范鴻禹，孫丹丹，張 清，伍建林

（大連大學附屬中山醫(yī)院放射科，遼寧 大連 116001）

近年來，隨著我國住院醫(yī)師規(guī)范化培訓政策的廣泛實施，影像科規(guī)培醫(yī)師已逐漸成為一線閱片的主力軍，但因閱片量大、規(guī)培醫(yī)師自身能力或經(jīng)驗不足，常導致漏診、誤診發(fā)生，尤其是在肺結節(jié)的診斷方面［1］。因此，如何提高規(guī)培醫(yī)師對肺結節(jié)的檢測效能并縮短閱片時間，已成為臨床工作的重點。計算機硬件水平的提升和深度學習等核心技術的發(fā)展，推動了人工智能的發(fā)展，在醫(yī)學影像領域，人工智能擁有人腦遠不能及的計算和圖像識別能力，能對數(shù)據(jù)及圖像進行高效的分析和識別，在肺結節(jié)篩查方面具有良好的輔助診斷作用［2-3］。本研究旨在探討不同年資規(guī)培醫(yī)師在CT 獨立閱片及應用人工智能輔助閱片模式下對肺內結節(jié)的檢測效能是否有差異，并分析低年資規(guī)培醫(yī)師在應用人工智能輔助閱片后，能否達到高年資規(guī)培醫(yī)師對肺結節(jié)的檢測水平。

1 資料與方法

1.1 一般資料 收集2019 年1 月在我院行常規(guī)胸部CT 掃描的254 例患者。排除有胸部手術史、肺內彌漫性疾病、胸腔積液、肺實變或不張，以及胸部CT 圖像存在呼吸、運動偽影重影響觀測者。共納入180 例，其中男92 例，女88 例。本研究已獲得患者及醫(yī)院倫理審核委員會的批準。

1.2 儀器與方法 胸部CT 掃描采用Siemens 雙源CT 機（Siemens Somatom Definition Flash）?；颊呷⊙雠P位，單次深吸氣后屏氣掃描，掃描范圍從胸廓入口至肋膈角以下水平。掃描參數(shù)：120 kV，130 mAs，探測器準直128×0.6 mm，機架旋轉時間為0.5 s/周，螺距1.2，開啟CAREDose4D 技術。重建層厚1.0 mm，窗寬1 600～2 000 HU，窗位-800～-600 HU。

1.3 圖像分析 CT 掃描獲得的DICOM 圖像傳輸至人工智能輔助診斷服務器（InferRead CT Lung Research，Infervision，Beijing，China）上。由2 名低年資規(guī)培醫(yī)師（規(guī)培3～6 個月，已完成胸部CT 報告4 000～5 000 份）及2 名高年資規(guī)培醫(yī)師（規(guī)培30～33 個月，已完成胸部CT 報告15 000 份以上）閱片，在閱片前統(tǒng)一培訓。4 位醫(yī)師標注肺結節(jié)時保證環(huán)境安靜，每閱片30 min 休息10 min，上下午各閱片約150 min。

閱片分2 個階段，首先由4 名規(guī)培醫(yī)師在不借助人工智能軟件輔助條件下，對180 例胸部CT 圖像獨立閱片，并記錄結節(jié)的位置、大小、密度及閱片時間。

經(jīng)2 周洗脫期后，4 名醫(yī)師再次對相同CT 圖像借助人工智能軟件自動閱片篩查出肺結節(jié)后，并根據(jù)軟件閱片結果再次閱片，記錄結節(jié)的位置、大小、密度及閱片時間。

1.4 金標準制訂 首先由2 名具有10 年以上胸部影像診斷工作經(jīng)驗的高年資放射科醫(yī)師在借助人工智能軟件下閱片，即高年資醫(yī)師A 結合人工智能軟件綜合閱片，標注肺結節(jié)，并將結果交給高年資醫(yī)師B，由醫(yī)師B 結合人工智能軟件再次閱片并對高年資醫(yī)師A 的標注結果進行檢驗，意見不一致時交由第3 名具有15 年以上胸部影像診斷經(jīng)驗的主任醫(yī)師最后判定，最終達成一致意見。

分別將每名低、高年資規(guī)培醫(yī)師在獨立閱片、借助人工智能軟件閱片模式下對肺結節(jié)的閱片結果與金標準進行比對，記錄每例患者的真陽性、假陽性及假陰性結節(jié)數(shù)，計算敏感度及人均假陽性結節(jié)數(shù)。敏感度=真陽性結節(jié)數(shù)/金標準結節(jié)數(shù)，人均假陽性結節(jié)數(shù)=假陽性結節(jié)數(shù)/患者總例數(shù)。

1.5 統(tǒng)計學分析 應用SPSS 20.0 統(tǒng)計學軟件進行數(shù)據(jù)分析。采用Kappa 檢驗分析2 名低年資及2 名高年資醫(yī)師對肺結節(jié)檢測的一致性，K＜0.4 表示一致性較差，0.4≤K＜0.75 表示一致性中等，K≥0.75表示一致性較好。本研究中各醫(yī)師組對結節(jié)檢測情況的一致性較好（低年資醫(yī)師組：K=0.86；高年資醫(yī)師組：K=0.82），故分別取2 名低年資醫(yī)師及2 名高年資醫(yī)師對肺結節(jié)檢測結果的平均值進行比較。本研究數(shù)據(jù)均不滿足正態(tài)分布，故采用Wilcoxon 秩檢驗（配對樣本），比較低、高年資規(guī)培醫(yī)師獨立閱片及在人工智能輔助下的診斷敏感度、假陽性率和閱片時間的差異。以P＜0.05 為差異有統(tǒng)計學意義。

2 結果

2.1 低年資規(guī)培醫(yī)師獨立閱片與借助人工智能閱片對肺結節(jié)檢出情況比較 180 例通過金標準共確定1 208 個結節(jié)，低年資規(guī)培醫(yī)師獨立閱片檢出真陽性結節(jié)573 個，假陽性結節(jié)（誤診結節(jié)數(shù)）267 個，假陰性結節(jié)（漏診結節(jié)數(shù)）635 個；借助人工智能閱片后檢出真陽性結節(jié)931 個，假陽性結節(jié)162 個，假陰性結節(jié)277 個。

低年資規(guī)培醫(yī)師借助人工智能閱片檢出結節(jié)的敏感度（77.07%，931/1 208）高于獨立閱片模式（47.43%，573/1 208），人均假陽性結節(jié)數(shù)（0.90 個）低于獨立閱片模式（1.48 個）（P＜0.01），閱片時間［（361.07±163.07）s］少于獨立閱片時間［（429.11±132.61）s］，差異均有統(tǒng)計學意義（均P＜0.01）（圖1）。

2.2 高年資規(guī)培醫(yī)師獨立閱片與借助人工智能閱片對肺結節(jié)檢出情況比較 高年資規(guī)培醫(yī)師獨立閱片檢出真陽性結節(jié)610 個，假陽性結節(jié)87 個，假陰性結節(jié)598 個；借助人工智能閱片后檢出真陽性結節(jié)982 個，假陽性結節(jié)49 個，假陰性結節(jié)226 個。高年資規(guī)培醫(yī)師借助人工智能閱片檢出結節(jié)的敏感度（81.29%，982/1 208）高于獨立閱片模式（50.50%，610/1 208），人均假陽性結節(jié)數(shù)（0.27 個）低于獨立閱片模式（0.48 個），差異均有統(tǒng)計學意義（均P＜0.01）；高年資規(guī)培醫(yī)師獨立閱片時間［（367.22±120.52）s］與借助人工智能閱片時間［（380.16±135.40）s］，差異無統(tǒng)計學意義（P＞0.05）（圖2）。

2.3 低年資規(guī)培醫(yī)師借助人工智能閱片與高年資規(guī)培醫(yī)師獨立閱片比較 低年資規(guī)培醫(yī)師借助人工智能閱片對肺結節(jié)檢出的敏感度（77.07%，931/1 208）高于高年資規(guī)培醫(yī)師獨立閱片（50.50%，610/1 208），但人均假陽性結節(jié)數(shù)（0.90 個）高于高年資規(guī)培醫(yī)師獨立閱片（0.48 個），差異均有統(tǒng)計學意義（均P＜0.01）；低年資規(guī)培醫(yī)師借助人工智能閱片時間［（361.07±163.07）s］與高年資獨立閱片時間［（367.22±120.52）s］，差異無統(tǒng)計學意義（P＞0.05）。

3 討論

3.1 低年資規(guī)培醫(yī)師獨立閱片與借助人工智能閱片模式分析 本研究發(fā)現(xiàn)借助人工智能閱片后，低年資規(guī)培醫(yī)師對肺結節(jié)的檢測效能明顯提升，檢測時間縮短，提高了工作效率。

我院放射科日常在崗書寫影像報告人員約32 名，規(guī)培醫(yī)師24 名，其中低年資規(guī)培醫(yī)師約占1/4。每天上千份影像報告大多由規(guī)培研究生進行初寫工作，因其工作經(jīng)驗較少，想同時保障數(shù)量與質量較困難。本研究低年資規(guī)培醫(yī)師單獨閱片結節(jié)檢出敏感度僅47.43%，人均假陽性結節(jié)數(shù)達1.48 個，筆者推測可能是由于低年資規(guī)培醫(yī)師工作時間較短，經(jīng)驗不足，對肺結節(jié)的識別度較低，且當結節(jié)直徑?。ㄌ貏e是＜4 mm）、密度低、與肺紋理延續(xù)、位于血管旁時，易造成漏診、誤診，與邵亞軍等［4］觀點一致。低年資規(guī)培醫(yī)師借助人工智能后，診斷效能明顯提升，敏感度提高至77.07%，人均假陽性結節(jié)數(shù)下降至0.90 個，與文獻［5-11］報道一致。圖1 顯示了在右肺上葉尖后段有一直徑約0.5 cm 的實性小結節(jié)，在低年資醫(yī)師獨立閱片時漏診，而在其借助人工智能閱片后被檢出，分析其原因可能是低年資規(guī)培醫(yī)師將其誤認為血管斷面。此外，人工智能借助深度學習模式，對肺門、胸膜下、血管旁及一些非實性結節(jié)的檢測能力較高［12-14］，可彌補低年資醫(yī)師經(jīng)驗或能力不足導致的漏診，降低假陽性率，提高診斷準確率。

3.2 高年資規(guī)培醫(yī)師獨立閱片與借助人工智能閱片模式分析 高年資規(guī)培醫(yī)師經(jīng)過約30 個月的住院醫(yī)師規(guī)范化培訓后，其基礎理論水平及臨床工作能力普遍高于低年資規(guī)培醫(yī)師［15］。本研究中高年資規(guī)培醫(yī)師對肺結節(jié)檢測水平提高，但與金標準仍存在一定差距，原因可能為工作量較大、易出現(xiàn)疲勞狀態(tài)、診斷水平及環(huán)境等多種因素影響，導致漏診、誤診，特別是對較小病變、與血管距離較近且直徑類似于血管的病灶，人工智能可充當“第2 雙眼睛”，進行準確的輔助診斷，以彌補工作中的不足［16-18］。本研究中雖然高年資規(guī)培醫(yī)師已積累了一定的診斷經(jīng)驗，但借助人工智能輔助可明顯提高診斷準確率。圖2 顯示右肺下葉前基底段見一直徑約0.2 cm 的粟粒結節(jié)，該結節(jié)位于血管旁，位置較隱蔽，高年資醫(yī)師獨立閱片時漏診，而借助人工智能后將其檢出。Teague 等［19］報道，在人工智能輔助下，具有2～4 年工作經(jīng)驗的住院醫(yī)師對肺結節(jié)檢測敏感度均有提升。Sahiner 等［20］指出，使用有潛力的高性能CAD 系統(tǒng)，可提高放射科醫(yī)師對孤立性肺結節(jié)的檢測能力，尤其是易遺漏的小結節(jié)。本研究發(fā)現(xiàn)，低、高年資規(guī)培醫(yī)師獨立閱片模式下對肺結節(jié)檢測的敏感度相似，但高年資規(guī)培醫(yī)師人均假陽性結節(jié)數(shù)（0.48 個）明顯低于低年資規(guī)培醫(yī)師（1.48 個）。因此，能否借助人工智能輔助低年資醫(yī)師，使其縮短培訓時長，快速應對臨床工作，需進一步研究。

3.3 低年資規(guī)培醫(yī)師借助人工智能與高年資規(guī)培醫(yī)師獨立閱片模式分析 本研究中，雖然低年資規(guī)培醫(yī)師借助人工智能閱片模式較高年資規(guī)培醫(yī)師獨立閱片模式多誤診75 個結節(jié)，但前者對結節(jié)檢出的敏感度超過后者，多檢出321 個結節(jié)，可明顯提高對肺結節(jié)檢出的數(shù)量，診斷出更多結節(jié)。實際工作中因實行影像報告復審制度，上級審核醫(yī)師需審閱多名低年資規(guī)培醫(yī)師閱片結果，工作量及壓力更大，若低年資規(guī)培醫(yī)師漏診結節(jié)，會增加審核醫(yī)師漏診風險，而對于誤診結節(jié)，審核醫(yī)師較易進行診斷并二次排除（圖3），因此對于低年資規(guī)培醫(yī)師而言，增加結節(jié)檢出、減少漏診，才是首要條件。因此，借助人工智能，不但對低年資規(guī)培醫(yī)師快速檢出肺結節(jié)有較大幫助，同時還可有效降低審核醫(yī)師壓力，提高科室整體工作效率。

此外，本研究還存在一定的局限性：①不同的人工智能模型診斷效能不一，本研究結果僅代表本人工智能軟件的診斷效能。②未將結節(jié)按不同大小、密度進行細分統(tǒng)計，有待于今后深入研究。

綜上所述，人工智能輔助軟件對低、高年資規(guī)培醫(yī)師肺結節(jié)檢測效能均有提升，且大幅縮短低年資規(guī)培醫(yī)師閱片時間。低年資規(guī)培醫(yī)師在人工智能軟件輔助下，盡管誤診結節(jié)稍多于高年資規(guī)培醫(yī)師獨立閱片，但前者檢出的真結節(jié)數(shù)目遠超后者。

圖1 女，31 歲 圖1a 胸部CT 平掃肺窗示右肺上葉尖后段見一直徑約0.5 cm 的實性小結節(jié)（白箭），低年資醫(yī)師獨立閱片時該結節(jié)被漏診 圖1b 人工智能提示右肺上葉尖后段的小結節(jié)（綠框），低年資規(guī)培醫(yī)師借助人工智能閱片時該結節(jié)被檢出 圖2 男，42 歲 圖2a 胸部CT平掃肺窗示右肺下葉前基底段見一直徑約0.2 cm 的粟粒結節(jié)（白箭），位于血管旁，高年資醫(yī)師獨立閱片時該結節(jié)被漏診 圖2b 人工智能提示右肺下葉前基底段的粟粒結節(jié)（綠框），高年資醫(yī)師借助人工智能閱片后，該結節(jié)被檢出，另左肺下葉外基底段見一粟粒結節(jié)（黃框），在獨立閱片及人工智能輔助下均被檢出 圖3 男，49 歲 圖3a 低年資規(guī)培醫(yī)師獨立閱片未發(fā)現(xiàn)左肺下葉的“結節(jié)”，人工智能提示左肺下葉外基底段存在一直徑約0.3 cm 的微結節(jié)（箭頭）。低年資醫(yī)師借助人工智能閱片考慮該“結節(jié)”為真性結節(jié) 圖3b 高年資醫(yī)師經(jīng)三維重建后核定，該“結節(jié)”實為支氣管內痰栓