肺结节人工智能评估危险度辅助人工阅片的应用价值

摘要：目的" 探讨基于CT图像的人工智能（AI）在肺结节筛查和评估危险度的临床应用价值。方法" 选取2022年1月～2022年12月在国药葛洲坝中心医院接受手术或穿刺并进行病理检查的肺结节患者100例。AI和医师分别进行结节诊断，比较A组（人工诊断，n=98）、B组（AI诊断，n=99）和C组（人工+AI联合诊断，n=99）的敏感度、特异性、阳性预测值和阴性预测值与准确率。以病理结果作为“金标准”，分析AI辅助医师预测良恶性的价值。结果" A与B组评估肺结节危险度差异无统计学意义（Pgt;0.05）。C组的敏感度（98.75%）、阴性预测值（91.67%）和准确性（90.00%）优于A、B组。C组可明显提高诊断效能，优于A和B组单独阅片，且诊断与病理结果有较好一致性（Kappa值=0.632，Plt;0.01）。结论" 基于AI的肺结节筛查和评级能够明显提高敏感度及准确率，并降低漏诊率，对于辅助影像诊断医生的阅片具有显著的临床价值。AI评估危险度辅助人工阅片肺结节的良恶性预判中同样具备较好的参考及临床应用价值。

关键词：AI智能诊断；低剂量螺旋CT；计算机辅助；肺结节；良恶性

Application value of artificial intelligence assessment of pulmonary nodule risk in assisting manual film reading

YUAN Fei， ZHONG Linfeng， CHEN Xing， CHEN Ziwen， GUO Kai， FU Liping

Department of Radiology， the Third Clinical Medical College of the Three Gorges University， Gezhouba Central Hospital of Sinopharm， Yichang 443002， China

Abstract： Objective To investigate the clinical utility of artificial intelligence （AI） utilizing CT images for screening and evaluating the risk of pulmonary nodules. Methods A total of 100 patients with pulmonary nodules who underwent surgery or puncture and pathological examination at Gezhouba Central Hospital of Sinopharm from January 2022 to December 2022 were selected. AI and physicians performed nodule diagnoses independently and compared the sensitivity， specificity， positive predictive value， negative predictive value， and accuracy of groups A （manual diagnosis， n=98）， B （AI diagnosis， n=99）， and C （manual+AI joint diagnosis， n=99）. The value of AI-assisted physician prediction of benign and malignant was analyzed using the pathological results as the \"gold standard\". Results There were no significant differences in the risk of pulmonary nodules between groups A and B （Pgt;0.05）. Group C was superior to group A and B in terms of sensitivity （98.75%）， negative predictive value （91.67%）， and accuracy （90.00%）. group C could significantly improve diagnostic efficiency， better than groups A and B in reading films alone， and the diagnosis was more consistent with pathological results （Kappa value=0.632， Plt;0.01）. Conclusion AI-based screening and grading of pulmonary nodules can greatly enhance sensitivity and accuracy， decrease missed diagnosis rates， and provide substantial clinical value in assisting radiologists in image interpretation. AI-assisted risk assessment of pulmonary nodules also holds significant reference and clinical application value in the pre-judgment of benign and malignant nodules.

Keywords： artificial intelligence diagnostics; low-dose spiral CT; computer-assisted; lung nodule; benign and malignant

收稿日期：2023-10-30

作者简介：袁" 飞，主治医师，E-mail： 68611500@qq.com

通信作者：付立平，主任医师，E-mail： 3427609072@qq.com

肺癌已成为全球发病率和相关死亡率排名第一的癌症［1］ 。肺癌初期是以肺结节为主要表现形式，早期发现结节越小，治疗方法越多，预后越好［2］ 。随着高分辨率CT［3］ 和低剂量螺旋CT［4］ 的临床应用，肺结节的检出率显著提高。人工智能（AI）的出现很大程度上解决了影像医师漏诊的情况，更可以多维分析自动生成结节良恶性程度预测，辅助影像科医师进行阅片诊断，且肺结节诊断及性质鉴别方面已成为临床研究的热点。目前大量研究表明AI分析肺结节形态、密度、成分等方面辅助医师定性诊断，有非常重大的作用［5-6］ 。但目前仍存在AI对非典型征象表现的结节良恶性识别能力不足、图像质量欠佳的数据可能影响AI的泛化能力等局限。AI仍处于极速发展的阶段，辅助医疗的能力可作持续性研究。本研究探讨AI辅助人工阅片联合诊断在CT肺结节诊断中的临床应用价值，以及AI对肺结节筛查进行危险度分级的能力，以期为AI在医学领域的应用提供比较有价值的参考。

1" 资料与方法

1.1" 一般资料

选取国药葛洲坝中心医院2022年1月～2022年12月行胸部CT检查发现的肺部孤立性结节患者。纳入标准：根据临床表现及AI分析结节特征，包括初检出及随访病例，院内肺结节专科会诊后，为明确诊断或高度怀疑为恶性肿瘤的患者，进行穿刺或胸腔镜手术。排除标准：初次发现并建议随访，以及未达到外科手术标准的患者。根据病理结果行回顾性分析，最终共100例患者纳入本研究。病理结果：良性病灶20例，包括硬化性肺泡细胞瘤1例、平滑肌性错构瘤1例、隐球菌感染1例、梭形细胞增生1例、非典型腺瘤样增生2例、纤维结节伴炭末沉积2例、肉芽肿性炎并坏死4例、机化性肺炎8例；恶性病灶80例，包括原位癌11例、微浸润性腺癌21例、浸润性腺癌31例、鳞状细胞癌9例、小细胞肺癌2例、转移癌6例。本研究经国药葛洲坝中心医院伦理委员会批准（审批号：gy20231221），患者均已签署知情同意书。

1.2" 检查方法

使用Philips64排128层高档螺旋CT和Philips16排螺旋CT行胸部CT扫描，吸气末屏气螺旋扫描采集容积数据，范围从肺尖到双侧肋膈角；管电压120 kV，管电流 40～100 mAs，调控DoseRight扫描模式；图像数据64排采用肺窗iDose4 Level 4（微辐射迭代平台）、16排采用iDose3重建，窗宽1600 Hu，窗位-600 Hu；重建层厚1.0 mm，重建层间距1.0 mm，重建矩阵512×512。

1.3" 图像分析处理

1.3.1" 影像科医师（A组）评估" "由2位10～15年工作经验的高年资主治医师参与阅片，在PACS系统上不使用AI诊断，根据观察图像记录结节的大小、形态、密度及良恶性预测，记录低危、中危及高危组。

1.3.2" 肺结节CT影像辅助检测软件uAI-ChestCare（B组）评估" "该软件由联影智能提供，版本号R001。所有数据上传至UAI-PACS联影肺结节智能诊断系统，通过该系统批量进行肺结节识别、标记、测量并自动生成结构化报告，按照30%和70%两个阈值划分为低（30%以下）、中（30%～70%）、高（70%以上）危结节。记录低危、中危及高危组。

1.3.3" 医师联合AI（C组）评估" "医师和AI诊断结果根据相同的危险度进行分组，分为低危、中危和高危组。最后，由资深医师（副主任及以上职称）对C组诊断结果进行审核，并将结节划分为良性和恶性组。

1.4" 观察指标

A、B、C 3组分别统计低危（良性可能性大）、中危（恶变可能）、高危（恶性可能性大）。危险度均认定低危倾向良性，中危及高危倾向恶性。未检出病灶及良性组为阴性，恶性组为阳性。以术后病理学检查结果为“金标准”，评价3组的敏感度、特异性、准确性、阳性预测值及阴性预测值。

1.5" 统计学分析

采用SPSS26软件包进行统计学分析。符合正态分布的计量资料以均数±标准差表示；计数资料以n（%）表示，采用χ2检验比较A、B、C 3组间肺结节检出效能。采用一致性 Kappa检验，Kappa≥0.85为检验结果一致性很好；0.6≤Kappalt;0.85为检验结果一致性较好；0.45≤Kappalt;0.6为检验结果一致性一般；Kappalt;0.45为检验结果的一致性差。以Plt;0.05为差异有统计学意义。

2" "结果

2.1" 危险度分组

A、B、C 3组分别对肺结节进行不同危险度分组，诊断结果的差异无统计学意义（Pgt;0.05）。A组共检出98例结节，B组共检出99例结节。其中A组有1例6 mm磨玻璃结节未检出（图1），1例囊腔灶A、B组均未被检出（图2）。C组共有52例（包括未检出1例）满足相同的诊断分组，有48个结节的危险度分级结果在A组和B组之间不一致（表2）。

2.2" 诊断效能对比

C组相比于单独的A组或B组，在肺结节识别上具有更高的敏感度、阴性预测值和准确率（Plt;0.05），特异性和阳性预测值的差异无统计学意义（Pgt;0.05，表3）。

2.3" 诊断结果分析

人工阅片诊断肺结节恶性与病理金标准具有一致性（Kappa值=0.460，Plt;0.01），AI诊断一致性较差（Kappa值=0.305，Plt;0.01）。AI辅助人工阅片阅片诊断肺结节结果与金标准具有较好一致性（Kappa值=0.632，Plt;0.01，表4）。

2.4" AI识别结节危险度分析

部分结节被AI识别成高危结节，而病理检查中被证实为良性病变（图3～5）。

3" 讨论

随着医学影像学的快速发展和医学影像设备的不断更新，已实现了肺癌的早期诊断，作为肺癌早期表现的肺结节诊疗也成为胸外科热门项目之一。随着低剂量螺旋CT的临床广泛运用，肺结节检出率也随之提高，尤其检测3 mm以下的微小结节更是加重了影像科医师诊断的负担，容易出现漏诊、误诊的情况。医学AI技术的出现，很大程度上弥补了医师人工阅片的不足，缩短了诊断时间，提高了诊出率及疲劳状态下医师对肺结节的诊断效能［7-8］ 。

人工智能在肺结节诊治中的应用专家共识（2022年版）指出，AI可增加肺结节检出率，假阴性率较高，其对肺结节良恶性鉴别准确性还无法取代人工（共识强度：一致共识）［9］ 。但AI经过近年来的飞速发展，在肺结节危险度评估中表现出极大的潜力。以联影智能肺结节辅助诊断系统为例，采用3D深度卷积神经网络（CNN）学习算法，该系统由华西医院与联影智能合作，基于数十万图像数据、临床参数和病理结果，相较于2D-CNN具有更高的准确率［10-12］ 。研究表明，基于CNN模型的肺结节诊断工具，具有较高的诊断准确率［13］ 。虽然AI无法完全取代人工阅片，但检出率和真阳性率已接近或达到中级医师水平［14-15］ 。这与本研究结果一致。与病理诊断作为金标准相比，AI辅助医师阅片可明显提高敏感度、阴性预测值和准确率，优于医师和AI单独阅片，且有较好一致性［16-17］ ；且医师在判别良性结节方面优于AI，AI评估危险度与医师的联合使用可以互补优势。这意味着两者联合诊断能够更准确地识别肺结节，可明显减少恶性结节漏诊的情况，在判断非恶性结节以及整体诊断方面有着更好的性能，有助于改善肺结节评估的准确性。

AI在辅助医师评估肺结节危险度方面的应用具有一些优势。首先，AI可以对大量的影像数据进行快速和自动的分析，提高阅片效率。这有助于减少医疗资源的浪费，缩短患者等待时间。其次，AI在对结节进行定量分析和特征提取方面具有一定的优势，可以发现一些人眼难以察觉的细微特征，提高诊断的准确性。尤其在肺磨玻璃结节筛查及定性方面，由于磨玻璃结节密度较淡，病灶较小的情况下，人工易出现漏诊。AI可明显提高检出敏感度及恶性诊断敏感度［18-20］ ，辅助医师做出更准确的诊断决策。另外，AI诊断结节过程为连续性，可通过PACS系统自行关联并对比病灶，通过大小、形态、密度的变化及倍增速度等，提示结节恶变率，为医师提供诊断参考。

AI根据结节形态、密度、边缘及与邻近组织关系等提取图像特征，发挥图形处理器的运算能力，作出危险程度分级提示，但因肺内结构复杂、病灶形态多样化、肺通气不良形成的“马赛克”征或慢性炎症导致的组织瘢痕等，均会被误判为肺部高危结节，故会导致假阳性的出现［21］ 。这也是AI诊断的局限性所在。本研究结果显示结核空洞，洞壁光整，边缘长毛刺征象，远处“卫星灶”；隐球菌感染边缘典型“晕征”；硬化性肺泡细胞瘤，结节边缘钙化点，贴边血管征；多例直径25 mm以上病理诊断机化性肺炎等良性病变，AI判别能力有限，计算提示为高风险。因此，AI也存在一些局限性和挑战。AI的发展离不开大量的标注数据和有效的训练模型，而这在某些特定的疾病或疾病亚型上可能受限。其次，AI在面对复杂的情况时，如结节形态不规则、图像质量不佳及判断恶性浸润程度时，可能表现不佳［22-23］ 。此外，AI的工作方式和医生的思维方式有所不同。在诊断某项疾病时，影像医师不单是通过病灶影像表现，还需结合临床症状及临床其他相关检查进行诊断。而AI是通过计算提取肺结节特征，输入到预先训练好的分类器中，利用形态学特征与大数据库图对比，得出的分析结果。医生还需对AI的结果进行综合判断和解释［24］ 。

AI在协助医师评估肺结节危险度方面具有积极的临床应用价值，最终目标是将AI与医师的临床实践相结合，提升肺结节评估的精确性和效率，以及肺癌分期诊断、治疗和预后方面，最大程度地造福患者［25-26］ 。本次研究的局限性：样本量偏少；仅采用1款AI系统进行分析；AI系统版本较旧。未来的研究还应注重AI算法的改进和优化，继续拓展训练AI模型，以提高其准确性和性能。例如：扩大研究样本规模；AI系统不断学习及更新，优化算法和模型，提高对一些特定类型及数据质量欠佳肺结节的诊断能力；多模态融合，结合CT、MRI等多种影像检查方法，提高诊断的全面性和准确性；结合患者临床信息和生化检查，提高危险度评估准确率；拓展智能辅助决策，包括订制诊疗方案，个性化随访时长，术后评估等［27］ 。AI的更新有无数可能性，后续可在新版本和多品牌AI基础上，持续进行相关研究。

综上，传统的肺结节筛查方法主要依靠医师对图像的判断和组织样本的病理检测。随着AI肺结节算法的不断精进，AI依托医院积累大量的经验和知识，进一步优化算法，对医生的诊断、随访和预后观察意见起到了指导作用。AI联合人工阅片不仅能提高5 mm以下的肺结节检出率，降低漏诊率，更能辅助医师对肺结节进行危险度分级，提高良恶性诊断率，具有非常重要的临床意义。

参考文献：

［1］" " 郑荣寿， 张思维， 孙可欣， 等. 2016年中国恶性肿瘤流行情况分析［J］. 中华肿瘤杂志， 2023， 45（3）： 212-20.

［2］" " Pinsky PF， Miller E. Use and outcomes of low-dose CT scan lung cancer screening in the medicare population［J］. Chest， 2022， 162（3）： 721-9.

［3］" " 黄云开. CT高分辨重建联合人工智能在肺结节识别诊断中的应用效果分析［J］. 现代医用影像学， 2021， 30（1）： 87-9.

［4］" " 谭锦林. 低剂量CT迭代重建技术用于早期肺癌筛查临床价值［J］. 实用医学影像杂志， 2023， 24（2）： 135-8.

［5］" " Wang C， Shao J， Xu X， et al. DeepLN： A Multi-Task AI Tool to Predict the Imaging Characteristics， Malignancy and Pathological Subtypes in CT-Detected Pulmonary Nodules［J］. Front Oncol， 2022， 12： 683792.

［6］" " 何舜东， 胡子良， 欧阳林， 等. 人工智能识别结合DenseNet网络模型CT在亚实性肺结节诊断中应用［J］. 分子影像学杂志， 2022， 45（2）： 248-51.

［7］" " Fahmy D， Kandil H， Khelifi A， et al. How AI can help in the diagnostic dilemma of pulmonary nodules［J］. Cancers， 2022， 14（7）： 1840.

［8］" " 王" 亮， 许" 迪， 孙丹丹， 等. 人工智能辅助软件可提升疲劳状态下放射科规培医师对肺结节的检测效能［J］. 放射学实践， 2021， 36（4）： 475-9.

［9］" " 吴阶平医学基金会模拟医学部胸外科专委会. 人工智能在肺结节诊治中的应用专家共识（2022年版）［J］. 中国肺癌杂志， 2022， 25（4）： 219-25.

［10］ Zhang C， Sun X， Dang K， et al. Toward an expert level of lung cancer detection and classification using a deep convolutional neural network［J］. Oncologist， 2019， 24（9）： 1159-65.

［11］" Halder A， Dey D， Sadhu AK. Lung nodule detection from feature engineering to deep learning in thoracic CT images： a comprehensive review［J］. J Digit Imaging， 2020， 33（3）： 655-77.

［12］" 张" 俊， 侯" 聪， 刘新疆. 基于深度学习的人工智能在肺结节诊断领域的进展［J］. 分子影像学杂志， 2020， 43（3）： 365-8.

［13］ Zhang XY， Liu B， Liu KF， et al. The diagnosis performance of convolutional neural network in the detection of pulmonary nodules： a systematic review and meta-analysis［J］. Acta Radiol， 2023， 64（12）： 2987-98.

［14］" 刘志鹏， 侯瑞刚， 李" 雯， 等. AI医学影像学诊断新模式前景的调查研究［J］. 山东医学高等专科学校学报， 2020， 42（3）： 224-6.

［15］" 张正华， 蔡雅倩， 韩" 丹， 等. 人工智能与不同级别医师对肺结节检出效能的对照研究［J］. 中国医学影像学杂志， 2020， 28（9）： 662-5.

［16］" "周伟文， 谭学渊， 余佐时. AI肺小结节检测系统用于低剂量CT肺筛查中的应用研究［J］. 中国CT和MRI杂志， 2023， 9（5）： 43-5.

［17］" 黄炜晴， 吴" 辉， 谭理连， 等. 人工智能在肺腺癌精准诊断的应用价值［J］. 中国CT和MRI杂志， 2023， 9（11）： 37-9.

［18］" 蔡雅倩， 张正华， 韩" 丹， 等. AI对肺磨玻璃结节筛查及定性的临床应用研究［J］. 放射学实践， 2019， 34（9）： 958-62.

［19］" 熊静娴， 周驰宇， 罗" 勇， 等. 人工智能对肺磨玻璃结节定性的应用研究［J］. 实用放射学杂志， 2021， 37（10）： 1614-7.

［20］" 张正华， 周小君， 韩" 丹， 等. 基于AI对磨玻璃密度早期肺癌浸润相关因素Logistic回归分析［J］. 临床放射学杂志， 2020， 39（10）： 2120-3.

［21］" 徐" 珂， 杨" 洁， 李秋实， 等. CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用［J］. 临床医学工程， 2023， 30（5）： 585-6.

［22］" 陈" 均， 陈巧一. AI肺结节筛查准确率及结节风险评估准确率分析［J］. 影像研究与医学应用， 2022， 6（1）： 13-5.

［23］" 刘鲜艳， 单法成， 李" 珊， 等. AI对肺结节良恶性鉴别及浸润程度的诊断价值分析［J］. 实用癌症杂志， 2022， 37（12）： 1994-6， 2000.

［24］" 徐 涛， 常" 欢， 崔" 宁， 等. 人工智能在肺结节诊断中的应用及展望［J］. 国际呼吸杂志， 2020， 40（21）： 1675-80.

［25］" Pei Q， Luo YN， Chen YY， et al. Artificial intelligence in clinical applications for lung cancer： diagnosis， treatment and prognosis［J］. Clin Chem Lab Med， 2022， 60（12）： 1974-83.

［26］" 程" 齐， 欧阳雪晖. 人工智能在影像医学中的实际应用［J］." 分子影像学杂志， 2023， 46（3）： 571-4.

［27］" Sufyan M， Shokat Z， Ali Ashfaq U. Artificial intelligence in cancer diagnosis and therapy： current status and future perspective［J］. Comput Biol Med， 2023， 165： 107356.

（编辑：郎" 朗）