孤立性肺结节的影像学研究进展与价值

杨艳艳，马利军，刘晓林

(1.内蒙古医科大学包头临床医学院，内蒙古 呼和浩特；2.包头市中心医院影像科，内蒙古 包头)

0 引言

癌症作为全球最为棘手的病症，据统计表明肺癌是中国最为好发的恶性肿瘤之一，发病率大约为50/10000。临床上大多数早期肺癌没有特定症状，且发病人群较为年轻，病死率在过去30 年增加了200%以上[1]。它是全球癌症相关死亡的最主要原因[2]。2016 年，根据美国癌症协会公布的数据[3]，前5 年内，早期肺癌的生存率约为56%，肺癌末期的5 年生存率极低，仅仅约为5%。因此，早期确诊肺癌是提高肺癌病人的存活率最为关键的因素[4]。由于近年来肺癌已成为新发率和致死率最高的癌症之一，肺结节在临床上普遍被用来发现和诊断早期肺癌，因而肺结节的相关研究已引起了学术界的广泛关注[5,6]。孤立性肺结节(solitary pulmonary nodule,SPN)是指唯一一个的、类圆形结节，在肺实质中最大直径小于3cm，没有伴随的肺不张、胸腔积液和肺门淋巴结肿大以及其他病变[7]。近年来随着CT 的发展、健康体检在人民生活中不断普及，肺结节被检出率提高，肺结节的常见病因有肿瘤样病变，其中包括良性病变和恶性病变，还有感染性引起的和非感染引起的等原因。SPN 的不同原因在治疗方法和预后有着明显的不同。所以良恶性病变的定性诊断对疾病的临床诊断、治疗以及预后均有重要意义[8,9]。目前，肺结节的定性诊断仍然存在许多困难。在临床上通过手术切除的肺结节中，约有30%是良性的。因此，正确评估良性和恶性肺结节可以帮助选择正确的治疗方法[10]。

1 双能量CT

1.1 双能量CT 基本原理

过去老式的单能量CT 是利用多色谱X 线源进行图像采集，根据组织结构密度值或病变与背景之间的差异检测和识别病变。双能量CT 的基础是物质对不同能量的X 射线的光子减少的不同从而在两个不同能谱中进行的图像采集，后处理以后可获得物质选择图像和能谱图像，包括虚拟扫描，单能谱图像，碘图，能谱曲线，有效原子序数图像等，可一站式为病变提供定性和定量诊断信息。除此之外，单能谱图像还可以提高对比度噪声比并减少伪影，这有利于病变被检出以及定性诊断[11]。

1.2 双能量CT 参数在SPN 良恶性鉴别诊断中的应用价值

一部分研究者经过研究注意到，运用双能量CT 碘基值的大小对肺结节良恶性的灵敏度、特异度、准确度为92%、70%和82.2%，远远高于过去传统CT 值来鉴别SPN 良恶性的灵敏度、特异度、准确的为72%、70%和71.1%[12]。而且，许多文献还报道了，关于能谱CT 多参数结合分析，在鉴别肺结节良恶性方面的临床价值[13]，碘基值、低能量CT 值、能谱曲线斜率恶性高于良性结节，大概揭示了恶性结节血流供应是比较丰富的[14]，关牧娟等研究者发现诊断良恶性肺结节最有效的方法是动脉时期肺结节的标准化碘浓度(NIC)值，它诊断标准定为0.157 时，动脉时期肺结节的标准化碘浓度对恶性肺结节的敏感度和特异度分别为83.3%和87.5%[15]。

在良恶性肺结节的能谱成像参数中，IC 含量、NIC、能谱曲线斜率(λHU)、动静脉期单能40 keV 的净CT 值(CT 40 KeV)或动静脉期单能70 ke V 的净CT 值(CT 70 KeV)存在着统计学的差异[16,17,18,19,20]。一致同意λHU 有助于区分良性和恶性肺结节；多认为炎性肺结节的λHU 高于恶性肺结节[16,18,19]，恶性结节的λHU 高于良性结节[17,20]，但是前两项研究中的良性结节含有部分炎性结节[17]或结核球[17,20]。NIC 在炎性肺结节高于恶性肺结节[18,19]，恶性结节的NIC 又高于良性[17,20]，也高于结核球[19]。IC 含量在炎性肺结节高于恶性肺结节[16,17,19]，恶性结节的NIC 又高于良性[17]，也高于结核球[19]。

2 核磁共振的DWI

2.1 核磁共振的DWI 基本原理

核磁共振的扩散加权像 (Diffusion weighted imaging,DWI)是目前唯一能够测量和成像的运用生物体内水分子扩散的方法，从功能影像学的方向对疾病的鉴别诊断为临床提供重要信息[21,22]扩散加权像对区别良恶性是有病理基础依据的[23]：恶性肿瘤的DWI 较高，ADC 值较低，水分子扩散受限制，阻抗力大，是由于恶性肿瘤组织内的细胞致密，相反，良性肿瘤的DWI 较低，ADC 值较高，水分子扩散自由，阻抗力小[24,25]。研究表明[26]b 值的选择，对于DWI 十分关键，b 值的增加，图像的扩散权重也会随之加大，患病组织与正常组织之间的对比度增加，因此扩散加权像的灵敏度也增加，但同时由于胸部产生的磁敏感伪影增加以及图像失真变形，图像信息的噪声比将降低[27,28]。因此，在人体全身组织器官定性和定量的诊断中，MRI 的扩散加权成像可提供相关医学信息。

2.2 核磁共振(MRI)参数在SPN 良恶性鉴别诊断中的应用价值

Satoh 等[29]通过用高b 值参数，发现恶性肺结节的平均评分(4.03±1.16)，良性结节的平均评分为(2.50±1.47)，故恶性结节高于良性结节，P＜0.01，从而可以鉴别肺部的良恶性结节。然而，对在活动期的炎性结节、对非实体性腺癌、小的转移性结节、部分肉芽肿等鉴别应小心进行。

肺癌的恶性肿瘤细胞生长非常快，细胞核与细胞质之比增大，细胞密度增高，因此细胞外体积变小，同时细胞膜的限制，以及黏蛋白和角蛋白等大分子物质对水分的吸附增加，水分子扩散受限，ADC 值下降，Clain[30]和Bram[31]等分析出了不同病理类型的肺癌的生长方式是不一样的，低分化的腺癌和鳞状细胞癌为实体生长方式，肿瘤细胞繁殖快，高分化腺癌为替换生长形式，瘤细胞顺着以前的肺泡壁生长，底层的非结构有所保留，因而高分化腺癌的细胞密度低于低分化腺癌和鳞癌。Matoba[32,33]计算出来了各种类别的肺部肿瘤的ADC 值，得出结论肺部的大细胞癌的ADC 值约为(1.30±0.4)×10-3mm2/s，小细胞肺癌的ADC 值约为(2.09±0.3)×10-3mm2/s，鳞状细胞癌的ADC 值约为(1.63±0.5)×10-3mm2/s，腺癌的ADC 值约为(2.12±0.6)×10-3mm2/s，肺部恶性肿瘤的细胞密度和ADC值为负相关关联( Spearman 系数值为-0.75，P＜0.02)鳞癌的ADC 值明显低于腺癌，本研究结果与上述研究结果一致，也为鳞癌的ADC 值低于腺癌，但是本研究的由于病例数少的不足，不能对分化程度不一致、其他组织分型以及发生部位不同的肺癌的肿瘤细胞进行进一步的研究。

3 PET/CT

3.1 PET/CT 基本原理

目前18F-FDG PET/CT 显像是分子影像学技术发展和应用的前沿技术。18F-FDG 是可以被活细胞吸收的葡萄糖类似物。它通过细胞内的磷酸己糖激酶被转化为18F-FDG-6-P 并停留在内部，通过PET/CT 体外检测成像。肿瘤细胞增殖非常活跃，对葡萄糖的需要旺盛而大量滞留18F-FDG-6-P，表现在影像学上即病灶呈高摄取；且PET/CT 是全身显像，对发现肿瘤、特别是转移瘤极为敏感[34]。对于SPN 为肺部转移瘤患者，PET/CT检查多能发现原发肿瘤，对于病情评估的意义重大。

3.2 PET/CT 在SPN 良恶性鉴别诊断中的应用价值

Jeong 等[35]经过研究发现PET/CT 检查技术的临床诊断的精确度比单纯的CT 或PET 检查技术要高很多，其敏感性和特异性分别为88%、77%，研究结果显示：PET/CT 诊断SPN 的敏感性、特异性、精确度分别为91.4%(64/70)、62.5%(20/32)、82.4%(84/102)，与其研究结果一致，说明PET/CT 对于诊断及鉴别诊断SPN 有重要的意义。受肿瘤细胞生化特性的影响，注射18F-FDG 以后，大多数恶性肿瘤的SUV相对较高，因此其对肺部恶性病变具有一定诊断价值[36,37]。MacdonaldK[38]研究结果基本一致，因此，以SUVmax ≥2.5 为肺结节的良、恶性鉴别的界值具有较高的可信度。

18F-FDG PET/CT 双时相显像判断恶性结节依据主要有以下几点：(1)结节周边可见分叶、毛刺、胸膜牵拉等恶性典型征象；(2)SUV 超过2.5；(3)显像剂浓聚呈团块，高代谢病变界限分明。虽然18F-FDG PET/CT 在孤立性结节诊断中灵敏度较高，但容易出现诊断假阴性。对孤立性肺结节的良恶性鉴别诊断而言，不能仅仅以常规CT 检查技术、延迟显像所获取SUV 作为其病变性质判断的唯一标准，还需结合病灶部位、形态、大小、数量、放射性分布情况等进行综合判断[39,40]。

4 人工智能

4.1 人工智能基本原理

随着科学技术的飞速发展，计算机能力、新深度算法的明显提高，以及大数据的广泛应用，人们对人工智能(artificial intelligence, AI)投入越来越大的兴趣。人工智能的核心是机器学习分支中的深度学习，它是具有大量的隐藏层和训练的机器学习模型，常见的深度学习模型有自编码(auto-encoder,AE)卷积神经网络(convolutional neural network, CNN)以及深度信念网络(deep belief network, DBN)等等，其中最常见的模型是卷积神经网络，CNN 是一种监督学习算法，适用于处理图像分类问题。深度学习在图像处理领域取得了巨大的成功，原因在于深度学习的CAD 在肺结节的诊断和检测达到了非常高的准确率。人工智能技术可以在图像中获取人类肉眼易忽略的医学信息，从而可以提高诊断价值，因此，人类在不断的对人工智能进行深入挖掘[41-43]。

4.2 人工智能在SPN 良恶性鉴别诊断中的应用价值

国内还没有关于基于深度学习肺结节的人工智能神经网络计算机，去预测肺结节的良恶性的研究报道，国外的研究比国内早，但是也并不多。Armato[44]等得出ROC 曲线下面积是0.79，是根据对肺结节的形态及密度进行的分类，这些肺结节是被自动检测出来的。Suzuki 等[45]得出恶性结节准确率为100%，良性结节为48%，是通过人工智能计算机的辅助系统对良恶性肺结节做的预测。另有研究[46]得出ROC 曲线下面积为0.927，是对1012个肺结节进行良恶性预测，这些肺结节在LIDC-IDRI 数据库中，是运用纹理特征的方法分析。另外，还有些研究[47]表明医师可以提高诊断准确率，通过运用人工智能计算机辅助诊断。

5 展望

迄今为止，全球内癌症的主要死亡原因仍是肺癌[48]，所以肺结节的早诊断及鉴别诊断是非常重要的。现在，即使临床评估和恶性肿瘤预测模型对肺结节的良恶性诊断提供辅助作用，仍然有些学者通过计算机设备去开发新软件，为了获得肺结节更全面的信息，从而提高SPN 良恶性的诊断率[49]。对提高肺结节的良恶性鉴别，需要不断的临床基础研究，以及在各个学科的带动下去完肺结节诊断指南。科学技术不断发展，人工智能计算机辅助在医疗行业不断应用，医学影像技术不仅可以对肺结节的病理分析分期进行判别，甚至可以在肺结节的基因表型有所突破。这样可以为临床医师在临床工作提供极大的便利，为患者带来福音，生存率获得极大提高。