人工智能系统辅助64 排螺旋CT 高分辨扫描在肺结节诊断中的应用

邱立军，乔宏伟（通信作者）

（1 上海市杨浦区控江医院放射科 上海 200093）

（2 上海市杨浦区控江医院老年医学科 上海 200093）

现阶段，肺结节的疾病成因并未有明确的定论，研究认为该疾病可能和机体免疫功能异常和免疫系统细胞的功能异常相关[1]。由于肺结节在早期阶段并不具备显著的临床症状，但是通过CT 检查，能够发现直径小于或等于3 毫米的不规则结节病灶，因此，CT 在肺结节的诊断和识别上被运用广泛。以往CT 在肺结节的诊断上已经取得不错的成果，但是它仍然有一些限制，主要是因为误诊率较高，影响诊断结果的精确度。所以，必须采取更具前瞻性与实际效果的诊断方法来提升诊断的准确率。同时由于CT 图像的数据量过多，使得放射科的医生面临着巨大的工作负担，在做大规模的阅片时可能出现遗漏，导致误诊和漏诊出现[2]。部分学者认为，AI 辅助诊断系统与医师人工阅片模式相结合，能够在图像采集、重构、切割、构建预期模型及核实等步骤中，协助识别肺结节的特征，有利于影像科医师准确判断肺结节良恶性，进一步为病人设计出具有针对性的治疗策略[3]。基于此，本文将分析人工智能系统辅助64 排螺旋CT 高分辨扫描对肺结节诊断的临床应用价值，报道如下。

1 资料与方法

1.1 一般资料

选 择2022 年10 月—2023 年10 月在上海市杨浦区控江医院就诊的肺结节患者158 例，对全部患者实施64 排螺旋CT 高分辨扫描，以辅助方式的不同分为医师诊断组、人工智能系统辅助+医师诊断组。其中男性75 例，女性83 例，患者年龄35～74 岁，平均年龄（58.26±3.62）岁。

纳入标准：（1）临床资料完整；（2）符合影像学检查适应证；（3）患者了解研究内容并签署知情同意书。排除标准：（1）严重的心脑肾等关键器官的器质性疾病患者；（2）有凝血功能问题的患者；（3）依从性差患者。

1.2 方法

使用联影64 排128 层uCT 760 CT 扫描仪，告知患者在吸气末屏气实施扫描。扫描的范围控制在肺尖到肺底的扫描区域，管电压120 kVp，对管电流进行自动的调节，将最大的管电流设定成260 mA，螺距设定为0.984，球管旋转速度为0.5 s/r，同时，将扫描的层厚度定义为5 mm。实施针对性、全面性的扫描和分析。选取两位拥有超过5 年工作经历的胸部诊断医生，依托AI 肺结节检测系统，对肺结节病灶进行标记。对于结节的类型，根据其在肺部的特性来划分，主要涵盖实性结节、纯磨玻璃密度结节、部分实性结节和钙化结节三种。使用AI 肺部结节识别系统，对158 例病人CT 扫描图像进行评估，并记录每一个结节的数目以及特征。然后，把评估结果与医生的判断结节相互比较。

1.3 观察指标

（1）以病理结果为金标准，分析医师诊断组及人工智能系统辅助+医师诊断组肺结节诊断结果，比较灵敏度、特异度、准确率。（2）比较不同大小结节检出准确率：微结节（小于5 mm）、小结节（5～8 mm）、大结节（大于8 mm）。（3）比较不同肺结节病症类型检出准确率：肺癌原发灶、肺转移瘤、结核灶、炎性结节。

1.4 统计学方法

采用SPSS 21.0 统计软件处理数据。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 代表差异有统计学意义。

2 结果

2.1 不同检查方式诊断结果

病理结果显示恶性102 例，良性56 例，医师诊断组准确检查恶性90 例，良性44 例，人工智能系统辅助+医师诊断组准确检查恶性98 例，良性50 例，见表1。

表1 诊断结果 单位：例

2.2 比较不同检查方式诊断灵敏度、特异度、准确率

人工智能系统辅助+医师诊断的灵敏度96.10%、特异度89.30%、准确率93.70% 均高于医师诊断的88.20%、78.60%、84.80%，差异有统计学意义（P＜0.05），见表2。

表2 诊断灵敏度、特异度、准确率[%（n/m）]

2.3 不同大小结节检出准确率

病理结果显示，158 例结节患者包含微结节88 例，小结节50 例，大结节20 例；人工智能系统辅助+医师诊断结节检出准确率均高于医师诊断，其中微结节检出准确率差异有统计学意义（P＜0.05），见表3。

表3 不同大小结节检出准确率[%（n/m）]

2.4 分析肺结节病症类型

病理结果显示，102 例恶性结节患者包含肺癌原发灶52 例，肺转移瘤50 例；56 良性结节患者包含结核灶32 例，炎性结节24 例；人工智能系统辅助+医师诊断不同结节病症类型检出准确率均高于医师诊断，但差异无统计学意义（P＞0.05），见表4。

表4 不同类型结节检出准确率[n（%）]

3 讨论

由于CT 扫描的普遍应用以及肺癌筛查方法的大规模使用，肺结节的发现率正在不断提高，促使许多关于肺结节的良恶性鉴定以及治疗的相关指导文件的发布。影像科的医生主要遵循Neischner 学会所制定出的指南和美国放射学院公布的肺CT 筛查报告、数据系统（Lung-RADs）HJ[4]。其中，Lung-RADs 的评级方法有助于明确识别出疾病是否转化为恶性，对于3 类或以上的结节，还需要做更深入的诊疗。Lung-RADs 3 类结节的阈值是6 mm，然而，新发实性结节的阈值为4 mm。在NLST实验中，超过一半的基线结节的直径介于4～6 mm，若是把阳性反应的阈值设定为6 mm，那么阳性反应的比例就会由27.3%下降到13.4%。所以，为确保结节检出的数目，可选择4 mm 来设定阳性结节的最低标准。对诊断结果分析发现，影响诊断结果的因素多种，如阅片人的经验、CT 扫描的条件和肺结节的特性，上述因素都会对放射科医生诊断肺结节的准确率产生影响。为降低肺结节的遗漏和错误判断的风险，专业人士提倡2 位或更多的放射科医生单独进行图像分析，同时运用CAD 技术。在这项研究中，AI 与影像医生联合诊断，都能够准确地识别恶性病灶，这表明医生对于较大或存在某种程度的恶性病灶的识别效果非常好[2-3]。这主要表现在对于直径超过10 毫米的病灶以及部分实性病灶的识别率都非常高。AI 在诊断所有非钙化结节的整体情况时，其灵敏度明显超过医生，特别是在诊断小于5 mm的实性结节时[5]。医师诊断灵敏度比AI 要差，主要是因为医师往往会忽略一些尺寸不超过5 mm 的小结节。另外，也可能是由于医生的阅片时长不够，或者是专注力不够，只是专门针对重大疾病进行诊断，对于微小病灶诊断并未给予足够的关注，甚至只是凭借个人的经验来判断。虽然AI 在诊断结节上的优势无疑可以为影像科医生带来便利，然而，如何将其运用到临床实践中，其具体的临床价值仍然存在争议。

本研究结果显示，人工智能系统辅助+医师诊断的灵敏度、特异度、准确率均高于医师诊断（P＜0.05）。证实人工智能系统辅助+医师诊断价值较高。与汪芳等[6]研究结果一致，主要是因为：当使用手动阅片的方式，存在着较大的遗漏结节病灶的可能。与人工阅片相比，人工智能的辅助检查系统拥有显著的优点，然而同时也面临一些挑战。在肺部结节的CT 检查环节，人工智能系统主要用于辅助诊断。当影像科的医生使用这个系统来检查图像时，根据系统的检查结果做出更精确的决策，从而降低遗漏或误差的可能。AI 在结节诊断中存在误诊概率，特别是在识别小叶中心部位时，此种情况更为常见[7]。另外，还有误判的可能性，可能是与气管有关，例如，增厚、扩张的细支气管，以及气管和细支气管中的分泌物等。和血管相关，主要是因为肺部涵盖增粗、弯曲、交错的血管以及肺部增粗的血管等。正常或是异常肺部结构，例如小叶核心结构，小叶内间隔以及小叶间隔。各个阶段感染性病灶，例如瘢痕、索条、片状实变、树芽状改变等。其他原因包含：局部突出于肺叶的骨质构造、有限的气体滞留，以及胸膜的斑点等。由于AI 所设置的诊断结果的最小阈值过低，导致假阳性的产生。经过移除小于5 mm 的假阳性病灶，假阳性的比例大概降低2/3。何舜东等[8]研究指出，影像医生的假阳性率非常低，这主要是由于医生对假阳性结节的判断经验比AI 要丰富得多。然而，现阶段AI 的主要工作还是在阳性结节的学习上，对于假阳性结节的学习还存在不足。AI 作为一门被广大医学界所采纳的前沿技术，其在肺结节的诊断上的应用，已经成为AI 在医疗领域的未来趋势。深度学习作为一种利用多层次的网络架构来实现多元化特性学习的人工智能技术，相较于传统的电脑辅助诊断系统（CTion），其优点更为明显。谢辉辉等[9]研究指出使用一款基于三维卷积神经网络（3D.cNN）的软件，它通过深度学习来实现目标的诊断，并且可以最大程度地利用肺结节的空间三维信息。深度学习技术在肺门区、胸膜下区以及非实质结节的识别上有显著的进步。深度学习模型具有高速的计算能力，随着经验的持续积累和模型的持续更新，其诊断的灵敏度和精确度也会持续提升，同时，假阳性也会得到控制。此研究也确认CAD 能够增强肺结节的诊断灵敏度，这与先前的研究成果相吻合[10-12]。AI 的应用范围和AI 软件的运用价值在逐步地拓宽，其在医疗领域的帮助作用也将有所增强。

综上所述，利用AI 软件能够提升医师诊断肺结节的准确率，同时也能减少阅片的时间。AI 软件作为肺结节诊断的辅助设备，其实际使用效果十分显著。