, AI)已應用于高分辨胸部CT，其對GGN的快速檢出和定性，可幫助醫師減少工作量，但AI的準確性目前研究較少。本研究旨在探討基于深度學習的AI在胸部CT磨玻璃結節檢測及良惡性診斷中的應用價值。

1 資料與方法

1.1 研究對象

收集2018年6月至2020年6月于成都市第三人民醫院術前行胸部高分辨CT檢查，并行胸腔鏡手術切除肺GGN的患者共123例，共切除154枚GGN。其中男性35例，女性88例，年齡27～81歲，平均年齡(57.8±11.3)歲。

排除標準：(1)嚴重運動偽影；(2)間質性肺病、纖維化；(3)肺炎；(4)肺水腫。

1.2 CT掃描方法

采用Philips Brilliance iCT 256 層螺旋 CT，管電壓120 kV，管電流39 mAs，螺距0.8，層厚8 mm，使用標準算法重建1.5 mm層厚軸位圖像。采用西門子16排CT掃描儀，管電壓120 kV，管電流自動調整，螺距1.2，層厚10 mm，使用標準算法重建1.5 mm層厚軸位圖像。Philips Brilliance iCT 256 層螺旋 CT掃描75例共切除94枚GGN；西門子16排CT掃描48例共切除60枚GGN。

1.3 肺結節檢測及標準認定

基于深度學習模型的AI軟件由圖瑪深維醫療公司提供，將123例胸部高分辨CT薄層圖像傳輸至AI工作站，軟件系統自動識別、標記肺GGN及良惡性診斷，GGN標記的惡性概率<50%認定AI診斷為良性可能，惡性概率≥50%則認定AI診斷為可疑惡性。

影像醫師組GGN的檢測及定性診斷先由高年資住院醫師對高分辨薄層胸部CT圖像進行檢測，并根據GGN的大小、密度、形態及與周圍血管支氣管的關系診斷GGN為良性可能或可疑惡性，隨后經副主任醫師審核后完成。另兩名高級職稱影像科醫師結合人工智能并參考已審核的影像報告在胸部CT橫軸位圖像進行GGN檢測及認定，兩人意見不一致時結合多平面重建并討論獲得一致性結果作為真GGN檢出的金標準。手術病理結果作為GGN定性診斷的金標準。分別記錄人工智能軟件和影像醫師檢測的每個磨玻璃結節的大小及良惡性；GGN的大小分為<5 mm和≥5 mm。

1.4 統計學方法

所有數據采用SPSS 21.0 統計學軟件處理。分別計算影像醫師、人工智能對GGN檢測的靈敏度、陽性預測值及假陽性率；采用McNemar檢驗比較影像醫師和人工智能對GGN檢出的能力。計算AI、影像醫師及AI聯合影像醫師診斷惡性GGN的敏感度、特異度、陽性預測值及陰性預測值。P<0.05為差異有統計學意義。

2 結 果

2.1 AI和影像醫師對GGN檢出的靈敏度、陽性預測值及假陽性結節個數

123例患者高分辨胸部CT中兩名高年資影像科醫師結合人工智能總共檢出289枚真GGN，AI和影像醫師檢出真磨玻璃結節情況比較見表1。AI和影像醫師檢測的靈敏度分別為(94.8% vs. 85.1%)，陽性預測值分別為(94.2% vs. 100%)。對于≥5 mm的219枚GGN，AI和影像醫師檢測的靈敏度分別為(96.8% vs. 94.5%)，陽性預測值分別為(95.1% vs. 100%)。典型病例圖像見圖1～4。

AI的假陽性結節個數為17個，假陽性率為每例胸部CT 0.14個GGN；其中8例表現為少許炎癥；4例表現為小葉中央結構；3例表現為血管分叉、聚集、迂曲偽影；2例表現為條索影的容積效應。影像醫師無假陽性磨玻璃結節檢出。

表1 AI和影像醫師檢出真磨玻璃結節情況比較

圖1 男，54歲，左肺上葉小血管分叉并呼吸運動偽影，AI假陽性Fig.1 Male, 54 years old. The left upper lobe showed small blood vessels bifurcation and respiratory motion artifacts, false positive case by AI

圖2 男，78歲；左肺上葉多支血管聚集，并見臨近氣管結構，AI假陽性Fig.2 Male, 78 years old. The left lung upper lobe showed gathering of multiple blood vessels and adjacent trachea structure, false positive case by AI

圖3 男，45歲，左肺下葉磨玻璃結節，直徑約4 mm；影像醫師漏診，AI實現檢測Fig.3 Male, 45 years old. The ground glass nodule of the left lower lobe was about 4mm in diameter, which was missed by radiologist and detected by AI

圖4 男，55歲；右肺上葉多支氣管、血管旁結節，直徑約7 mm，影像醫師漏診，AI實現檢測Fig.4 Male, 55 years old. Multibronchi and paravascular nodule in the right upper lobe, about 7 mm in diameter, was missed by radiologist and detected by AI

2.2 病理結果及兩種診斷方法對GGN定性診斷效能

123例患者經手術后共切除154枚磨玻璃結節，AI與影像醫師均全部檢出；包括浸潤性腺癌42枚、微浸潤性腺癌25枚、原位腺癌46枚、不典型腺瘤樣增生23枚、良性磨玻璃結節18枚。計算AI、影像醫師及AI聯合影像醫師診斷惡性GGN的效能情況見表2。

3 討 論

本研究結果顯示AI檢測GGN的敏感度較高，且AI假陽性率很低。AI對惡性GGN診斷效能較弱，但AI診斷惡性GGN的敏感度高于影像醫師，AI聯合影像醫師診斷惡性肺結節效能高于AI或影像醫師單獨診斷。

表2 AI、影像醫師及AI聯合影像醫師診斷惡性GGN效能情況(%)

本研究中AI和影像醫師對于≥5 mm的GGN檢出敏感度均較高，特別是對于經手術切除的154枚GGN，AI和影像醫師均全部檢出，說明AI和影像醫師對于較大的具有可疑惡性征象的GGN檢出率較為相近；而對于<5 mm的GGN，AI檢出的敏感度明顯高于影像醫師，分析其原因為人工智能經過大量的數據處理和學習，能自動對圖像進行特征提取，獲取其三維信息，并對GGN進行識別、定性；其次影像醫師對于微小GGN的稍高密度影肉眼不敏感容易遺漏，不能長時間集中注意力不可避免的漏診。本研究結果顯示AI對惡性GGN診斷效能較弱，其原因為AI的特異度很低，即對良性GGN的診斷能力很差，可能因AI訓練時良性GGN病例數不夠，學習效果不佳，導致很多GGN誤判為惡性；但是AI診斷惡性GGN的敏感度高于影像醫師，影像醫師對于正確診斷良性GGN方面優于AI，所以AI聯合影像醫師診斷可以提高GGN的總體診斷效能。

敏感度高的檢測或診斷方法適用于若發生漏診則會導致嚴重后果，或者用于篩查發病率低的人群[3]。蔡雅倩等[4]研究顯示AI和住院醫師檢出GGN的敏感度分別為93.98%、65.20%，與本研究AI檢出GGN的敏感度94.8%相似，但本研究醫師檢出GGN的敏感度更高為85.1%，原因可能為分組不一致，本研究的醫師組為住院醫師檢測GGN后并由高年資醫師審核。本研究AI假陽性率為每例胸部CT 0.14個結節，假陽性GGN主要表現為少許炎癥、小葉中央結構、血管分叉聚集及迂曲偽影，以往少有文獻報道。李甜等[5]研究顯示AI和醫師診斷惡性GGN的敏感度分別為91.5%、87.2%，特異度分別為57.1%、85.7%；其敏感度稍低于本研究結果，特異度較明顯高于本研究，原因可能為深度學習模型的算法不同及樣本量不同。本研究AI診斷GGN的特異度很低，如果僅參考AI檢測結果進行隨訪甚至手術治療，會浪費醫療資源、可能造成患者恐慌和焦慮，對這些結節進一步分析是否需要臨床干預是醫師所面臨的問題；故AI對于良性GGN的診斷訓練也應該加強。

GGN在高分辨胸部CT上表現為局灶性云霧狀稍高密度影，又可以看到穿行其內的血管和支氣管影，混合型GGN內可見局灶結節狀軟組織密度影。GGN的病理結果可能為局灶炎癥、局灶性纖維化等良性病變，也可能為不典型腺瘤樣增生、原位腺癌、微浸潤性腺癌或浸潤性腺癌[6]；既往研究表明，持續存在的GGN具有很高的惡性風險[7]；但是不典型腺瘤樣增生、原位腺癌和微浸潤性腺癌等浸潤前病變術后5年生存率可接近100%[8-9]，因此早診斷、早治療顯得尤為重要。本研究使用的AI軟件基于卷積神經網絡，可自動選擇最佳三維圖像特征，獲得更多的肺結節特征，得到更高的檢出率和更準確的定性診斷能力。蔡雅倩等[4]的研究表明AI聯合醫師診斷與醫師單獨診斷1例胸部CT所需平均時間分別為3.6 min、7.1 min，說明AI可以加快醫師的診斷速度。雖然有很多關于人工智能取代影像科醫生的推測，但目前人工智能在放射學中的大多數應用是作為影像科醫生的助手[10]。近年來人工智能技術在醫學影像領域的應用越來越廣泛[11-13]，其快速的檢測、診斷速度和長時間高精度工作的優勢[14-15]，可以有效緩解影像醫師閱片診斷的壓力，將時間用于和患者溝通、與臨床醫師會診等。本研究證實AI聯合影像醫師診斷GGN的效能高于AI或影像醫師單獨診斷，一方面AI對于GGN的檢出和惡性結節診斷具有很高的敏感度避免結節漏診，另一方面影像醫師可以利用多平面重建等觀察結節的大小、形態、邊緣、密度、與支氣管和血管的關系進行綜合判斷[16]，故我們建議影像醫師診斷工作中可參考AI的診斷結果。

本研究的局限性：(1)回顧性的收集肺GGN手術病例，存在一定的選擇性偏倚；(2)由于原位癌、微浸潤性腺癌可發展為浸潤性腺癌，故本研究將病理結果為原位癌、微浸潤性腺癌的GGN納入惡性組中，可能存在一定的分組偏倚。

綜上所述，AI檢測GGN的敏感度較高，且AI假陽性率很低。AI診斷惡性肺結節的敏感度高于影像醫師，AI聯合影像醫師診斷GGN的效能高于AI或影像醫師單獨診斷；因此，建議AI聯合影像醫師共同檢出和診斷GGN。