肺结节人工智能提软件取CT 纹理征象构建决策树模型：对IA 期小细胞肺癌的诊断效能研究

郭 曦，吴彦平，漆万银

（1.西南医科大学附属医院放射科，四川 泸州 646000；2.湘潭市中心医院放射科，湖南 湘潭 411100）

肺癌是世界上发病率最高的恶性肿瘤，其肿瘤相关致死率高居首位[1]。小细胞肺癌（Small cell lung cancer，SCLC）是肺癌中特殊的病理类型，与非小细胞肺癌（Non-small cell lung cancer，NSCLC）比较，SCLC 侵袭性强、恶性度高，其肿瘤倍增速度快，较早发生广泛转移，且易伴发异常内分泌综合征[2-3]。早期、无淋巴结转移的SCLC（<3 cm，IA 期）的确诊多依赖于病理学检查，然而当病灶位置较深、患者肺功能储备量较差，抑或存在其他穿刺或手术禁忌症时，病灶的定性诊断存在一定困难。仅依据CT 常规影像对SCLC 的诊断存在一定的局限性，尤其是早期病变缺乏典型征象时更为明显[4-7]。

以CT 纹理征象提取为基础的影像组学研究，能够对病灶实现全容积深度分割，获取更系统、全面的诊断信息，目前在肺癌的诊断领域发挥着重要的作用[8]。既往研究基于CT 纹理征象，初步探讨了其对SCLC 与NSCLC 的鉴别诊断价值[9-11]。然而，现有的研究对病灶CT 纹理征象的提取采用的是手动逐层勾画，操作较为繁琐，且存在难以避免的测量误差，重复性欠佳，尚未能对早期周围型SCLC 进行亚组分析。鉴于此，本研究通过肺结节人工智能软件，基于深度学习算法实现对肺结节的自动识别、分割，并进一步提取CT 纹理征象。本研究以病灶CT 纹理征象为基础构建决策树模型，以期为SCLC 与NSCLC 鉴别诊断提供客观、可视化的思路。

1 资料与方法

1.1 病例入组

对2018 年1 月—2021 年1 月西南医科大学附属医院与湘潭市中心医院收治的肺癌患者进行回顾性分析，收集其临床及胸部CT 资料。纳入标准：①肺结节<3 cm，且未发现纵隔及肺门淋巴结转移，临床诊断为IA 期（cT1N0M0）；②经手术或穿刺病理诊断为NSCLC 或SCLC；③CT 扫描图像经容积重建层厚为0.625～1.25 mm。排除标准：①CT 图像质量欠佳（如伪影），影响后续分析；②患者合并其他恶性肿瘤；③合并阻塞性肺炎或阻塞性肺不张。本研究经西南医科大学附属医院（No.KY2020147）及湘潭市中心医院（No.2021-07-009）伦理委员会审核通过，整个研究过程中严格遵循相应的章程制度。

1.2 CT 扫描

本研究采用多排螺旋CT 机（uCT550 或uCT760，上海联影，西南医科大学附属医院放射科；Revolution CT，美国GE 公司，湘潭市中心医院放射科），扫描范围包括肺尖至肺底，受检者完成深吸气动作后屏气完成扫描过程，扫描参数遵守两家医疗机构放射科日常固定设置，并保持一致性。扫描完成后，使用标准算法后处理重建层厚为0.625～1.25 mm。

1.3 肺结节人工智能软件对CT 纹理征象的提取

将扫描获取的原始图像，以DICOM 格式导出，传入肺结节人工智能软件（Deepwise 20201130fix1a，杭州深睿科技）。软件基于深度学习算法自动识别、定位肺结节位置，并进一步分割、提取其CT 纹理征象（图1）。获取的CT 纹理参数包括CT 最大值、CT平均值、CT 最小值、CT值方差、峰度、偏度、最大面面积、表面积、3D 长径、球形度、紧凑度以及熵值。

1.4 统计学分析

使用R 语言3.6.3（https://www.r-project.org/）进行统计学分析。使用 “CompareGroups” 软件包对NSCLC 与SCLC 组进行单因素分析，计量资料以均数±标准差（）表示，组间比较采用独立样本t 检验；计数资料以率（%）表示，组间比较采用χ2检验。最后，基于“rpark”和“partykit”包，对收集到的CT 纹理征象进行决策树构建，并基于节点最小误差进行剪枝，得到最优决策树；以“pROC”包对决策树进行诊断效能分析，计算出相应的敏感度、特异度以及曲线下面积（Area under curve，AUC）。以P＜0.05 为差异具有统计学意义。

2 结果

2.1 入组患者基线资料的描述

基于两家医疗机构，严格按照入组标准，共计收集到肺结节患者109 例（年龄（61.24±8.15）岁），均为孤立性实性结节，经病理证实SCLC 16例，NSCLC 93例，其中男59例，女50 例。

2.2 NSCLC 与SCLC 的单因素分析

与NSCLC 比较，SCLC 的CT 最大值、CT 最小值、CT 平均值、CT值方差以及熵值更大且偏度值更低（P＜0.05），差异具有统计学意义；而年龄、性别、峰度、最大面面积、表面积、球形度、紧凑度、位置、肺叶无统计学差异（P＞0.05）（表1）。

表1 IA 期NSCLC 与SCLC 临床及影像组学资料的比较

2.3 SCLC 与NSCLC 的诊断决策树模型

CT值方差（节点阈值214.045 HU）、熵（节点阈值9.105）纳入最终的决策树模型（图2），该诊断模型的AUC 为0.806，对应的敏感度、特异度及准确度分别为68.8%、92.5%、89.0%（图3）。

3 讨论

SCLC 与类癌、大细胞癌同属于神经内分泌肿瘤，约占支气管源性肺癌的15%～20%，其中90%～95%为中央型，在确诊时约67%存在远处转移，早期诊断较为困难[2]。IA 期SCLC 的治疗主要以放化疗为主，其治疗方案及远期预后与NSCLC 存在较大差异。在穿刺或手术病理获取困难时，早期SCLC 的准确影像学诊断，对患者治疗方案的制定以及预后评估有着重要的参考价值。既往文献初步总结了SCLC 的CT 常规影像学征象[4-7]：相比于NSCLC，小病灶SCLC 多伴有肺门淋巴结肿大，且病灶多为实性；此外亦存在分叶征、周围磨玻璃影、毛刺征、充气支气管征及胸膜牵拉征等鉴别诊断征象。然而，在既往研究中，除对小病灶SCLC 为实性且多伴肺门淋巴结肿大这一征象达成共识外，对于其他特征性影像学表现仍存在较大的争议，未能达成一致[4-7]。因此，对于早期不伴淋巴结肿大的周围性SCLC，常规影像学表现重叠较大，诊断征象存在一定争议，其诊断效能亟待提高[4-7]。所以有必要对早期SCLC 与NSCLC的影像征象进行深度挖掘，探索出一种诊断效能更高、诊断思路更具逻辑性的可视化的预测模型。CT纹理分析能够对肿瘤进行全体素、多维度的信息挖掘，从而量化肿瘤的异质性，反映肿瘤的代谢状况，为评估其恶性生物学行为提供更全面、客观的参考依据[8-11]。鉴于此，本研究通过肺结节人工智能软件，基于深度学习算法，在不增加患者经济负荷的基础上，对病灶CT 平扫图像进行自动识别、分割，深度挖掘其CT 纹理征象，并建立决策树诊断模型。

决策树是一种机器学习方法，其优点在于采用逻辑语句生成决策节点，并以树型结构输出结果，其直观性强、思维导向性好，对临床决策有着重要的指导作用[12]。本研究通过对SCLC 与NSCLC 各临床特征及CT 纹理征象进行单因素分析，最后将CT值方差（节点阈值214.045 HU）、熵（节点阈值9.105）纳入最终的决策树模型，节点阈值之上更倾向于SCLC。笔者综合分析既往文献，试探讨其原因可能在于：NSCLC 中的腺癌具有腺体结构，易伴有黏液产生；鳞癌易发生液化坏死，导致肿瘤内部整体密度减低[13]。由于CT值方差反映了病变的密度差异，故整体更低密度的NSCLC 表现为更低的CT值方差。此外，熵值描述的是肿瘤细胞复杂与不规则程度，反映瘤灶内部的异质性，SCLC 的熵值更高，这与其恶性程度更高、肿瘤异质性较大等生物学行为相对应，该结果与徐圆等[11]研究结果接近。本研究还对决策树模型进行了诊断效能分析，结果显示其AUC 为0.868，且对应较为均衡的敏感度及特异度，Alba 等[14]认为AUC＞0.750 则提示该诊断模型具有较优的诊断效能，存在较好的临床实用性。

综上所述，本研究通过肺结节人工智能软件，基于深度学习算法，对肺结节进行自动识别、分割，并进一步提取了病灶的CT 纹理征象，挖掘了CT 平扫图像更多的诊断参数，提升了其诊断能力。在IA 期SCLC 与NSCLC 的众多临床特征及CT 影像组学征象中，本研究通过决策树模型对众多因子特征进行降维，最后得到CT值方差（节点阈值214.045 HU）、熵（节点阈值9.105）可作为IA 期SCLC 与NSCLC鉴别诊断的决策节点。本研究在不增加患者经济负荷的情况下，通过肺结节人工智能软件，为临床医师提供了一个逻辑导向性强、直观可视化的预测模型工具，有助于临床决策。本研究仍存在一定的局限性：首先，本研究对比了IA 期SCLC 与NSCLC 的影像组学的特异性，但未能对NSCLC 中的鳞癌及腺癌进行进一步亚组分析；其次，本研究为的是解决早期NSCLC 与SCLC 的鉴别诊断，实验设计针对的是周围型IA 期孤立性、实性结节，可能限制了研究结论的泛化性；最后，本研究样本量较少，且属于回顾性研究，有待进一步扩大样本量，以获取更可靠的研究成果。