AI深度学习模型肺结节应用研究进展

陈琼英

（自贡市第三人民医院放射科 四川 自贡 643000）

AI是研发用于模拟人类大脑学习并延伸人类能力的新型智能技术科学,在某些领域能够匹敌甚至超越人类的能力[1]。近年来，AI在医学图像的自动定量图像表征中取得了极大的进展，它的代表之一是深度学习（DL）模型算法，目前已广泛应用于肺结节良恶性鉴别及随访、肺癌的早期检测、分子亚型分析以及疗效预测等。

1 在肺结节的检测中的应用

DL在肺结节检出上表现出巨大的潜力及后劲，可以弥补图像处理法检出肺结节假阳性率的偏高的不足，同时改善了经典机器学习法因一般采用人为设计的特征提取器进行特征选择造成部分结节信息的丢失。

1.1 肺结节检出的效能

Liu 等[2]采用DL模型自动检测肺结节，并与放射科医生的诊断效能进行比较，结果表明DL模型显示出更高的诊断敏感性，且不受CT检查机型、辐射剂量或患者年龄的显著影响；且当放射科医生联合DL模型进行辅助诊断时，可提高整体诊断效能，明显减少诊断时间。

1.2 肺结节不同因素对DL模型检测的影响

Setio等[3]采用DL模型对肺结节进行检测，结果显示肺结节的检测受结节类型、大小、形态等多个因素的影响：实性结节的检出敏感度明显高于磨玻璃结节的检出；结节体积越小，总检出率越低，而＞10mm实性结节检出敏感度明显低于3～10mm的实性结检出敏感度；此外结节形态的不规则是造成假阳性率高的主要因素之一。

1.3 不同算法对肺结节的检出

DL的神经网络算法有很多，包括卷积神经网络（CNN）、基于大规模训练神经网络（MTANN）、深度神经网络（DNN）等。

1.3.1 CNN CNN系统最早于2005年[4]便运用于肺结节的检测，有学者[5]基于DL模型CNN算法运用于胸部X片，以对肺结节及恶性肺结节自动检测，均显示与之前报道的传统计算机辅助诊断及医师诊断假阳性率、特异性、敏感性等具有明显优势。CNN在CT肺结节筛查中的应用也非常广泛，Setio等[3]对实性结节及亚实性结节进行检测，发现对实性结节的检出敏感度明显高于磨玻璃结节，混合磨玻璃结节的敏感度高于纯磨玻璃结节。

1.3.2 MTANN MTANN多用于图像的分割、模式分类、目标的检测、图像质量减噪等，它的运用有一定的局限性，适用于训练集较小的数据处理。Suzuki等[6]采用该算法进行肺结节检出，其检出敏感度为80.3%，假阳性率为4.8 FPs/Scan。

1.3.3 DNN DNN在肺结节检出上应用相对较少。Tan等[7]采用CNN和DNN结合的方法来降低结节检出的假阳性率，取得了很好的效果。

2 DL在肺结节良恶性鉴别诊断的应用

2.1 不同CT扫描方式对肺结节良恶性的鉴别

临床上鉴别肺结节良恶性至关重要。有学者[8]把基于常规肺CT扫描数据训练的DL肺结节良恶性鉴别模型应用于超高分辨率靶扫描，结果显示：常规扫描数据集良恶性鉴别曲线下面积、准确率、敏感度和特异度均低于靶扫描诊断效能。

2.2 胸部基线CT与随访CT扫描对肺结节良恶性的鉴别

肺小结节的诊断存在困难，通常需要影像随访确定其良恶性，但随访时间的延长会使患者产生焦虑，也可能治疗延误，因此早期判断结节良恶性尤为重要。研究表明AI在基线检查（第1次影像检查）可以有效判断良恶性[9]，基线扫描与随访扫描鉴别肺结节良恶性效能接近或AUC略高于随访扫描。

2.3 DL模型不同算法对肺结节良恶性的鉴别

在医学图像分析中，主要运用MTANN和CNN两大类端到端机器学习方法，而运用在肺结节良恶性鉴别诊断较为常见的是CNN。Tajbakhsh等[10]比较了MTANN和CNN对肺结节良恶性鉴别模型的性能中结果显示：当使用有限训练数据集时，在肺结节检测和鉴别中MTANN的性能高于CNN；训练数据集扩大时，两种模式的性能差距缩小，但仍然有显著差距。

3 对肺癌的随访及疗效及基因预测的应用

3.1 病情自然改变随访

肺肿瘤随访受多种因素的影像：不同影像专家间存在诊断差异、图像质量及完整性、检测设备的不同、肿瘤只发生质地改变或瘤内异质性改变等，这些均会导致诊断的准确性下降[11]，AI深度学习模型能很好的弥补这些不足。吕文晖等[12]采用基于细粒度特征的DL模型对肺结节良恶性判断随访，结果显示：对于实性结节，DL模型在最终随访检查预测为恶性结节的的AUC大于第一次基线检测。

3.2 疗效及基因的预测

定量成像数据的AI分析可能提高对靶向治疗反应的评估，对治疗效果的评判优于常规CT[13]；也可以显著预测基因突变状态、肿瘤的不同基因表达，从而避免了反复多次的有创性穿刺，便于患者长时间纵向随访。宋兰等[14]采用基于图像和特征金字塔网络结合的两级网络的深度学习模型预测肺腺癌ALK融合基因的表达，结果显示深度学习模型影像组学定量特征在肺腺癌ALK基因预测中有较大价值。

4 DL在肺结节中应用的优点及局限性

4.1 优点

DL在肺结节检出上表现出巨大的潜力及后劲，它克服因结节体积较小、位置多变而导致检出率下降问题，可以消除经典机器学习法因手工设计特征对最终分类的影响，同时还可以自动地学习提取潜在的图像特征。

4.2 局限性

AI深度学习在肺结节应用中也存在着不足，例如：（1）DL绝大部分模型对数据依赖较高，需要全面、高质量、大规模的数据作为支撑；（2）医师对病灶标注的质量高低决定着DL质量的好坏及模型的效能，而目前金标准及标注仍然缺乏；（3）医学影像AI的算法像黑匣子，可解释性较差，这将降低医师的认同率。

因此提高AI数据量、提高医师的标注、制定金标准、AI算法的可视化和可解释性这都将成为AI未来取得医师和监管部门信任的关键。