人工智能肺结节筛查在肺癌高危人群中应用价值研究

张宝忠

潍坊高新技术产业开发区人民医院呼吸内科，山东潍坊 262700

肺癌是临床上发生率较高的恶性肿瘤，具有发病率高、病死率高及治愈率低等特点，影响患者健康、生活。 目前，临床对肺癌病因尚未阐明，普遍认为与吸烟、环境及遗传因素等有关，发病早期临床症状缺乏典型性，随着病情不断发展，将会引起咳嗽、咳痰、胸痛及气闷等，增加临床诊疗难度[1]。手术病理组织检查是肺癌患者中常用的检查方法， 并将其视为 “金标准”，虽然能帮助患者确诊，但是检查具有一定的风险性、创伤性，导致患者诊断预后、耐受性及重复性较差。 既往研究表明[2]：计算机断层扫描（CT）筛查能发现早期肺癌病灶，降低临床病死率。 但是，随着CT 扫描在高危肺癌患者筛查中得到应用，临床发现诸多可疑的实性结节、 部分实性结节及磨玻璃密度应结节，导致临床误诊率、漏诊率较高，如何区分早期肺癌病灶成为当前研究的热点。人工智能肺结节筛查属于是一种新型的筛查方法，能自动识别CT 中早期肺部结节，能实现临床辅助诊断，但是临床诊断价值研究较少。 因此，该研究选择 2018 年 12 月—2020 年 2 月肺癌高危人群为对象，探讨人工智能肺结节筛查在肺癌高危人群中的应用效果及价值，现报道如下。

1 资料与方法

1.1 一般资料

选择肺癌高危人群583 例作为研究对象，男314例，女 269 例；年龄 41～83 岁，平均（63.17±5.77）岁。纳入标准：①均符合肺癌临床诊断标准，均经病理组织检查最终确诊； ②肺部CT 影像提示1 cm≤结节直径≤3 cm，被肺部或脏层胸膜包绕，未累及叶支气管近端以上位置；③均完成CT 检查，且患者均可耐受。排除标准：①合并精神异常、血液系统疾病或伴有自身免疫系统疾病者；②认知功能异常、器质性疾病或其他部位已经确诊的恶性肿瘤；③合并转移性肿瘤或结节无手术病理检查结果。该研究均得到医院伦理委员会批准，患者或家属签署同意书。

1.2 方法

①检查前准备。所有肺癌高危人群入院后均完善有关检查，向患者、家属讲解肺癌发病机制、危害性及常见的诊断方法；积极向肺癌高危人群讲解人工智能肺结节筛查的独特性、优越性，让患者对人工智能肺结节筛查有全面的认识、了解，提高患者检查依从性、配合度。②检查设备[3]。采用dedinition AS 128 层螺旋CT（西门子），操作前检查仪器相关参数，保证仪器处于正常运行状态。 ③检查方法。 取仰卧位姿势，头先进，以胸骨柄作为定位中心，患者保持深吸气、屏气，完成胸部CT 扫描。 结合患者情况设置相关参数：电流 100 mA、电压 120 kV、间距 5 mm、层厚 5 mm、螺距设定为0.993，矩阵为512×512；扫描范围从肺尖以上到横隔以下；对于发现疑似病灶患者进行靶向扫描，设置相关参数：电流260 mA、电压120 kV、层厚1 mm、间距 1 mm，矩阵为 512×512，螺距为 1.375。 ④人工智能筛查结果。 采用ITK-SNP3.4.0 软件对疑似病灶的胸部CT 进行人工标记，标记完毕后由经验丰富的主任进行阅片，结合术后病理检查结果、术前影像报告，对CT 片上每层肺癌结节病灶边缘进行精确圈定；基于深度学习技术，借助人工智能系统分别标定1 mm、5 mm 层厚CT 图像， 自动学习肺癌结节是被特征及分类规则， 并将人工智能筛查结果与金标准进行比较，测试人工智能在肺癌自动识别中的效果。 ⑤诊断效能。 ROC 曲线，分析人工智能肺结节筛查在肺癌高危人群中的诊断效能（敏感性、特异性）。

1.3 统计方法

采用SPSS 18.0 统计学软件分析数据，计数资料采用率（%）表示，组间比较进行 χ2检验，P＜0.05 为差异有统计学意义。

2 结果

2.1 人工智能肺结节筛查和人工读片在肺癌高危人群中的诊断比较

583 例肺癌高危人群均经手术最终确诊肺癌患者56 例，确诊率为9.61%。所有患者均完成CT 检查，最终确诊55 例，诊断符合率为98.12%；人工读片和人工智能肺结节筛查肺结节＜1 mm、1～5 mm 及＞5 mm检出率比较差异无统计学意义（P＞0.05），见表1。

表1 人工智能肺结节筛查和人工读片在肺癌高危人群中的诊断比较[n（%）]

2.2 人工智能检测方法可靠性评价及诊断效能

利用人工智能对1 mm 层厚结节CT 进行读片测试，自动寻找3 mm 以下肺癌结节，完成2 次读片，结果表明： 人工智能检测方法对1 mm 层厚肺结节CT片2 次读片Kappa 值为0.938，接近1，具有良好的一致性。 ROC 曲线结果表明：人工智能检测方法用于肺癌高危人群中AUC 值为0.867，诊断敏感性为0.814，特异性为0.894，见图1。

图1 人工智能检测方法在高危肺癌筛查患者中的诊断ROC 曲线

3 讨论

肺癌是临床上发生率较高的恶性肿瘤，普遍认为与吸烟、职业和环境接触、电离辐射及既往肺部慢性感染和遗传因素等有关，临床表现较为复杂，多与肿瘤的发生部位、病理类型、是否存在淋巴结转移及并发症等有关。对于早期肺癌患者症状较轻，部分患者可无任何症状，对于中央型肺癌患者症状出现较早、较重[3]。临床上，将肺癌症状分为局部症状、全身症状、肺部症状及浸润和转移症状等，影响患者健康、生活[4]。目前，临床上对于肺癌以病理组织检查为主，并将其视为临床诊断“金标准”，但是该检查方法可重复性较差，且患者诊断耐受性、依从性较差，导致多数患者确诊时已经是中、晚期，错过最佳诊疗时机。

近年来，随着医疗影像技术的不断发展，CT 在肺癌高危人群筛查中得到应用，且效果理想。CT 检查属于是一种较为先进的医学影像学检查方法，该方法利用X 线束对人体某部位进行一定厚度层面的扫描，由探测器接收透过该层面的X 线，转变为可见光后，由光电转换为电信号， 经模拟/数字转换器后输入为数字，最终由计算机完成获得数据、图像的处理。既往研究表明：CT 检查用于高危肺癌患者筛查中具有较高的密度分辨力， 能直接显示X 线检查难以显示的器官与病变。同时，CT 检查相对方便、迅速，能保证患者顺利完成检查，且多数患者容易接受，能为患者后续诊疗提供影像学依据、参考。临床研究表明[5]：CT 检查能克服传统X 线平片检查存在的弊端与不足，能获得各种正常组织与病变组织的X 线吸收系数。 目前， 临床上将CT 广泛用于高危肺癌患者筛查中，并获得良好的检出率。但是，CT 用于高危肺癌筛查患者中亦存在诸多不足及局限性，CT 下能发现诸多可疑的实性结节、 部分实性结节及磨玻璃密度结节等，如何在大量的影像资料中实现早期肺癌的筛查对提高临床检出率具有重要的意义。 人工阅片是CT 检查后常用的诊断方法，虽然能帮助患者确诊，但是该阅片方法效率较低，对医生专业技能要求较高，导致临床误诊率、漏诊率较高[6]。

近年来，人工智能肺结节筛查在肺癌高危人群中得到应用，且效果理想。 该研究中，583 例肺癌高危人群均经手术最终确诊肺癌患者 56 例， 确诊率为9.61%。 所有患者均完成CT 检查，最终确诊55 例，诊断符合率为98.12%； 人工读片和人工智能肺结节筛查肺结节＜1 mm、1～5 mm 及＞5 mm 检出率均差异无统计学意义（P＞0.05），说明人工智能肺结节筛查用于肺癌高危人群中能获得较高的诊断符合率，能为临床诊疗提供影像学依据和参考。国内学者选择普通外科收治的甲状腺结节患者98 例， 共有甲状腺结节137个， 所有患者均采用人工智能自动检测系统进行筛查，结果表明：人工智能自动检测系统在甲状腺良、恶性结节中的灵敏度、特异度及准确度分别为93.75%、80.49%和83.21%，与该研究结果相符。人工智能肺结节筛查是一种新型的辅助诊断、阅片方法，代表性计算机辅助诊断系统包括 ISICAD、LargeCAD 及ETROCAD 等， 上述CAD 均基于传统的机械视觉算法检测肺部结节，广泛用于结节的筛查，但是均存在筛查特异性、灵敏度低情况。 而人工智能肺结节筛查则具有自动学习特性，能进一步完善、补充人工智能筛查特性。 临床研究表明[7-8]：人工智能肺结节筛查用于高危肺癌筛查患者中每秒阅片速度为30 mm，即10 s 即可完成一份读片，能节省人工阅片存在的不足及弊端，有助于提高阅片准确性。同时，人工智能肺结节筛查时其结果不受医生专业技能的限制，能提高早期肺癌的早期识别敏感性及特异性，能辅助临床医生诊断，减轻医生工作量。 人工智能肺结节筛查用于高危肺癌患者筛查中能获得良好的诊断效果，不仅能发挥CT 诊断优势，且临床阅片时间较短，能释放医生的工作量，且该软件能实现自我智能学习，能根据早期肺癌的细节特征进行综合诊断。 该研究中，利用人工智能对1 mm 层厚结节CT 进行读片测试， 自动寻找3 mm 以下肺癌结节，完成2 次读片，结果表明：人工智能检测方法对1 mm 层厚肺结节CT 片2 次读片Kappa 值为0.938，接近1，具有良好的一致性。 ROC曲线结果表明：人工智能检测方法用于肺癌高危人群中AUC 值为0.867， 诊断敏感性为0.814， 特异性为0.894， 说明人工智能肺结节筛查用于肺癌高危人群中能获得较高的一致性及诊断敏感性，能实现早期肺癌的辅助筛查。 但是，人工智能肺结节筛查用于肺癌高危人群中亦存在诸多局限性与不足，该阅片方法用于＜1 mm 的病灶组织中容易出现较高的误诊漏。 因此，临床上对于肺癌高危筛查患者应加强患者CT 检查，并进行人工智能肺结节筛查，对于结节较小患者可进行人工读片，帮助患者早期确诊，必要时可行手术病理或MRI 检查，为临床诊疗提供依据和参考。

综上所述，将人工智能肺结节筛查用于肺癌高危人群中能达到早期肺癌识别的敏感性、特异性，能辅助医生诊断， 为临床诊疗提供影像学依据和参考，值得推广应用。