基于AI的CT影像预测GGN-IAC风险模型建立与验证研究

许晓燕，周 永，甘晓晶，余莹莹，文 智

（新疆医科大学附属肿瘤医院影像中心，乌鲁木齐 830000）

据统计，2018年全球约有209万肺癌新发病例，其中176万人因肺癌死亡[1]。肺腺癌属于非细胞肺癌，多发于女性，且近年来复发率与致死率较高[2]。肺腺癌可分为浸润性腺癌（IAC）、微浸润腺癌（MIA）、浸润前病变，浸润前病变又可分为原位腺癌、不典型腺瘤样增生。磨玻璃结节（GGN）为肺腺癌患者早期CT影像学图像上常出现的肺部影像学征象[3]。近年来，随着人们生活水平及健康意识不断提高、胸部低剂量CT扫描广泛应用，越来越多GGN被发现，但对其定性诊断较困难，人工智能（AI）辅助诊断系统可快速自动识别及标记肺内GGN并进行定量分析[4]。本研究主要建立基于AI的CT影像学特征预测模型，并验证其对GGN病例IAC风险的预测意义。

1 资料与方法

1.1 一般资料

回顾性选取新疆医科大学附属肿瘤医院2015年5月－2020年9月GGN病例595例，纳入标准：1）因体检或意外行螺旋CT扫描发现肺部至少1个GGN，直径≤30 mm，施行手术；2）符合AI诊断的胸部CT薄层图像原始数据。排除标准：1）病灶直径＞30 mm；2）CT检查图像质量不符合要求。依据相关标准[5]将GGN按病理结果分为浸润前组（n=107）、微浸润组（n=124）、IAC组（n=364）。另前瞻性选取2020年10月－2021年5月GGN病例250例进行验证。

1.2 方法

1.2.1 临床资料调查 调查术后病例资料，1）记录一般临床特征，包括性别、年龄、体质量指数（BMI）、吸烟史、肺癌家族史；2）记录患者术前肿瘤标志物[癌胚抗原（CEA）、鳞状细胞癌抗原（SCC）、细胞角蛋白19片段（Cyfra21-1）、胃泌素释放肽前体（ProGRP）、神经元特异性烯醇化酶（NSE）、癌胚抗原153（CA153）]、基因检测结果[表皮生长因子受体（EGFR）、大鼠肉瘤病毒癌基因（KRAS）、渐变性淋巴瘤激酶（ALK）、酪氨酸蛋白激酶MET、鼠类肉瘤病毒癌基因同源物B1（BRAF）及表皮生长因子受体-2（HER-2）]。

1.2.2 基于AI的CT影像学分析 基于深度学习模型的AI软件（Dr.wise，1.19.2.16版本）（深睿医疗公司），由AI自动对GGN进行识别、标记及特征定量分析，记录每个GGN的定量分析参数。经AI识别软件自动勾画病灶进行三维定量测量，得到结节密度（平均CT值）、2D长径与短径、3D长径与标准径（mm）、最大面面积、表面积、体积、质量。

1.3 统计学方法

采用SPSS 23.0统计学软件处理数据，计量资料以均数±标准差（±s）表示，行单因素方差分析及LSD-t检验；计数资料以率（%）表示，采用χ2检验，多因素Logistic回归法得出风险模型，H-L卡方检验模型符合度，受试者工作特征曲线（ROC）反映预测模型区分能力。以P＜0.05为差异有统计学意义。

2 结果

2.1 3组临床资料比较

3组年龄、术前 SCC、Cyfra21-1、ProGRP、NSE、EGFR基因突变率比较，差异有统计学意义（P＜0.05）。见表1。

表1 3组临床资料比较 例/%

2.2 3组AI定量参数比较

3组AI测得的平均CT值、2D长径与短径、3D长径与标准径、最大面面积、表面积、体积、质量比较，差异有统计学意义（P＜0.05）。见表2。

表2 3组AI定量参数比较（±s）

表2 3组AI定量参数比较（±s）

注：与浸润前组比较，# P＜0.05；与微浸润组比较，△P＜0.05

项目 浸润前组images/BZ_135_857_1842_1618_1880.pngIAC组（n=364）平均CT值/Hu-550.48±59.12-513.45±52.67#-465.18±47.96#△2D 长径 /mm 12.61±1.35 15.13±1.62# 19.44±1.98#△2D 短径 /mm 9.67±0.98 11.35±1.24# 13.49±1.37#△3D 长径 /mm 11.45±1.26 12.67±1.35# 14.58±1.56#△3D标准径/mm 8.79±0.88 10.12±1.18# 11.86±1.25#△最大面面积/mm2 49.24±5.48 86.43±8.79# 106.42±11.45#△表面积 /mm2 263.48±27.98 517.62±54.88# 864.75±89.32#△体积 /mm3 713.24±72.66 1 245.89±159.72# 2 067.35±214.33#△质量 /（×103）-321.02±34.58-563.47±57.56# 842.14±86.95#△

2.3 AI定量参数预测IAC的ROC曲线

ROC上，表面积预测IAC的敏感度较高，平均CT值的特异度高，2D长径的曲线下面积大，平均CT值、2D长径、体积联合后对IAC有较好预测价值，敏感度、特异度、曲线下面积分别为0.83、0.84、0.865。见表3、图1。

图1 AI定量参数预测IAC的ROC曲线

表3 AI定量参数预测IAC的ROC曲线

2.4 GGN病例IAC风险预测模型建立及验证

Cyfra21-1、ProGRP、NSE、EGFR基因突变及IA测得的平均CT值、2D长径、体积为诊断GGN为IAC的危险因素（P＜0.05）。见表4。预测模型 Z=0.287×Cyfra21-1+0.411×ProGRP+0.189×N SE+0.244×EGFR基因突变+0.286×平均CT值+0.417×2D长径+0.288×体积-8.159，预测IAC、验证结果的ROC曲线下面积分别为0.882、0.863，无统计学差异（P＞0.05），见图2。验证组预测IAC发生率60.40%（151/250），与实际发生率58.40%（146/250）比较，无统计学差异（P＞0.05），有较好符合程度。

表4 GGN病例IAC风险的预测因素

图2 验证与预测IAC结果的ROC曲线

3 讨论

GGN为IAC病例肺部常见影像学病变[6]。基于AI的肺结节筛查系统凭借深度学习记忆及强大图片识别功能，可充分显示GGN诊断的内在价值[7]。研究[8]发现，AI中病灶长径、短径、最大截面积、体积的定量测定值在病理证实为恶性的GGN及随访稳定的GGN中有显著差异，因此基于AI的病灶CT定量参数测定有助于为GGN预测临床治疗时机。

本研究3组IAC组各项AI测得的参数最高，与周围等[9]的报道相近，而预测IAC的临界值与以往研究不一致，可能与研究样本量、AI测量方法及评估准确性不同有关。随密度（CT值）的增高或实性成分增加，反映病灶恶性程度越高[10]，HEIDINGER等[11]发现密度（CT值）与GGN的相关性不大，可能与病灶本身较小、密度较低，内部纤维化或肺泡塌陷等因素对其影响更突出有关。病灶直径越长则为IAC的可能性越大[12]，本研究发现3D长径与标准径、最大面面积与表面积、结节体积均有较好敏感度、特异度，质量参数的诊断优势并不明显优于其他单项指标，结合本次联合诊断结果，基于AI的平均CT值、2D长径、体积联合对IAC有较好预测价值。

本研究发现IAC的模型预测IAC的ROC曲线下面积为0.874，该模型IAC预测值与实际发生率无统计学意义差异，表明基于AI的CT影像学参数建立IAC预测模型有较好预测意义，与以往研究[13-14]相符。本研究建立的模型验证组预测IAC发生率60.40%，与实际发生率58.40%比较无统计学差异，说明模型符合程度较好。AI有深度学习功能，较人工测量能减少误差，基于GGN的各种影像征象有利于提高对IAC的鉴别能力[15]。与以往研究不同的是，本研究比较术前血清肿瘤标记物（Cyfra21-1、ProGRP等）、基因检测（EGFR突变）等指标，进一步丰富了预测内容，得到较好符合度，因此AI阅片联合血清肿瘤标记物及基因检测结果等可降低GGN中IAC漏诊率，提高诊断准确性。

综上所述，基于AI的CT影像学参数建立IAC模型有较好的诊断功能，经验证其符合度较好。