人工智能技术对肺癌早期不同密度肺结节的诊断能力探究

王冠华，燕俊竹，张 林（通讯作者）

（1 石河子大学医学院 新疆 石河子 832000）（2 石河子大学医学院第一附属医院 新疆 石河子 832000）

我国恶性肿瘤患者5年生存率远低于发达国家，其中，恶性肿瘤死亡最常见的原因是肺癌[1]。肺癌早期在影像学表现为肺内结节，降低肺癌死亡率、提高预后最可行的方法是肺癌筛查，早发现、早诊断和早治疗[2]。“早诊断”成了所有影像医生面临的一道难题。人工智能系统利用深度学习技术，既可以自动识别、标注可疑结节，还能显示结节良恶性[3]。目前，许多AI 公司研发了基于卷积神经网络的人工肺结节筛查系统模型。也有小范围的验证都能够得出比较高的诊断效能，但目前尚无统一标准，也没有大型临床试验证明深度学习技术在临床应用中的可靠性[4]。本研究探讨了基于深度学习的人工智能技术对肺癌早期不同密度的肺结节检出和良恶性的鉴别上的应用价值。

1 资料与方法

1.1 病例资料

本研究整理石河子大学医学院第一附属医院2015年1月—2018年12月具有明确病理结果的3494例患者，筛选经病理诊断为肺癌患者997例。收集所有恶性结节患者从2013年1月到病理确诊间的胸部CT检查，筛选与肿瘤在相同位置有肺结节的CT检查共计287例影像图像作为检测集，其中实性结节161例，部分实性结节52例，磨玻璃结节74例。

1.2 图像采集

所有患者均用GE Discovery CT750 HD 或GE LightSpeed VCT机行常规肺部扫描。取仰卧位，扫描范围自从肺尖到肺底部肋膈角以下。扫描参数：管电流100 ～350mAs，管电压：120kv，矩阵512×512，层厚5.0mm，层距5.0mm，所有图像均进行1.25mm 薄层后处理重建。

1.3 肺结节检测

将符合本研究纳入标准的肺结节病例的标准DICOM 格式图像导入北京推想科技有限公司搭建并训练的CT深度学习模型AI-CT5.0版本模型中，记录模型检测结节的大小、位置、恶性概率。

表1 人工智能系统对肺结节检测结果统计

1.4 统计学处理

分别记录人工智能系统对肺结节的检出数，恶性个数和良性个数（以病理结果诊断结果为标准），计算三组的敏感度（真阳性率）、误诊率（假阴性率）、漏诊率，真阳性率＝诊断正确数/ 检测结节数×100%，假阴性率＝误诊数/检出数100%，漏诊率＝漏诊数/结节总数100%，采用S P S S20.0 统计学软件进行统计分析和处理，计数资料用χ2检验，P＜0.05为差异有统计学意义。

2 结果

人工智能系统对287例肺结节检测的结果，详见表2。

表2 人工智能系统对不同密度肺结节检测结果比较（%）

系统对三种不同类型的结节检出率没有明显统计学差异（χ2=3.791，P=0.135）。对三种不同类型的结节准确率亦没有明显统计学差异（χ2=10105，P=0.576）。

3 讨论

本研究分析了人工智能技术对肺癌早期不同密度的肺结节检出和良恶性的鉴别上的应用价值，人工智能系统检测实性结节、部分实性结节和磨玻璃结节的检出率分别为98.76%（159/161）、96.15%（50/52）和94.59%（70/74）。比较系统对三种不同类型的结节检出率没有明显统计学差异（χ2=3.791，P=0.135）。可见人工智能系统对实性结节、磨玻璃结节和部分实性结节三种不同类型结节的检出效果是相同的。

研究表明[5]，三种类型肺结节的恶性概率从高到低依次为：部分实性结节、磨玻璃结节、实性结节。本研究中，人工智能系统检测实性结节、部分实性结节和磨玻璃结节检出的真阳性率分别为66.67%（106/159）、66.00%（33/50） 和75.71%（53/70）。 比 较 系 统 对三种结节准确率亦没有明显统计学差异（χ2=10105，P=0.576）。在实际工作中，我们对结节良恶性的判断除了通过肺结节位置、形态、大小、密度、边界及周围等征象外，会根据结节密度进行一定的考虑，因为我们知道不同密度的肺结节的恶性概率是不同的，无形之中也会给影像医生诊断造成一些干扰。而人工智能系统则可以排除这些干扰。因此,人工智能系统较影像医师的诊断能力应该是具有明显优势的。