DenseNet网络深度学习分析CT图像鉴别肺结节良恶性的价值

钱 旭，王 姗

东南大学附属江阴市人民医院影像科，江苏 江阴 214400

肺癌是临床发病率较高的恶性肿瘤之一，及时准确地早期判断可极大程度减少肺癌病死率［1］。临床病理检查肺结节可观察上皮细胞增殖，肺泡内细胞显著增加，肺泡内含气量降低，肺泡间隔增加［2］。CT是目前肺结节检查常用手段，可细致观察肺部微小结节，可减少临床漏诊率［3］。随着人工智能技术逐渐进入医疗行业，运用深度学习算法极大程度上提高了临床诊断疾病准确率，也为后续制定治疗方案提供了可靠临床资料［4］。DenseNet网络深度学习分析是新型的人工智能技术，但用于肺结节影像图像评估及预测病变性质尚无报道。本研究主要探讨DenseNet网络深度学习分析CT图像鉴别肺结节良恶性的价值。

1 资料与方法

1.1 一般资料

选取2017年2月～2019年5月我院收治的疑似肺结节患者80例。纳入标准：患者经手术切除或穿刺活检确诊，病灶结节直径≤3 cm；患者肺部无胸腔积液、肺不张等；患者CT检查前未接受手术切除或穿刺活检；患者及家属知情并签署知情同意书。排除标准：患者CT图像存在运动伪影，或金属伪影；患者合并其它恶性肿瘤；患者肺结节存在远处转移。80例患者中，男43例，女37例，年龄35～78（58.39±8.81）岁，经病理确诊恶性结节54例，良性结节26例。本研究经我院医学伦理委员会批准。

1.2 方法

1.2.1 CT检查 采用西门子64排螺旋CT扫描患者胸部，屏气10 s，参数：管电压120 kV，管电流130～430 mAs，层厚6.0 mm，层间距8.0 mm。图像重建：层距1 mm，层厚1 mm。

1.2.2 DenseNet网络深度学习分析 将候选位置作为中心，采用取标注点最相近五层截取2D CT图像，包括横轴面、矢状面和冠状面，图像块感受野64像素×64像素，截取CT值为-1000～400 Hu，并归一化0～1，减掉平均灰度值。共1187个样本，恶性样本386个，良性样本801个，随机选择176个恶性样本，176个良性样本。分为训练数据（158个恶性样本，158个良性样本）和测试数据（18个恶性样本，18个良性样本），通过DenseNet网络进行训练、测试，得出肺结节良恶性评估结果。

1.2.3 图像分析 CT图像均由2名放射科副主任医师在不知情的情况下进行分析，观察肺结节大小、密度、形态、边缘及含气支气管征，在意见不统一时，经讨论后决定。DenseNet网络深度学习分析通过人工智能系统，自动获取结节特点，并根据其分类良性与恶性，获取肺结节良、恶性结果。将病理检查作为金标准。

1.3 观察指标

观察患者病理、CT、DenseNet网络深度学习联合CT检查结果，记录CT、DenseNet网络深度学习联合CT检查的敏感度、特异性、阳性预测值、阴性预测值、准确率及Kappa值。

1.4 统计学分析

采用SPSS20.0对数据进行统计分析。计数资料以n(%)表示，组间比较行χ2检验，以P＜0.05为差异有统计学意义。

2 结果

2.1 CT与病理诊断肺结节良恶性结果比较

病理诊断肺结节恶性26例，CT诊断21例与其结果一致，有5个误判为良性结节；病理诊断肺结节良性54例，CT诊断49例与其结果一致，有5个误判为恶性结节（表1）。

表1 CT与病理诊断肺结节良恶性结果比较Tab.1 Comparison between CT and pathological diagnosis of benign and malignant pulmonary nodules(n)

2.2 DenseNet网络深度学习联合CT与病理诊断肺结节良恶性结果比较

病理诊断肺结节恶性26例，CT诊断20例与其结果一致，有6个误判为良性结节；病理诊断肺结节良性54例，CT诊断51例与其结果一致，有3个误判为恶性结节（表2）。右上肺原位癌、肺微浸润性癌和肺浸润性癌的CT图像示意（图1）。

图1 CT图像Fig.1 CT images.

表2 DenseNet网络深度学习联合CT与病理诊断肺结节良恶性结果比较Tab.2 Comparison of results of deep learning of DenseNet network combined with CT and pathological diagnosis of benign and malignant pulmonary nodules(n)

2.3 CT、DenseNet网络深度学习及联合诊断价值比较

DenseNet网络深度学习联合CT评估结节良恶性的敏感度为96.15%，特异性为88.89%，CT评估其敏感度为76.92%，特异性为94.44%，DenseNet网络深度学习联合CT 评估准确率高于单纯CT 评估准确率（91.25%vs88.75%），且与病理诊断一致性较好（Kappa=0.810，P＜0.001，表3）。

表3 CT、DenseNet网络深度学习及联合诊断价值比较Tab.3 Comparison of CT and DenseNet network in-depth learning and joint diagnosis value

3 讨论

肺结节是早期肺癌CT重要观察对象，早期检出可明显延长患者术后生存期限，故严格观察CT图像有利于鉴别肺结节良恶性病变［5-6］。肺结节是直径低于3 cm的不规则病灶，在CT图像上呈高密度影、胸膜凹陷征、空泡征、分叶征等特征［7-8］。相关研究表明，恶性肺结节发生空泡征、分叶征几率较大［9］。目前CT作为判断肺结节首要检查方式，在放射科医生阅片中，主要依靠理论知识及实践等进行主观判断，当观察到胸膜凹陷征、空泡征、分叶征及含气支气管征等恶性征象时，则判断为恶性肺结节［10-12］。但对于微小直径、无明显恶性征象的肺结节，无法准确判断其良恶性，导致漏诊、误诊情况发生。

有学者采用CT影像学检查得出肺部磨玻璃样小结节样良、恶性准确率为97.1%，误诊率为2.9%［13］，这与本研究的准确率存在一定差距。本研究CT检查图像出现肺密度增高影，有云雾状阴影，可清晰显示支气管内血管情况，评估结节良恶性准确率为88.75%，敏感度为76.92%，特异性为94.44%。分析原因可能为：仅通过人工阅片分析CT图像，对于边界清晰、密度均匀的良性肺结节诊断准确率较高，具有一定的诊断价值；但人工阅片对存在毛刺、分叶征象的肺结节无法准确判断，特别是评估直径小于10 mm的恶性肺结节准确率明显降低，推测可能与微小恶性肺结节影像特征不明显，定性难度较大，且人工阅片主观性较强。既往研究表示，经验丰富医师诊断恶行结节的敏感度较高，但DenseNet网络模型CT同样具备较好的诊断敏感度，同时高级医师组对直径＞20 mm结节诊断符合率与人工智能组间诊断符合率无差异，但后者的特异性更高，说明人工智能组对结节良恶性判断方面优势更突出［14-16］。本研究也得出相似结果，DenseNet网络深度学习联合CT评估结节良恶性的敏感度为96.15%，特异性为88.89%，DenseNet网络深度学习联合CT评估准确率高于单纯CT评估准确率（91.25%vs88.75%），且与病理诊断一致性较好。说明DenseNet网络深度学习联合CT图像对进行CT检查的患者肺结节良恶性鉴别能力较人工阅片方式更强，极大程度可减少假阳性率。有学者研究深度学习人工智能技术对肺部的亚实性结节检出率高于较高年资医师，且评估时间较短［17］；有研究发现人工智能检测肺实变、气胸和胸腔积液敏感度高达80%，说明该方式具有较好的发展前景［18-19］。本研究结果与之相一致。人工智能是全球医疗行业关注焦点。DenseNet网络深度学习是近年来新型的评估方法，以CT 图像为基础并进行细致解读，可快速处理大量数据，尤其对肉眼无法可见的影像学特征可清晰解读［20-21］。同时DenseNet网络深度学习能够利用其快速学习能力自动对肺结节良恶性进行鉴别，其客观性较人工阅片更强［22］。

综上所述，DenseNet网络深度学习分析CT图像鉴别肺结节良恶性准确性较高，且与病理结果具有较好的一致性，为患者病情诊断提供有效依据。