肺结节智能影像诊断的临床应用及进展

郑伊平，姚兵

（青海大学附属医院 心胸外科，青海 西宁）

0 引言

现如今，影像学技术飞速发展，高分辨率CT 较普通CT能够显示更多的影像学细节，使肺结节的检出率逐年升高并受到社会的广泛关注。肺结节的性质及其病因非常复杂，肺癌、肺结核、炎性假瘤、错构瘤、支气管囊肿等均可表现为肺部结节病变，其中，倍受关注的就是肺癌问题，如果能早发现、早诊断并及时有效治疗，其预后将十分理想，5 年生存率最高可达73%[1]；如果发现不及时或延误诊断，则可能进展为晚期肺癌，其手术后5 年生存率将不足5%[2]，甚至有可能错失手术机会。

在医学影像CT 得到广泛应用的时代，影像科医生需要处理各种肺结节的检出问题，这些数据给他们带来了繁重的工作压力，同时，对于肺结节未及时定性和长期需要随诊等问题也给广大患者造成较重的心理负担和经济负担。因此，早期肺结节能够及时检出并诊断成为了临床面临的难题和学术界研究的热点。近年来，AI 迅速发展，医学影像识别技术在智能化诊断研究中发展尤为迅速，并已经取得了初步的成果。智能影像诊断非常适合医学大数据，可以用来从中提取有用的知识，这种新的AI 技术可以进行病变的自动检测，并撰写初步的影像报告，各大医院已经开始引进相应的肺部结节智能影像诊断软件，并通过不断的临床实践，逐步完善智能影像诊断技术，为其将来广泛应用于临床提供强大的数据支持。

1 肺结节概述

肺结节指的是影像学上的密度增高影，直径≤3 cm，单发的或多发的，边界清楚或不清楚的类圆形或不规则形病灶[3]。有文献统计[4]，肺结节的发病率在各个地域有着显著差异，其在东亚约为35.5%，相对较高，在欧洲地区约为29%，处在中等水平，而北美最低，约为23%。肺结节是临床上的一种常见病，按其密度可分为：（1）非实性结节，即单纯型肺磨玻璃影（Ground-Glass Nodule, GGN），以磨玻璃样密度为主，边缘有正常结构，例如血管；（2）实性结节，以实性软组织密度为主，密度均匀，边缘的所有正常结构都完全被掩盖；（3）部分实性结节，又称亚实性结节，是含有实性软组织成分和毛玻璃成分的局灶性结节状占位。人体肺部疾病中大多数都会导致结节的形成，按其基本疾病特征进行分类，肺部结节又主要有良性和恶性两种[5]。有研究表明，在患有肺部结节的患者中有近80%～90%属于良性病变，但一段时间过后，有部分良性结节可能会转化为恶性结节，最终威胁患者生命安全[6]。因此，患者一经发现存在肺部结节，就应积极明确其性质，并及时选择相应的临床治疗方案，从而帮助患者有效改善疾病的远期预后，尽快恢复健康[7]。

早期肺结节以磨玻璃样改变多见，主要表现为非实性结节或部分实性结节，其并不具有特异性，常见的病因包括不典型腺瘤样增生、腺癌、炎性病变、机化性肺炎等[8]。文献报道表明[9]，单纯型GGN 的恶性概率约为59%～73%，而具有一定实性成分的GGN 恶性概率相对较高，可达80%甚至以上，此外，伴有部分磨玻璃成分的亚实性结节的恶性概率较完全实性的肺结节更高[10]。肺结节的病理情况与其影像学特征有关[11]，主要包括空泡征、分叶征、毛刺征、胸膜凹陷征、血管集束征等。空泡征是指存在于结节内的直径＜5 mm 的透亮影，其主要是由尚未被肿瘤破坏的肺结构支架组成，常见于周围型肺癌，是其早期的重要影像学表现之一[12]。分叶征的出现主要是因为肿瘤细胞的分化程度不一致导致其增殖速度存在差异，同时，肿瘤细胞的增殖又受周围肺间隔限制及病变组织内纤维组织收缩影响，从而导致结节呈分叶生长。毛刺征在CT 上表现为结节或肿块边缘的小棘状突起，呈细线状或密集毛刷状，在组织学上与分叶征相似，多指不规则的肺组织纤维化或不同浸润程度，常见于恶性病变[13-14]。血管集束征在CT 上表现较为复杂，可分为四度[15]，Ⅰ度：病灶孤立存在，无血管进入或仅见血管从病灶旁绕行；Ⅱ度：1～2 条血管受病灶的牵拉向结节移位、穿行；Ⅲ度：3 条血管穿行于结节内或贴边走形；Ⅳ度：3 条以上血管到达结节。相关文献报道[16]，血管集束征为Ⅰ～Ⅱ度时认为是良性结节，而Ⅱ～Ⅳ度的血管集束征则认为是恶性结节，此外，当存在Ⅱ度血管集束征时，结节的良恶性质仍然分辨不清，但当分度为Ⅳ度时，就可以在很大程度上定性为恶性了。胸膜凹陷征为脏层胸膜受靠近胸膜的病变牵拉而产生的胸膜凹陷，肺癌及结核球均可引起此类改变。肺癌病灶所表现的胸膜凹陷是由于瘤内纤维瘢痕的牵拉作用使肺表面支架结构发生收缩引起位置改变，从而形成胸膜凹陷征[17]，而结核球的胸膜凹陷是由于病灶周围发生纤维化并增生粘连而形成，当除外结核病灶时，此征象可在一定程度上提示恶性病灶。上述影像学特征对肺结节良恶性质的鉴别均具有一定价值，单个肺结节表现出的影像学特征越多，其诊断价值也越大。

2 智能影像诊断概述

在我国，医疗领域是人工智能发展相对蓬勃的领域之一。目前，基于深度学习的AI 应用已经覆盖到临床诊疗的各个阶段[18-20]，其在医疗领域已经有了举足轻重的地位。智能影像诊断是一种基于深度学习的AI 技术，是AI 应用于医疗领域的一部分，其发展还处于初步阶段，要想逐步走向成熟，必须在临床医师的反复使用和反馈下不断优化模型。据文献报道，Yanagawa 等[21]于2009 年应用智能影像诊断技术检测非实性结节，当时的检出率仅为21%，明显低于影像医师（60%～80%）。Song 等[22]也报道过一组临床患者，其中，有8 个非实性结节已得到影像科医师的检测证实，但应用智能影像诊断却全部被漏检，这些研究结论均显示早期智能影像诊断技术并不成熟，对肺部结节的有效检测还有一定的困难。但随着AI 的不断发展，智能影像诊断技术不断被改进，对肺结节的检测能力有了很大的提高。例如，Namin 等[23]用智能影像诊断技术检测了LIDC 数据库中63 例肺结节，其敏感度达到88%。智能影像诊断不仅在肺结节检出中表现优异，在区分良恶性质方面同样能力突出。Kumar 等[24]对一种基于深度学习的智能影像诊断技术进行测试，用其来诊断LIDC 数据库中4323 个肺结节，其精准程度达到了75.01%。

3 智能影像诊断在肺结节中的临床应用及进展

智能影像诊断技术是利用复杂的计算机算法对医学影像数据进行分析，在检出肺部结节的同时对结节的形态信息进行评估，如对密度、分叶征、毛刺征、胸膜凹陷征等进行量化分析，并进行复杂算法运算，最终得出结节的恶性风险概率，为临床肺部结节的诊疗提供指导。目前，临床上已经出现了多种智能影像诊断模型，比如正在试用的两款智能影像诊断软件，包括“推想科技”和“Sigma RIS”，它们能够识别不同肺段的各种结节，比如钙化结节、实性结节及亚实性结节等，并通过智能整合结节的形态信息得出每个结节的恶性概率，评估其恶性程度，最后通过放射医师的确定，得出最终的影像学报告；汇医慧影的智能医学影像诊断技术检测3 mm 肺部结节的准确率已经高达90%；还有诸如Deep Care、锐达影像、连心医疗、智影医疗、图玛深维等公司出品的智能影像诊断模型也层出不穷。相对而言，大型医疗企业具有丰富的市场经验和医疗信息化系统整合能力，他们能够很好地收集和利用各种临床数据。现如今，已经有多家三级甲等医院合作研发了各种肺结节智能影像诊断模型，并将其投入临床，均取得了较好的效果。同时，互联网企业也能借助自身的网络平台，整合并处理各种临床资料，建立较为完善的智能影像诊断模型，提供远程的医疗影像检测和诊断服务。例如“腾讯觅影”，其是腾讯首款AI 与医学结合的AI 医学影像产品，主要的两大功能包括“AI 医学影像”及“AI 辅助诊断”；还有阿里健康联合万里云创造的智能影像诊断产品“Doctor You”，其是一个远程影像诊断平台，目前已为多家基层医院提供远程服务。国内AI 的发展日新月异，国外同样不甘落后，例如美国的Google，其人工智能部门与斯坦福、纽约大学等机构充分合作，研究开发出一种基于深度学习的智能影像诊断模型，其检测微小恶性肺结节的准确率可达94%[25]；还有Facebook、Amazon、Apple 等美国科技公司同样开发了属于自己的智能影像诊断模型，其对恶性结节诊断的准确率均较高。

智能影像诊断技术能否全面应用于医疗领域主要取决于医学大数据的建立。目前，美国已经拥有属于自己的公共数据库，如美国国家癌症研究所（National Cancer Institute）发起收集的，由肺图像数据库联盟 （Lung Image Database Consortium, LIDC）及图像数据库资源计划（Image Database Resource Initiative, IDRI）两者联合建立的LIDC/IDRI 数据库[26]，其包含1018 例病例，为推动智能影像诊断技术在临床实践中的发展提供了大数据支持。相比于国外，国内的数据虽然丰富，但并未建立公共数据库，所需数据主要来源于各大医院所拥有的肺结节CT 数据集，无法满足海量数据的要求，且不同医院存在设备及参数的不同，这将导致数据的标准化难以实现。然而，智能影像诊断的发展离不开大数据的支持，因此，建立国内公共数据库是目前智能影像诊断发展的关键。

4 问题与展望

在这个智能化时代，智能影像诊断与放射科医师的有效结合使肺结节的检测和诊断有了双重保障，对临床医师进行肺结节的诊疗有着重大的意义。现阶段，智能影像诊断的发展尚未成熟，虽然在肺结节检测及诊断方面己经取得了不小的进步，但其仍然面临着很多困难。智能影像诊断的发展依赖于标准化大数据的建立，若没有大数据的支撑，其在医疗领域将寸步难行。目前，国内各大医院所拥有的数据虽然丰富，但却不能将其标准化，所以，建立全国范围内统一的标准影像数据库势在必行。同时，AI 在肺结节中的应用不应局限在检测和诊断中，研究者们还需要继续探索其在肺结节随访跟踪、临床治疗及预后中的应用。