基于人工智能CT密度定量对肺结节的良恶性诊断价值

牛 媛，黄晓旗，陈新花，王 剑，闫 军，李建龙

（延安大学附属医院，陕西 延安 716000）

近年来随着胸部CT 检查的广泛普及，也受到2019 冠状病毒（COVID-19）疫情的影响，胸部CT 检查人群越来越庞大，使放射科工作量与日俱增。随着人工智能（AI）辅助诊断的开发应用，已经证实能够明显降低放射科工作量以及提高肺结节检出率［1］。研究证实AI 不仅能够分析结节影像学特征，还能鉴别肺结节的性质及肺癌的病理学类型［2-3］，同时也在预测肺腺癌基因表达中具有不可忽视的价值［4］。在临床诊断中对于直径＞1 cm、密度不均的良性与恶性结节，普通CT 扫描对二者的鉴别诊断仍然存在困难。检索国内文献对孤立性肺结节AI 定量分析目前较多关注的是结节的大小、形态［5-6］。CT 密度定量参数是 Dr. Wise 科研平台（http：//re‐search. deepwise. com）肺结节自动检测与分割后提供，目前对于定量参数的研究大部分集中在CT 最大值、平均值、增强CT 值的比较上［7-8］，很少有分析CT值方差对鉴别良、恶性肺结节的诊断效能。此次研究将深入探讨CT 值方差对亚实性与实性肺结节的良恶性诊断价值，并联合其他多种CT 定量参数，旨在为精准临床诊断提供客观依据。

1 资料与方法

1.1 一般资料

选取 2017 年 6 月至 2021 年 6 月在延安大学附属医院经手术肺内直径＞1 cm 并且病理学检查确诊的孤立性肺结节患者73 例，其中肺腺癌42 例，肺良性结节31 例（包括肺错构瘤7 例、肺结核球8 例、肺慢性炎症9例、肺硬化性肺细胞瘤7例）。

纳入标准：①有手术及病理学检查结果；②术前同一台CT 接受胸部CT 检查；③ 直径＞1 cm 的肺内实性或亚实性结节。排除标准：①患者配合差，图像伪影大；②CT 数据显示肺结节分割失败，不能进行数据处理。③患者有放疗史。

1.2 方法

扫描设备采用东芝320 排螺旋CT。扫描时患者呈仰卧位深吸气并屏住呼吸自肺尖至肺底全肺扫描。扫描参数：管电压120 kv，自动管电流，准直40 mm，螺距1.0875，转速0.5 s/r，旋转0.5 s，最小层厚0.625 mm，矩阵512×512，标准算法重建。

1.3 图像分析

将CT 扫描原始数据自动导入深睿医疗公司提供人工智能深度学习软件，AI 自动将识别肺结节、分割并定量分析。记录结果包括：结节长径（mm）、短径（mm）、CT 最大值（HU）、CT 最小值（HU）、CT 平均值（HU）、CT值方差（HU）等。

1.4 统计学方法

采用SPSS20.0 进行统计学分析。采用独立样本t检验或非参数检验比较肺腺癌与肺良性结节患者CT定量参数的差异。各CT定量指标用单因素与多因素二元logistic 回归分析，计算受试者工作特征（receiver operating characteristics，ROC）曲线下面积（area under the curve，AUC）、计算最佳诊断阈值、敏感度及特异度，P＜0.05为差异有统计学意义。

2 结果

2.1 CT定量指标

肺腺癌组与肺良性结节组的CT 定量指标：肺结节的大小（长、短径）及CT 最大值差异均无统计学意义（P＞0.05）；密度定量参数CT最小值、CT平均值与CT值方差有统计学意义（P＜0.01，表1，图1）。

图1 CT定量测量界面图

表1 肺腺癌组与肺良性结节组CT定量指标的差异（）

表1 肺腺癌组与肺良性结节组CT定量指标的差异（）

组别肺腺癌组肺良性结节组Z P长径（mm）19.05±9.15 19.50±8.79-0.493 0.622短径（mm）15.14±8.89 16.36±7.65-0.664 0.507 CT最大值（HU）171.41±80.48 148.55±57.56-0.729 0.466 CT最小值（HU）-397.26±260.27-139.82±190.10-3.401 0.001 CT平均值（HU）-46.57±96.32 31.85±43.52-1.870 0.007 CT值方差（HU）120.51±21.56 56.02±39.24-3.137 0.002

2.2 Logistic回归分析

将两组间差异有统计学意义的CT 密度定量指标进行单因素二元Logistic 回归分析，其中CT 最小值、CT 平均值及CT 值方差均是良恶性肺结节独立影响因素（表2）。然后将P＜0.05 的指标进行多因素二元Logistic向前步进回归分析。结果显示CT值方差是肺腺癌的独立危险因素（P＜0.05），OR值=1.020，95%CI：1.003～1.037，预测准确率80.4%。

表2 肺腺癌组的单因素Logistic回归分析

2.3 CT值方差判别肺腺癌患者临界值的判断

通过多因素二元Logistic 向前步进回归分析筛选指标CT 值方差并绘制ROC 曲线（图2），结果显示，CT 值方差可以鉴别肺腺癌组与肺良性结节（P＜0.05）。ROC 曲线下面积AUC=0.812（95%CI：0.680～0.943），临界值60.13，灵敏度78.6%，特异度78.6%。

图2 CT值方差判别肺腺癌与肺良性结节的ROC曲线

3 讨论

据2018年癌症统计数据显示，肺癌居于癌症死因之首，发病率和死亡率仍持续上升［9-10］。AI应用对肺结节检测具有很高的敏感性，同时可以提供多种定量参数，并已证实对于预测肺腺癌的侵袭性有一定的预判能力［11-13］。临床工作中对于肺内实性或亚实性的孤立性肺结节仅目前提倡多种CT 定量指标来丰富结节内在信息，从而提高肺腺癌的检出率。

研究［14］表明，孤立性肺结节直径是肺癌T 分期的重要参数，也是肺结节随访的重要参考指标。而本研究发现两组患者肺结节长、短径差异无统计学意义，不能鉴别良恶性肺结节，与文献研究结果不同［3］，可能原因是本研究入组结节均是直径＞1 cm的孤立性肺结节。作者发现CT 最小值、CT 平均值和CT 值方差等CT 密度定量参数差异有统计学意义。由于CT 最大值无法对肺结节内局部出血、纤维化或钙化等混杂因素影响进行排除，因而在提示肺结节浸润程度方面具有一定的局限性［15］。CT 平均密度值变化能够反映肺癌患者恶性程度［4］，对于实性或亚实性结节的良、恶性判断，平均密度值会导致结果的偏倚。但也有结果表明，由于亚实性或实性良恶性肺结节CT 值相似且重叠，单纯靠CT 值很难鉴别［16］。因此，深睿医疗公司在CT 定量密度参数内纳入了一种新型的密度计算标准，对于病灶体素内每个CT值与全体CT值的平均数之差的平方值的平均数，也就是说全部CT 值和CT 值平均数之差的平方，当数据分布比较分散（即数据在平均数附近波动较大值时），各数据与平均值差的平方和较大，方差就较大，反之则较小。通过单因素与多因素二元logistic 回归发现，CT 值方差是肺腺癌鉴别肺良性结节的独立影响因素（OR值=1.020，95%CI：1.003～1.037），预测准确率 80.4%。ROC曲线下面积 AUC=0.812（95%CI：0.680～0.943），临界值60.13，灵敏度78.6%，特异度78.6%。本研究发现肺腺癌患者CT值方差＞肺良性结节，CT最小值则＜肺良性结节，进一步提示肺腺癌病变内密度分布不均质，这是因为肺腺癌组织学类型变化过程由原位腺癌到微浸润和浸润性腺癌，肺结节密度逐渐由均质的磨玻璃再到不均质，最终发展成实性结节［17-18］。CT 值方差可以在 CT 平均值不能鉴别的前提下，分析病变内不均质，为良性结节鉴别诊断提出了一种新的定量分析指标。卢治兰等［19］提出双能量CT 标准化碘浓度（NIC）对良恶性肺结节鉴别具有较高的诊断价值，但对比剂的应用会增加患者造影剂过敏风险及经济负担。应用AI 在胸部影像中的自动上传及数据处理，可极大地减少放射科医师工作量，提高工作能效并减少漏诊率［20-21］，各种定量参数在肺内良恶性结节的诊断中的应用价值越来越重要。

本研究局限性：①本研究为回顾性研究，样本量少，后期加大样本量进一步研究，以提高鉴别良恶性结节的诊断价值。②肺良性结节涉及多种疾病，单一病灶数据分布不均衡，后期应进一步分组及完善各组数据。③本研究纳入为亚实性及实性结节，研究结果可能产生一定偏倚，后期应进一步设计纳入方案。

综上所述，本研究采用人工智能肺结节CT 密度定量参数对直径＞1 cm 的肺内孤立性良恶性结节进行定量分析，结果表明CT 值方差能够客观、精确地对于病变的良恶性进行判别，可以对临床后期在鉴别良恶性结节的精准诊断上提供一种有意义的参数。