人工智能辅助诊断系统在肺结节筛查的临床价值

李晓琳　蔡喜梅　代孔灵

【摘 要】目的： 探讨人工智能辅助诊断系统（AI）在肺结节筛查的临床价值。方法：随机选取本院2019年3月-2019年9月期间我院行AI系统诊断为肺结节的患者160例，将同一检查图像由临床和CT医师共同人工识别，比较两者结节检出差异率。结果：AI软件系统共检测出704个结节，医师人工检测出683个，差异无统计学意义（P>0.05），主要体现在结节<5mm、在5mm-10mm之间的结节，以及实性结节和磨玻璃密度结节的检出率。结论：人工智能的胸部CT智能辅助诊断系统运用在肺结节的检测中可以提高对微小结节的检测率，AI系统在检测微小结节时具有很高的优势。

【关键词】人工智能;肺结节;胸部CT

【中图分类号】R749.4 【文献标识码】A 【文章编号】1005-0019（2020）10-038-02

肺癌的早期表现为肺结节，对肺癌的诊断多数采用CT技术，但是大量的CT影像需要医师们的精准分析，大大增加了医师们的阅片压力，这很可能造成漏诊情况的发生[1]。目前人工智能（AI）算法已经成为肺结节检测的热点方向，能够帮助医师迅速且准确的找到肺结节，尽早发现肺癌风险，提升肺癌检测与防治的效率，有利于肺癌患者病情的及早发现、诊断与治疗。本文旨在利用AI辅助诊断来提高肺结节检出率，并分析其在临床应用中的价值。

1 资料与方法

1.1 一般资料 在云南省中医医院AI系统中随机选取2019年3月-2019年9月期间在我院行诊断为肺结节患者160例，患者最小年龄是25岁，最大年龄74岁。患者图像入选标准：图像显示至少1枚非钙化结节;有层厚≤1.25mm的胸部CT图像;排除患有肺炎、肺水肿、纤维化、广泛瘢痕形成，间质性肺病、弥漫性转移以及存在严重运动伪影。

1.2 CT扫描 所有患者使用每个GE公司128层排螺旋CT进行扫描。对患者进行扫描时，均以胸廓入口开始至肺底部，扫描全过程需要患者一次吸气后屏气待全肺扫描结束。扫描管电压值设置为120kV或140kV;管电流值设置在200mA-340mA;层厚设置为0.625mm，螺距设置为1.375：1;图像矩阵设置为512×512。

1.3 AI肺结节检测 （1）AI系统使用由北京推想科技有限公司提供AI软件，由AI软件对患者数据的肺结节进行批量识别与标记。（2）人工识别由我院肿瘤科医师、肺病科、放射科主治医师共同参与，需至少3位医师达成一致意见为准。

1.4 结节标准认定 结节的认定在CT横断面实施观察，对疑似病灶位置进行确定后，将每个非钙化结节的位置、密度、大小进行详细记录。结节位置按照与胸膜的位置分组：与胸膜相连的为一组，与胸膜距离在2cm以内但不相连的为周围性结节组，结节与肺门距离在2cm以内为肺门区结节组，结节位于周围性结节与肺门区结节之间的为中心性结节。结节大小分组：结节<5mm、结节在5mm-10mm间以及结节>10mm。结节密度可分为磨玻璃密度结节、部分实性结节、实性结节。磨玻璃密度结节定义：肺内模糊、密度比肺组织稍大而没有遮盖血管、支气管等肺纹理结构的结节;部分实性结节定义：结节内同时含有磨玻璃密度成分和实性软组织密度成分[2]。

1.5 统计学处理用SPSS21.0统计学分析软件进行统计分析和处理。

2 结果

AI软件系统共检测出704个结节，医师检测出683个，AI系统对肺结节检出率的灵敏度稍高于医师检出率，但两者之间无明显差异（P>0.05）。AI系统检测较医师检测出更多的肺结节多在于结节<5mm、在5mm-10mm之间的结节，以及实性结节和磨玻璃密度结节。医师在检测<5mm结节时漏检20例，5mm-10mm之间的结节漏检8例;实性结节漏检17例，磨玻璃密度结节漏检11例。 AI系统在检测结节<0.05mm时漏检7例;实性结节漏检6例，磨玻璃密度结节漏检1例。AI系统在检测微小结节时的灵敏度明显高于醫师（P<0.05）。

3 讨论

肺癌是临床常见恶性肿瘤，具有高病死率，有研究表明在肺癌早期患者中，微浸润性癌与原位癌在术后五年的生存率非常高[3]，由此可见，肺癌越早发现越早治疗对患者的预后有很重要的意义。AI系统出现后，应用于肺结节的检测中，不仅减轻了医师的工作量，同时降低了误诊与漏诊率。AI系统已经广泛运用与影像、病理等多个医学领域，AI系统主要用于异常发现、量化测量等方面。但是AI系统的运用处于早期阶段，仍有很多问题等待改善。

在非钙化结节的检出情况中，AI系统的检出率略高于医师的检出率，尤其表现在实行结节和结节<5mm。医师漏检结节主要集中在<5mm的结节，漏检20例，这主要是因为人眼对特别小的结节会看不见，除非仔细观察连续断面图像，由于片量加大及时间问题，容易造成医师漏检;而AI系统在检测<5mm结节时，也漏诊了7例，主要是因为在对影响进行检测时采用的是水平轴位图像，这时的小结节类似于血管断面轴位的投影，因此容易漏诊。AI系统在检测微小结节时的灵敏度明显高于影像医师（P<0.05），这说明AI系统检测微小结节时比医师检测时更具有优势，但是对于血管断面等结节的判断仍会出现失误，这是AI系统需要改进的地方。AI系统检测结果要与临床特征相结合，对患者的预后能力可以大幅度提高，这样也是AI系统在未来发展的方向。

综上所述，人工智能的胸部CT智能辅助诊断系统运用在肺结节的检测中可以提高对微小结节的检测率，但对于血管断面等结节的判断还待改进，目前可以作为影像医师在筛查肺结节中的辅助工具。

参考文献

[1]Sui Y，wei Y，Zhao D.Computer-aided lung nodule recognition by SVM classifier based on combination of random underampling and SMOTE.Comput Math Methods Med，2015，2015：368674.doi：10.115/2015/368675

[2]李欣菱，郭芳芳，周振等.基于深度学习的人工智能胸部CT肺结节检测效能评估[J].中国肺癌杂志，2019，6（6）：336-340.

[3]蔡雅倩，张正华，韩丹等.AI对肺磨玻璃结节筛查及定性的临床应用研究[J].放射学实践，2019，9（9）：598-562.