能谱CT虚拟平扫在肺结节AI辅助诊断系统预测亚实性结节恶性概率中的应用

陈疆红，钟朝辉，王大为，杨正汉，王振常，江桂莲

近几年来能谱CT在临床得到了广泛应用，其中虚拟平扫(virtual non-contrast，VNC)是其主要应用领域之一，它利用70 keV的单能量图像抑制增强图像上碘物质的密度而获得[1]。既往许多研究中比较了肺部VNC图像与常规平扫(true non-contrast，TNC)图像的质量差异，包括图像的主观评分、噪声、信噪比及对比噪声比，以及对肺内结节病灶的毛刺征、兔耳征、空洞和卫星灶等有定性意义征象的显示情况等，结果均显示出VNC图像具有替代TNC图像的潜能，最重要的是患者所受辐射剂量可以降低约30%[2-4]。

人工智能(artificial intelligence，AI)在计算机视觉领域中已逐步得到广泛的研究和应用，主要针对分类、检测、分割以及配准任务，其中AI肺结节辅助诊断系统发展较为成熟，许多研究结果显示AI在肺结节辅助检测方面具备良好的表现和效能[5-7]。随着相关软件的不断开发和更新，以及对大量数据的深度学习，其功能也在不断拓展，例如自动测量肺结节的体积、密度以及对结节良恶性的预测等功能。本研究基于AI肺结节辅助诊断系统，比较VNC图像与TNC图像对亚实性肺结节的检测效能的差异，从AI肺结节辅助诊断系统适用性的角度去探讨VNC替代TNC的可能性。

材料与方法

1.一般资料

将2017年7月-2019年7月因常规体检发现肺内占位病变、拟行手术治疗而收入我院胸外科的患者纳入观察。纳入标准：①术前行胸部平扫和增强能谱CT检查并有薄层图像(层厚1.25 mm)；②肺内至少存在一个亚实性结节并经手术切除；③亚实性结节的病理结果为腺癌浸润前病变或浸润性腺癌。排除标准：①合并弥漫性肺疾病；②图像上有明显移动伪影。

最终共纳入符合条件的86例患者，男26例，女60例，年龄31～82岁，平均(61.33±11.66)岁。根据肺内结节的病理结果分为3组，A组为浸润前病变，包括不典型腺瘤样增生(atypical adenomatous hyperplasia，AAH)及原位腺癌(adenocarcinoma in situ，AIS)，B组为微浸润腺癌(minimally invasive adenocarcinoma，MIA)，C组为浸润性腺癌(invasive adenocarcinoma，IAC)。

2.数据采集

使用GE Revolution 256排螺旋CT机。于吸气末屏气扫描，扫描范围自肺尖至肺底，嘱患者每次扫描屏气程度尽量保持一致。平扫及增强扫描均采用能谱成像模式，扫描参数：80/140 kVp，自动管电流调节(automatic tube current modulation，ATCM)技术，最大管电流260 mA，层厚5 mm，螺距0.984，0.5 s/r，床进速度78.75 mm/s，噪声指数(noise index，NI)12，30%自适应迭代重建(adaptive statistical iterative reconstruction，ASiR)-V算法，采用标准重建方式，重建层厚1.25 mm、层间距1.25 mm。双期增强扫描：经肘正中静脉注入欧乃派克100 mL(300 mg I/mL)，注射流率3.3 mL/s，之后以相同流率注入20 mL生理盐水，动脉期延迟时间为30 s，延迟期为90 s。将动脉期增强图像进行重建获得VNC图像。

将TNC及VNC图像(层厚1.25 mm、层间隔1.25 mm)上传至AI肺结节辅助诊断系统(InferRead CT Lung Research,Infervision,Beijing)，记录AI系统在TNC及VNC图像上对靶结节的识别情况，包括结节是否被检测出、结节的密度、体积及恶性概率预测值。

3.金标准的建立

亚实性结节(subsolid nodule，SN)定义为含有磨玻璃密度的结节，包括纯磨玻璃密度结节(pure ground glass nodule，pGGN)及混杂磨玻璃密度结节(mixed ground-glass nodule，mGGN)[8-9]。磨玻璃密度(ground glass opacity，GGO)表现为肺内密度增高影，但不掩盖其中走行的支气管和血管影。

图1 微浸润腺癌患者，男，65岁，体检发现左肺上叶前段一纯磨玻璃密度结节，大小约10 mm×14 mm。a) TNC图像，此结节均被AI肺结节辅助诊断系统检出(绿框)，且自动预测此结节的恶性概率值为82.41%； b) VNC图像，肺结节辅助诊断系统检出了此结节(绿框)，且自动预测结节的恶性概率值为80.97%。

本研究首先由两位从事呼吸系统影像诊断工作15年及17年的副主任医师分别在PACS工作站上调阅1.25 mm层厚的图像，判断结节的密度(pGGN或mGGN)并选择符合要求的亚实性结节纳入研究，记录和测量结节的位置和直径，当两位医师对结节密度的判断存在歧义时，由第三位更高年资医师进行裁定。观察图像的窗宽为1600 HU、窗位为-700 HU。

4.X线辐射剂量

查阅每位患者扫描后CT机自动给出的剂量报告，记录总剂量长度乘积(dose length product,DLP)和平扫DLP，并计算有效剂量(effective dose，ED)[10]：

ED=DLP×0.014 mSv/(mGy·cm)

(1)

5.统计学分析

使用IBM SPSS 20.0软件包进行数据的统计分析。计算AI系统在TNC及VNC图像上对靶结节的检出率(即敏感度)。每组计量数据均做正态性检验(Shapiro-Wilk test)，符合正态分布的计量资料以均数±标准差的形式表示，非正态性计量资料采用中位数(上、下四分位数)的形式表示。TNC及VNC图像上三组之间AI对病变恶性概率预测值和体积测量结果的比较采用Kruskal-Willis检验，CT值的比较采用单因素ANOVA检验；对三组间差异有统计学意义的指标进行组间两两比较。对每组中TNC与VNC图像上结节的CT值、体积及AI对结节恶性概率的预测值进行配对样本非参数检验(Wilcoxon检验)或配对样本t检验。对利用TNC及VNC图像获得的靶结节恶性概率预测值、平均CT值及平均体积进行相关性检验，正态分布的数据资料采用Pearson相关性分析，非正态分布的资料采用Spearman相关性分析，相关系数r=0.10～0.39为相关性弱，r=0.40～0.69为相关性中等，r=0.70～1.00为相关性强。

结 果

86例患者中共计切除了88个亚实性结节，其中A组25例共27个结节；B组28例共28个结节，C组33例共33个结节。各组结节的密度及平均直径测量结果见表1。AI肺结节辅助诊断系统在TNC及VNC图像上均可以检测到这88个靶结节(图1)，检出敏感度为100%(88/88)。

表1 三组中结节的基本特征

在3组病变的TNC及VNC图像上，AI系统预测靶结节的恶性概率、组内及组间比较结果见表2。在TNC或VNC图像上，AI预测结节恶性的概率在三组间的差异均有统计学意义(P<0.001)。进一步进行组间两两比较，差异均有统计学意义：TNC图像上，P1(A组与B组)=0.022，P2(B组与C组)=0.023，P3(A组与C组)<0.001；VNC图像上，P1(A组与B组)=0.010，P1(A组与B组)=0.040，P3(A组与C组)<0.001。每组中基于TNC和VNC图像，AI对结节恶性概率预测值的配对样本非参数检验(Wil-coxon检验)结果显示，两种图像间的差异均无统计学意义(P>0.05)。

表2 三组中TNC和VNC图像上AI对结节恶性概率的预测值

AI肺结节辅助诊断系统可以自动显示靶结节的CT值，3组中结节的CT值及组间和组内比较结果见表3。在TNC和VNC图像上，三组间结节CT值的差异均有统计学(P<0.001)。进一步进行组间两两比较：TNC图像上，各组间的差异均有统计学意义，P1(A组与B组)=0.044，P2(B组与C组)<0.001，P3(A组与C组)<0.001；VNC图像上，各组间差异均有统计学意义，P1(A组与B组)=0.016，P2(B组与C组)<0.001，P3(A组与C组)<0.001。同时，对每组中靶结节在TNC和VNC图像上的CT值进行配对样本t检验，仅A组中差异具有统计学意义(P<0.05)。

表3 三组中TNC和VNC图像上结节的CT值 (HU)

表4 三组患者的TNC和VNC图像中结节体积(mm3)的比较

三组中AI肺结节辅助诊断系统测量的结节直径及组内和组间比较结果见表4。在TNC和VNC图像上，三组间靶结节体积的差异均有统计学意义(P<0.001)。进一步组间两两比较结果显示：TNC图像上，A组与B组之间以及A组与C组之间结节体积的差异有统计学意义(P=0.001；P<0.001)，而B组与C组间结节体积的差异无统计学意义(P=0.161)；VNC图像上，测量的结节平均体积两两组间比较，A组与B组之间、B组与C组之间、以及A组与C组之间结节体积的差异均有统计学意义(P=0.001；P=0.032；P<0.001)。A组和B组中VNC图像上测量的结节体积较TNC图像分别要小8.8%和10.9%，差异均具有统计学意义(P<0.05)。

对基于TNC和VNC图像AI肺结节辅助诊断系统获得的靶结节恶性概率、CT值和体积进行相关性检验，结果显示两种图像上获得的各指标测量结果均具有较强的相关性，详见表5。

表5 各指标在TNC与VNC图像上测量结果的相关性

本研究中患者行CT检查的总ED为(8.31±1.20)mSv，其中TNC的ED为(2.74±0.44)mSv，若在肺部双期增强扫描中应用VNC代替TNC，患者所受辐射剂量将减少33%。

讨 论

能谱CT突破传统CT的局限，可以得到能谱曲线、有效原子序数、碘浓度和水浓度等参数，除了为病变诊断提供形态学信息外，还提供了功能学信息。本研究应用的GE revolution CT是单源双能量CT，可以提供两种VNC图像，一种为抑碘图，即在增强图像数据中将碘物质提取出来并加以抑制，另一种为水基图，即在水(碘)密度图上不显示分离出来的碘物质。本研究中对增强后动脉期图像的原始数据进行“抑碘”处理而得到VNC图像。

本课题选择的研究对象为亚实性结节，包括纯磨玻璃密和混杂磨玻璃密度结节，且经病理证实为腺癌浸润前病变和浸润性腺癌。我们按肿瘤侵袭性由小到大将结节分为3组：AAH和AIS(A组)，MIA(B组)，IAC(C组)。然而，3组结节在CT表现上有一定重叠，即IAC也可表现为纯磨玻璃密度结节，而AAH、AIS和MIA由于肺泡壁的萎陷和纤维成分的增生也可以表现为混杂磨玻璃密度结节。

术前的精准诊断是关系到患者治疗和预后的重要环节，这也成为放射科医师当前面临的挑战之一。在诸多既往研究中，有学者分析了磨玻璃密度结节的大小、密度等形态学特征，认为结节的侵袭性与其大小和密度具有相关性[11-12]。Lee等[13]则认为，直径大于15 mm或CT值大于-472 HU的纯磨玻璃密度结节很可能是浸润性腺癌。此外，也有研究结果显示能谱CT的多参数信息提高了分析、鉴别此类结节的能力，在140 keV单能量图像上病灶的CT值(≥-476.4 HU)结合直径(>16.1 mm)可以提高对IAC的诊断能力和敏感性[14]；而增强扫描获得诊断信息可以进一步提高对此类结节的鉴别效能[15-16]，但随之出现的问题是患者所受的X线辐射剂量增大。针对这个问题，陆续有研究探讨了虚拟平扫代替普通平扫的可能性。Chae等[17]研究显示实性结节在VNC图像上的CT值与TNC图像上的比较无明显差异。吕燕等[3]的文章中也指出，针对肺部结节和肿块病变的诊断，VNC图像有替代TNC图像的潜能。与以往研究类似，本研究结果显示，在利用AI肺结节诊断系统进行亚实性结节检测、测量和良恶性预测时VNC具有替代TNC的潜能，不仅能够减少X线辐射剂量，从而使得对于X线敏感的人群、尤其是儿童起到很好的保护作用，同时也可以简化工作流程、提高放射科的工作效率。

既往对磨玻璃密度结节的虚拟平扫图像质量的研究较少。我院既往对于此类结节的研究显示，VNC图像上结节的密度与TNC比较无明显差异[18]。本研究中选取结节最大层面手动勾画感兴趣区，并复制粘贴到其它序列相应层面图像上结节的相同位置进行参数值，但手动操作的测量误差是难以避免的，而应用AI软件自动对靶结节进行3D分割，自动给出结节的CT值及体积，从而能显著降低测量的误差，测量的一致性和可重复性较高。因此，本研究中使用较成熟的基于深度学习的AI肺结节辅助诊断系统，分析其在VNC与TNC图像上测量和预测结节参数的一致性。

首先，比较了VNC与TNC图像上三组亚实性结节的平均CT值，结果显示A组和C组的VNC图像上结节的CT值较TNC图像上分别减少了约12和10 HU，而B组却增加了约4 HU，但总体而言，所有亚实性结节在VNC和TNC图像上的CT值相关性非常高。

比较三组间结节的体积，A组和B组中结节体积在VNC图像上较TNC减小，且差异有统计学意义，而C组中结节体积在两种图像间的差异无明显变化，而所有亚实性结节在VNC和TNC图像上的体积亦具有较高的相关性。

有研究结果显示，VNC图像上实性结节的体积较常规图像减少了5.5%[19]。而本研究中实验对象为亚实性结节，分析数据的变化可能是由于在VNC图像的处理过程中，会有数据的部分丢失，这对此类结节的密度及体积的影响会大于实性结节，因此本研究中大部分结节在VNC中较TNC中的密度较低且体积减小，此外，不同次扫描时吸气程度的差异亦会导致亚实性结节密度及体积的变化。但是，这些变化最终并未对结节恶性概率的预测值产生明显影响，三组中结节的恶性预测概率在VNC与TNC图像间的差异均无统计学意义。

本研究的局限性：首先，入组病例偏少，不可避免存在选择偏倚；其次，本研究仅纳入了亚实性结节，有待进一步补充实性密度结节作为研究样本，全面评估该AI肺结节辅助诊断系统利用VNC图像时的效能，进而证实VNC图像取代TNC图像的可行性；最后，本研究仅应用了当前一款较成熟的AI软件，尚不能全面代表现阶段AI辅助诊断的价值。

总之，现阶段应用的AI系统对不同病理类型的亚实性密度肺腺癌的恶性概率预测在TNC图像上有较好的表现，在VNC图像上同样具有这种鉴别诊断能力，从另一个角度支持了VNC取代TNC的潜力，同时也进一步展现了AI肺结节系统良好的辅助诊断能力。