人工智能影像系统预测肺结节良恶性及浸润性的临床初探

何忠 宋薇 邓泽 刘毓哲 郑锐

肺癌在我国发病率及病死率都位居首位,而肺腺癌是肺癌最常见的组织学亚型[1]。早期缺乏特异的临床症状是肺癌死亡率高的主要原因之一,大多数患者就医时肿瘤已出现明显增长,在我国约75%的肺癌患者在诊断时已属晚期[2]。因此,早发现、早干预是提高肺癌患者生存的关键,肺结节为早期肺癌的影像学表现之一,如何有效地对肺结节进行鉴别诊断,快速明确其良恶性,是肺结节诊断治疗的关键。近年来人工智能(artificial intelligence,AI)发展迅速,其能自动提取肺结节位置、大小、形态信息,还能进一步提供肺结节分类(实性、亚实性及钙化等),在肺结节智能化检测方面显示出明显优势[3-4],广泛应用于肺癌的早期检测[5]及分子亚型分析等[6]。本研究使用了一种基于深度学习的人工智能肺结节辅助诊断系统,该系统不但能够对肺结节做出定性分析,还能够自动预测早期肺腺癌的侵袭程度,国内目前鲜有报道,本研究旨在评估人工智能辅助诊断系统对肺结节定性诊断的准确性及预测肺腺癌浸润程度的临床应用价值。

资料与方法

一、临床资料

本研究连续筛选2021年1月至2022年1月在中国医科大学附属盛京医院行肺部CT扫描并发现肺部结节,且经外科手术取得病理结果。纳入标准:①CT图像显示在肺窗下测量肺结节最大径≤30 mm。②胸部平扫采用标准重建算法序列进行重建,层厚1.00～1.25 mm。③多发性肺结节的患者,仅纳入有病理证实的结节。排除标准:①胸部CT检查之前已对病灶进行过穿刺活检、射频消融等侵入性诊断或治疗。②检查前因其他部位肿瘤,已经接受过全身化疗、靶向治疗或胸部放疗的患者。

最终纳入符合标准的患者528例,其中男性122例,女性406例,平均年龄(56.25±9.91)岁。肺结节共计606个,根据肺结节病理结果分为良性组205个,恶性组401个,其中病理为肺腺癌的肺结节389个。本研究经本院伦理委员会审核批准(2020PS691K),入组患者均免除知情同意。

二、病理诊断方法

肺腺癌患者病理按照2015年WHO肺腺癌分类标准[7]分为:①浸润前病变,包括非典型腺瘤样增生(atypical adenomatous hyperplasia,AAH)及原位腺癌(adenocarcinoma in situ,AIS)。②微浸润腺癌(microinvasive adenocarcinoma,MIA)。③浸润性腺癌(invasive adeno-carcinoma,IAC)。

三、CT扫描方法

使用荷兰Philips Ingenuity 64 CT进行扫描,扫描参数:管电压100～120kV,管电流200～280mA,扫描层厚5 mm,层间距5 mm,图像均采用高分辨率算法重建,且重建层厚为1.00 mm,并上传至PACS。

四、阅片方法

分别采用人工智能(AI)和医师阅片方法判断肺结节患者胸部CT。①医师阅片法由2位具有10年以上阅片经验的放射科医师独立对肺结节患者胸部CT进行分析诊断,按照《肺结节诊治中国专家共识(2018年版)》诊断标准[8]进行分类,并根据肺结节大小、密度、形状与血管和支气管的关系进行良恶性评估,人为将病变划分为可能良性及可疑恶性,两位放射科医生之间的任何分歧都通过讨论或咨询第三位调查员来解决。②AI阅片法由1位呼吸科医师使用人工智能肺结节诊断系统(上海点内科技有限公司提供)进行辅助诊断。将胸部CT的DICOM图像导入采用3D DenseNet模型算法的智能诊断系统,记录AI系统识别肺结节平均直径、密度分类、结节体积、恶性概率(恶性概率≥70% 提示为恶性结节,恶性概率<70% 提示为良性结节)以及恶性结节浸润程度分类(见图1)。

图1 人工智能肺结节分析结果图示

五、统计学方法

结 果

一、人工智能诊断系统鉴别良恶性肺结节的效能

本研究最终纳入符合标准的肺结节606个,所有患者均经胸腔镜下部分肺叶或肺段切除,病理诊断结果汇总(见表1)。

表1 病理结果汇总表

人工智能诊断与病理结果的一致性检验结果(见表2)。病理结果为恶性肺结节组401个,人工智能诊断低危肺结节23个,高危肺结节378个;良性肺结节组205个,人工智能诊断低危肺结节144个,诊断高危肺结节61个。二者一致性检验的Kappa值为0.676(P<0.001),人工智能对肺结节定性诊断与病理结果的符合率良好。

表2 人工智能诊断与病理结果的一致性检验

人工智能辅助诊断系统识别恶性肺结节的效能(见图2及表3)。根据人工智能辅助诊断系统预测的肺结节恶性概率和医师阅片符合率绘制ROC曲线。人工智能组的ROC曲线下面积为0.91 (95%CI0.891～0.936),敏感度94.3%,特异度70.2%;医师阅片组的ROC曲线下面积为0.767(95%CI0.724～0.811),敏感度80.5%,特异度63.3%。

表3 两种阅片方法诊断恶性肺结节的临床价值比较

图2 人工智能与医师组阅片诊断恶性肺结节的ROC曲线

两组患者一般资料比较,恶性结节组患者的年龄(56.97±9.26)岁,高于良性结节组(54.87±10.71)岁,差异有统计学意义(P<0.05),恶性结节组女性患者(69%)比例更高,差异有统计学意义(P<0.05),通过分析人工智能系统得出的恶性概率发现,恶性结节的恶性概率明显高于良性结节组[83%(80%,87%)vs47%(23%,78%),P<0.001],AI量化参数比较发现,两组肺结节在平均直径、体积比较差异无统计学意义,而恶性结节组的CT平均值和CT最大值均低于良性结节组(P<0.001)(见表4)。

表4 患者基本临床资料和AI定量参数比较

二、人工智能肺结节辅助诊断系统预测肺腺癌的侵袭性的效能

人工智能肺结节辅助诊断系统在区分浸润前病变和浸润性病变方面具有良好的效能,病理类型为AAH/AIS的只有1个被预测为IAC,而病理类型为IAC的只有2个被预测为AAH/AIS(见表5)。根据病理结果,将肺腺癌组分成两个亚组:非浸润性(AAH/AIS、MIA)和浸润性腺癌(IAC),构建ROC曲线评估人工智能辅助诊断系统对病理类型二分类结果的预测价值,人工智能辅助诊断系统的ROC曲线下面积为0.808(95%CI0.759～0.857),敏感度71.0%,特异度89.7%(见表6,图3)。

表5 人工智能预测肺腺癌侵袭程度的临床价值

表6 非浸润性和浸润性肺腺癌组人工智能ROC曲线分析

图3 人工智能判断肺腺癌侵袭程度的ROC曲线

讨 论

肺癌是最常见的恶性肿瘤之一,严重影响人们身心健康。研究显示,我国肺癌的5年生存率仅为19.8%,与日本的32.9%相比仍有很大差距[9]。而早期发现并确诊的肺癌患者进行治疗后,5年生存率可高达70%左右[10]。由此可见,对肺癌高危人群进行早期筛查、早诊断和早治疗可有效降低肺癌的死亡率。早期肺癌在CT影像学上多表现为肺结节,肺结节的检出率因不同的人群而有所差异[11]。据统计美国每年新发肺结节人数超过159万例[12],并且随着肺癌筛查项目的普及,偶然发现肺结节人数在不断增加。关于8个大型肺癌筛查项目的荟萃分析结果显示,单一肺结节的发病率在8%～51%,最终有1%～12%的结节发生恶变[13]。对临床医师和放射科医师最主要的问题是鉴别肺结节的良恶性,并让恶性肺结节患者及时接受有效的治疗。但是,大量CT图像的分析对放射科医师来说也是个挑战,尤其是对高危人群的大规模筛查,大量阅片造成的疲劳等因素,使得肺结节的漏诊几乎不可避免。因此,如何能在大量图像资料中准确筛查出高危结节已成为临床迫切需求。基于深度学习的人工智能凭借其准确的算法模型,不仅能在短时间内检出肺结节,而且能对其进行定性分析,预测其良恶性。避免主观偏差,提高分析的效率和客观性。

本研究以术后病理结果作为诊断肺结节的金标准,与AI的诊断结果相比,kappa值为0.676,说明两种方法有较好的一致性,与Gu等人[14-15]研究结果相似,证明AI能够很好的鉴别恶性肺结节。AI诊断恶性肺结节的ROC曲线下面积为0.91 (95%CI0.891～0.936),敏感度为94.3%,均明显高于放射科医师阅片,表明AI具有更好的诊断效果。由于算法的不同,文献报道AI鉴别肺结节良恶性的特异度可达34.69%～100%[16],本研究获得AI鉴别肺结节良恶性的特异度为70.2%,略高于医师阅片的特异度(63.3%)。特异度不高主要原因考虑:由于肺脏的血管、支气管、肺组织等结构复杂,肺结节的形态多样,支气管内痰栓,肺内淋巴结等均可误诊为高危肺结节[17]。

本研究进行良、恶性肺结节患者临床资料比较发现,两组在年龄、女性患者比例方面差异有统计学意义。年龄是公认的肺癌发病的独立危险因素,随着年龄的增长,肺癌的发病率逐渐增高[18]。本研究纳入的肺癌患者以肺腺癌为主,文献报道女性比男性患肺腺癌的机率更大,尤其是不吸烟女性,患支气管肺泡癌的可能性是男性的2～4倍[19]。其原因考虑可能与基因构成、激素、环境暴露、某些病毒感染及烟草危害的性别差异等相互作用的结果[20]。AI定量分析表明良、恶性肺结节患者组间结节平均CT值、最大CT值及恶性概率值差异均有统计学意义,与Shi等[21]的研究结果一致。

肺腺癌是肺癌最重要的组织学亚型,早期诊断和临床干预对患者的预后尤为重要。研究[22]报道AAH、AIS和MIA病人的5年无病生存率几乎达到100%,显著高于IAC患者(80%),因此正确判断肺腺癌病理亚型对提高病人的生存率至关重要。本研究采用的基于3D DenseNet模型的AI肺结节辅助诊断系统可自动预测肺腺癌的侵袭程度,病理类型为AAH/AIS的极少被预测为IAC,而病理类型为IAC的很少被预测为AAH/AIS,说明AI具有良好的分类效能,可以帮助临床医生术前预判肺腺癌病理浸润程度。2019年Masahiro等[23]报告了一种基于三维卷积神经网络(Three-dimensional convolutional neural network,3D-CNN)的AI肺结节检测模型,其预测肺腺癌病理亚型的AUC值为0.712,与经验丰富的放射科医师(AUC=0.714)几乎相同,且诊断的特异度(0.667vs0.458)优势明显,但其敏感度(0.758vs0.970)相对较差,而本研究的AI辅助诊断模型预测肺腺癌病理类型二分类结果的AUC值为0.808,敏感度为0.710,特异度为0.897,说明AI有较好的分类诊断准确性,能很好的辅助临床医生预测肺腺癌的侵袭程度,但其敏感度还有一定的提升空间。

本研究的局限性:(1)本文纳入的病例均为有明确病理结果的肺结节,可能存在一定的选择性偏移。(2)需进一步扩大样本量,对AI诊断的有效性进行充分的验证。

综上所述,一种基于3D卷积神经系统和多任务学习的人工智能系统可以准确量化肺结节三维特征参数,计算其恶性概率,且结果可信度较高,并且能自动预测早期肺腺癌浸润程度,是影像科医生可靠而实用的有力助手,可在临床中广泛应用。