人工智能对放射科实习生和住培医师检出肺结节的辅助价值

张添辉，曾锦梁，刘舒珊，李玉林，范伟雄（通信作者）

（梅州市人民医院放射科 广东 梅州 514031）

肺结节是早期肺癌的主要表现形式之一，其早期发现对肺癌患者的检出具有重要意义[1]。目前，胸部CT以其对肺结节的高度敏感性，成为肺结节筛查的最重要影像检查[2]。实习生和住培医师作为放射科的初学者及重要后备人才，熟练运用胸部CT 筛查肺结节是其必须学习和掌握的技能。然而，由于胸部CT 阅片量大，阅片耗时间，且初学者自身能力或经验不足，常导致肺结节漏诊的情况时有发生。因此，如何提高实习生和住培医师筛查肺结节的检出效能，已成为临床实践教学中的重要课题。人工智能（AI）是一门新兴的科学技术，近年越来越多应用于医学领域，尤其是肺结节AI 辅助诊断技术日趋成熟，在肺结节的诊断及教学中得到广泛关注[3-5]。因此，本文旨在探讨AI 对实习生和住培医师筛查肺结节的辅助价值，以期为AI 在临床及教学工作中的应用提供参考依据。

1 资料与方法

1.1 一般资料

回顾性收集2022年9月—10月在梅州市人民医院行胸部CT 检查的40 例患者图像，其中男性18 例，女性22 例，年龄22 ～63 岁，平均年龄（40.18±10.86）岁。纳入标准：①患者胸部CT 经一名主治医师和一名主任医师确定至少包含1 个肺结节，且肺结节直径小于3 cm；②胸部CT 图像满足AI 软件处理要求。排除标准：①胸部CT 图像存在明显呼吸、运动或金属伪影；②患者有肺部弥漫性病变，严重影响肺结节检出者。

1.2 方法

采用西门子SOMATOM Dedinition As、联影uCT 960+及GE Discovery CT750 HD 成像设备行胸部CT 扫描。所有患者取仰卧位，双手上举，扫描范围自胸廓入口至肋膈角，在吸气末屏气螺旋扫描采集容积数据。扫描参数为：管电压100 ～120 kV，管电流采用自动毫安秒，矩阵512×512，层厚为5 mm，重建层厚1.00 ～1.25 mm。图像分析采用肺窗进行观察，相应窗宽为1 500 HU，窗位为-400 HU。

1.3 肺结节参照标准及阅片方式

本研究肺结节参照标准确定流程如下：首先由一名主治医师结合AI 辅助诊断软件对胸部CT 薄层图像进行逐层阅片，确认病灶并标注位置层面，随后将结果交给一名具有20年以上影像工作经验的主任医师，由主任医师再次阅片并做最后判定，以此作为参照标准。

招募在我院放射科轮转的影像专业实习生和住培医师各一名作为阅片者，按以下两种模式进行阅片。①独立阅片模式：在不借助AI 软件辅助的情况下，阅片者在影像归档和通信系统（picture archiving and communication system，PACS）上对胸部CT 薄层图像进行逐层阅片，并详细记录每个肺结节的位置、层面及对每例患者的阅片时间。②AI 辅助阅片模式：经过两周洗脱期后，阅片者在AI 软件辅助下进行再次阅片，并记录每个肺结节的位置、层面及对每例患者的阅片时间。本研究AI 辅助诊断软件采用联影智能肺结节AI 辅助检测软件v730（图1），该软件具备肺结节定位、测量、类型判定、良恶性分析及自动生成结构化报告等功能。以肺结节参照标准为对照，肺结节检出率=真阳性肺结节个数/参照标准结节总数×100%。

图1 肺结节CT 影像人工智能辅助诊断软件

1.4 观察指标

①计算独立阅片和AI 辅助阅片模式的肺结节检出率，比较两种阅片模式检出效能的差异性；②比较独立阅片和AI 辅助阅片模式的阅片时间的差异性。

1.5 统计学方法

采用SPSS 20.0 统计软件进行数据分析。符合正态分布的计量资料以均数±标准差（）表示，采用t检验；计数资料以频数（n）、百分率（%）表示，采用χ2检验。以P＜0.05 为差异有统计学意义。

2 结果

2.1 肺结节参照标准

40 例患者的肺部CT 影像上共确定102 个肺结节，每例患者肺结节数为1 ～6 个，平均为（2.55±1.26） 个结节。

2.2 实习生和住培医师两种阅片模式的检出效能及阅片时间比较

实习生独立阅片共检出65 个结节（其中真阳性结节57 个，假阳性结节8 个），借助AI 阅片后共检出104 个结节（其中真阳性结节91 个，假阳性结节13 个）。实习生AI 辅助阅片模式的肺结节检出率高于独立阅片模式，阅片时间短于独立阅片，差异有统计学意义（P＜0.05），见表1。

表1 实习生和住培医师独立阅片与AI 辅助阅片模式的检出率和阅片时间

住培医师独立阅片共检出71 结节（其中真阳性结节66 个，假阳性结节5 个），借助AI 阅片后共检出105 个结节（其中真阳性结节94 个，假阳性结节11 个）。住培医师AI 辅助阅片模式的肺结节检出率高于独立阅片模式，阅片时间短于独立阅片，差异有统计学意义（P＜0.05），见表1。

3 讨论

目前，肺癌是发病率最高的恶性肿瘤，也是癌症性死亡的主要病因。肺结节是早期肺癌的主要表现形式，采用胸部CT 筛查肺结节有助于早期发现肺癌，对改善患者预后具有重要意义[6]。随着健康体检意识提升和低剂量胸部CT 普及，肺结节筛查工作已成为放射科的日常工作的重点之一。对于影像专业的实习生和住培医师等初学者，胸部CT 既是其学习和培训的重要内容，也是其在临床实践的主要工作。然而，由于实习生和住培医师尚在学习和培训阶段，工作经验相对不足，对于直径较小、形状异质化高的肺小结节，在临床实践中的检出效能不尽人如意。近年来，人工智能辅助诊断技术突飞猛进，逐渐应用于全身各系统疾病的检出、诊断、治疗及预后预测等方面，尤其在肺结节的检出中应用广泛[7-8]。因此，本研究旨在探讨肺结节AI 技术对实习生和住培医师的辅助价值，以期获得一种高效的“AI+”工作及教学模式。

本文发现，实习生和住培医师在AI 辅助阅片模式的肺结节检出率，较独立阅片模式获得显著提升，该结果与文献报道相符[9-10]。张正华等[9]评估基于深度学习的AI检测系统对实习生肺结节检出率的影响，结果显示实习生借助AI 阅片的肺结节检出率显著高于单独阅片，检出率由41.33%提高至97.46%。范鸿禹等[10]研究了AI 辅助低、高年资住培医师对肺结节的检测效能，结果显示低、高年资住培医师借助AI 阅片的肺结节检出率均有显著提升，其中低年资住培医师借助AI 阅片前后的检出率分别为47.43%与77.07%，高年资住培医师借助AI 阅片前后的检出率分别为50.50%与81.29%，且差异均具有统计学意义。本文结果显示，在肺结节AI 软件的辅助下，实习生对肺结节的检出率由55.88%提升至89.22%，住培医师对肺结节的检出率由64.71%提升至92.16%。分析原因为：首先，肺结节AI具有极为强大的深度学习能力和图像识别能力，能够对全肺所有可疑病灶进行自动识别，并在胸部CT 上进行详细标注，有助于阅片者对各个肺结节进行全面、细致观察，从而最大限度避免漏诊，提高肺结节检出率。其次，实习生与住培医师在独立阅片时，由于经验相对不足，且胸部薄层CT 阅片量大，可能导致漏诊或误诊情况出现，而在AI 辅助阅片的模式下，AI 软件不仅能够标示出各个肺结节，还能够提供每个肺结节的详细形态学参数，充当阅片者的“第2 双眼睛”，弥补阅片者工作经验的不足，进行准确的筛查和诊断工作[11]。

本文结果还发现，实习生与住培医师在AI 辅助阅片模式的阅片时间均显著短于独立阅片模式时间，该结果与文献报道一致。张正华等[9]研究结果显示，实习生在肺结节AI 辅助下的阅片时间显著短于独立阅片模式，阅片时间能够缩减80%。孙婷婷等[12]研究发现，低年资住培医师独立阅片模式和AI 辅助阅片模式平均每例CT的阅片时间分别为411.9 s 和319.7 s，后者较前者缩短22.38%。分析原因为：首先，肺结节AI 通过深度学习算法可在数秒内对海量CT 图像进行快速筛查，并在CT 图像上标记出所有可疑结节，有助于阅片者迅速在CT 图像上定位肺结节，提升阅片效率，缩短阅片时间。第二，肺结节AI 还具有病灶导航列表模块，阅片者不仅可通过点击导航列表实时定位每个结节，还可在导航列表浏览各个结节的大小、类型及良恶性等信息，提升诊断效率，缩短阅片时间。

本研究存在一定局限性。首先，本文着重于研究AI对放射科实习生和住培医师等初学者检出肺结节的辅助价值，而对于不同年资医师，尤其高年资医师对肺结节的辅助价值尚不清楚，有待进一步研究。其次，本研究未对不同大小、类型的肺结节的检出率进行分层分析，将来需扩大样本量进一步研究。

综上所述，人工智能有助于提升实习生和住培医师肺结节检出效能，且显著缩短阅片时间，值得在临床工作和教学中推广应用。