左玲子 黃艷 李雙

肺癌是威脅人類(lèi)健康和癌癥致死的主要原因之一［1,2］。肺癌的早發(fā)現(xiàn)、早治療是提高生存率和降低病死率的關(guān)鍵［3］。隨著國(guó)人對(duì)健康體檢意識(shí)的逐漸加強(qiáng)和低劑量計(jì)算機(jī)斷層掃描(computed tomography,CT)技術(shù)的應(yīng)用,肺CT 在體檢中的應(yīng)用逐漸增多,同時(shí)也增加了放射醫(yī)師的閱片負(fù)擔(dān),從而容易導(dǎo)致肺結(jié)節(jié)的漏診。近年來(lái),隨著人工智能(artificial intelligence,AI)技術(shù)的不斷成熟,其在肺結(jié)節(jié)篩查中的應(yīng)用也逐漸被認(rèn)可［4］。本研究旨在評(píng)估基于深度學(xué)習(xí)的AI 技術(shù)在篩查體檢人群中肺結(jié)節(jié)中的應(yīng)用價(jià)值。

1 資料與方法

1.1 一般資料 回顧性分析2020 年9～12 月于本院接受低劑量肺CT 掃描,并檢出肺內(nèi)至少1 個(gè)≥3 mm 非鈣化結(jié)節(jié)的體檢者150 例,男102 例,女48 例；年齡29～87 歲,平均年齡(59.6±12.3)歲。圖像納入標(biāo)準(zhǔn)：①經(jīng)2 名放射科醫(yī)師閱片；②排除報(bào)告中肺結(jié)節(jié)部位和數(shù)量認(rèn)定不清的；③排除肺內(nèi)彌漫性病變、胸膜多發(fā)病變。

1.2 檢查方法 采用GE optima CT670 128 層螺CT機(jī),在被檢者吸氣末進(jìn)行全肺低劑量掃描,取仰臥位、頭先進(jìn),掃描范圍從肺尖至肺底掃描參數(shù)：管電壓80 kV,管電流采用自動(dòng)毫安技術(shù)；掃描層厚5 mm,重建層厚1.25 mm,重建間隔1.25 mm,掃描野(FOV)300～350 mm,矩陣 512×512,肺窗算法重建,窗寬：1500 HU,窗位：-600 HU；軟組織算法重建,窗寬：350 HU,窗位：40 HU。

1.3 肺結(jié)節(jié)閱片方法 分別通過(guò)醫(yī)師閱片和AI 閱片記錄150 例肺CT 的全部肺結(jié)節(jié),醫(yī)師閱片是以PACS系統(tǒng)存檔并有2 名放射科醫(yī)師雙簽的肺CT 影像報(bào)告為基礎(chǔ)記錄肺結(jié)節(jié)的,AI 閱片是將150 例肺CT 數(shù)據(jù)分別傳輸至由依圖公司提供的基于深度學(xué)習(xí)模型的AI 軟件,自動(dòng)分析出肺結(jié)節(jié)的數(shù)量、部位和大小,<3 mm 的微小結(jié)節(jié)不被記錄。肺內(nèi)結(jié)節(jié)認(rèn)定的金標(biāo)準(zhǔn)是由2 位資深放射診斷醫(yī)師在結(jié)合醫(yī)師閱片和AI 閱片結(jié)果后一致認(rèn)定得出的,并根據(jù)2018 版肺結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)將肺結(jié)節(jié)大小分為3 組：<5 mm 微小結(jié)節(jié)、5～10 mm小結(jié)節(jié)和11～30 mm 結(jié)節(jié),肺結(jié)節(jié)的大小取結(jié)節(jié)最長(zhǎng)徑和最短徑的平均值。

1.4 觀察指標(biāo) 比較醫(yī)師閱片和AI 閱片在肺結(jié)節(jié)篩查中的真陽(yáng)性率,分析漏診和誤診的原因,評(píng)估AI 閱片在體檢肺結(jié)節(jié)篩查中的應(yīng)用價(jià)值。

1.5 統(tǒng)計(jì)學(xué)方法 采用SPSS22.0 統(tǒng)計(jì)學(xué)軟件進(jìn)行統(tǒng)計(jì)分析。計(jì)數(shù)資料以率(%)表示,采用χ2檢驗(yàn)。P<0.05 表示差異具有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 兩種閱片方式在肺結(jié)節(jié)篩查中的真陽(yáng)性率比較入選的150 例肺CT 圖像經(jīng)過(guò)2 位資深放射診斷醫(yī)師結(jié)合影像報(bào)告和AI 閱片結(jié)果(金標(biāo)準(zhǔn))共認(rèn)定557 個(gè)真結(jié)節(jié)。醫(yī)師閱片共檢出328 個(gè)肺結(jié)節(jié),其中真結(jié)節(jié)326 個(gè),誤診結(jié)節(jié)2 個(gè),漏診結(jié)節(jié)231 個(gè)；AI 閱片共檢出958 個(gè)肺結(jié)節(jié),其中真結(jié)節(jié)556 個(gè),誤診結(jié)節(jié)402 個(gè),漏診結(jié)節(jié)1 個(gè)；AI 閱片檢出肺結(jié)節(jié)的真陽(yáng)性率99.8%(556/557)明顯高于醫(yī)師閱片的58.5%(326/557),差異有統(tǒng)計(jì)學(xué)意義(χ2=287.995,P=0.000<0.05)。見(jiàn)表1。

表1 兩種閱片方式在肺結(jié)節(jié)篩查中的真陽(yáng)性率比較(個(gè),%)

2.2 AI 閱片誤診和醫(yī)師閱片漏診的原因分析 AI 閱片誤診402 個(gè)肺結(jié)節(jié),占總檢出結(jié)節(jié)的42.0%(402/958),平均每例誤診2.7 個(gè)結(jié)節(jié)(402/150),<5 mm 的誤診結(jié)節(jié)占誤診結(jié)節(jié)總數(shù)的84.6%,誤診原因多見(jiàn)于血管分叉、增粗,肺內(nèi)索條影,胸膜結(jié)節(jié)和肺小葉結(jié)構(gòu)(見(jiàn)圖1),其他還有血管彎曲、增厚并擴(kuò)張的細(xì)支氣管、片狀實(shí)變或滲出影、樹(shù)芽征、胸膜斑、葉間胸膜肥厚、瘢痕、凸向肺野的縱隔血管(見(jiàn)圖2,圖3)；醫(yī)師閱片誤診2 個(gè)肺結(jié)節(jié),均把血管軸面當(dāng)做結(jié)節(jié)。AI 閱片漏診1 個(gè)肺結(jié)節(jié),占0.2%(1/557),為肺門(mén)區(qū)結(jié)節(jié)(見(jiàn)圖4)；醫(yī)師閱片漏診231 個(gè)肺結(jié)節(jié),占41.5%(231/557),多為<5 mm 的結(jié)節(jié),占漏診結(jié)節(jié)的91.3%,主要漏診原因是把微小結(jié)節(jié)誤認(rèn)為正常血管軸面。見(jiàn)表2。

表2 AI 閱片誤診和醫(yī)師閱片漏診結(jié)節(jié)的數(shù)量統(tǒng)計(jì)(個(gè),%)

圖1 右肺中葉血管分叉,AI 閱片假陽(yáng)性

圖2 右肺下葉增厚并擴(kuò)張的細(xì)支氣管,AI 閱片假陽(yáng)性

圖3 左上肺凸向肺野的縱隔血管,AI 閱片假陽(yáng)性

圖4 右肺門(mén)區(qū)結(jié)節(jié),AI 閱片漏診

3 討論

應(yīng)用于肺結(jié)節(jié)篩查的AI 技術(shù)大致經(jīng)歷了圖像處理法、經(jīng)典機(jī)器學(xué)習(xí)法和深度學(xué)習(xí)法三個(gè)階段的發(fā)展過(guò)程。目前以卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network,CNN)為代表的深度學(xué)習(xí)法在醫(yī)學(xué)影像中得到廣泛關(guān)注［5,6］。國(guó)內(nèi)有研究報(bào)道,基于深度學(xué)習(xí)的AI 軟件在肺結(jié)節(jié)檢出中的敏感度為99.1%［7］,而影像科醫(yī)師在雙閱片情況下肺CT 結(jié)節(jié)檢出率僅為82.4%［8］,AI 閱片不僅能降低肺結(jié)節(jié)篩查的漏診率,在肺結(jié)節(jié)良惡性的判斷方面也有很好的診斷效能［9-12］。

本研究基于深度學(xué)習(xí)法的AI 閱片在肺結(jié)節(jié)篩查的真陽(yáng)性率方面明顯高于醫(yī)師閱片,彌補(bǔ)了醫(yī)師閱片較高的漏診率。醫(yī)師漏診的結(jié)節(jié)多數(shù)為微小結(jié)節(jié),本研究<5 mm 的漏診結(jié)節(jié)占所有漏診結(jié)節(jié)的91.3%,主要原因是在水平軸位圖像上這些微小結(jié)節(jié)容易與血管混淆,其次是放射診斷醫(yī)生長(zhǎng)時(shí)間閱片造成的視覺(jué)疲勞和注意力不集中［13］,所以通過(guò)AI 閱片的輔助診斷能夠明顯減少放射診斷醫(yī)生的漏診率,同時(shí)減輕診斷醫(yī)生的工作強(qiáng)度。但是,目前AI 閱片在肺結(jié)節(jié)的篩查中也有自身的不足,其中最主要的是假陽(yáng)性率比較多［14］,本研究中AI 閱片檢出的假陽(yáng)性結(jié)節(jié)占總檢出結(jié)節(jié)的42.0%,平均每例肺CT 的假陽(yáng)性結(jié)節(jié)為2.7 個(gè),少于文獻(xiàn)［15］報(bào)道的平均每例肺CT 4～22 個(gè),可能是本研究選擇的人群是健康體檢者,并且在記錄肺結(jié)節(jié)時(shí)用AI閱片自動(dòng)濾過(guò)了<3 mm 的結(jié)節(jié)。因?yàn)橥ㄟ^(guò)AI 閱片發(fā)現(xiàn)<3 mm 的結(jié)節(jié)多為誤診的正常肺結(jié)構(gòu),尤其是大小2 mm×3 mm 的結(jié)節(jié)大多為正常血管結(jié)構(gòu)或者是胸膜下索條影,所以<3 mm 結(jié)節(jié)沒(méi)有納入本研究。另外在AI 閱片篩選出的肺結(jié)節(jié)中,大小為2 mm×4 mm 的結(jié)節(jié)也多數(shù)為假陽(yáng)性,主要誤診原因與大小2 mm×3 mm的結(jié)節(jié)一樣,是否AI 閱片能通過(guò)結(jié)節(jié)的形狀篩掉一些微小的假陽(yáng)性結(jié)節(jié)有待進(jìn)一步研究。造成AI 閱片假陽(yáng)性結(jié)節(jié)的原因有血管分叉、增粗,肺內(nèi)索條影,胸膜結(jié)節(jié)和肺小葉結(jié)構(gòu)等,造成諸多假陽(yáng)性的原因可能這些結(jié)構(gòu)在形態(tài)、邊緣和密度上同真結(jié)節(jié)有影像重疊之處,AI 閱片在特定的算法學(xué)習(xí)下還無(wú)法辨別真?zhèn)巍ａt(yī)師閱片之所以能分辨這些假陽(yáng)性結(jié)節(jié),是因?yàn)獒t(yī)師能夠識(shí)別結(jié)節(jié)鄰近結(jié)構(gòu)及判斷結(jié)節(jié)的來(lái)源,并且能辨認(rèn)病灶內(nèi)部細(xì)微結(jié)構(gòu),比如小葉中心性結(jié)構(gòu)由增厚的小葉間隔圍繞形成,片狀實(shí)變或滲出影中形成的假結(jié)節(jié),胸膜結(jié)節(jié)起源于胸膜等,所以說(shuō)診斷醫(yī)師在識(shí)別AI 閱片中出現(xiàn)的假陽(yáng)性結(jié)節(jié)是非常必要的。AI 軟件在肺結(jié)節(jié)篩查中怎樣降低假陽(yáng)性率還有待進(jìn)一步研究。

AI 閱片在肺CT 篩查中明顯提高了肺結(jié)節(jié)檢出的真陽(yáng)性率,降低了漏診率,但是所有被AI 閱片檢出的結(jié)節(jié)是否都有臨床意義以及需不需要進(jìn)一步診治,尤其是微小結(jié)節(jié),還需要臨床醫(yī)生判斷,比如2018 版肺結(jié)節(jié)診治中國(guó)專(zhuān)家共識(shí)中指出,無(wú)肺癌危險(xiǎn)因素≤4 mm 的實(shí)性結(jié)節(jié)不需要進(jìn)行隨訪。因此AI 閱片在提高結(jié)節(jié)檢出率的同時(shí),如果臨床醫(yī)生不能對(duì)這些肺結(jié)節(jié)進(jìn)行恰當(dāng)?shù)慕忉尯吞幚?也會(huì)給人們帶來(lái)心理負(fù)擔(dān),甚至是不必要的有創(chuàng)診療和醫(yī)療資源的浪費(fèi)。

本研究是一篇回顧性研究,同時(shí)存在病例選擇上的偏倚,比如納入的病例都是醫(yī)師閱片發(fā)現(xiàn)肺結(jié)節(jié)的病例,還有一些臨床上漏診病例無(wú)法納入本研究,另外診斷醫(yī)生水平和經(jīng)驗(yàn)不一致,影像報(bào)告結(jié)果也存在診斷上的偏差。

綜上所述,基于深度學(xué)習(xí)的AI 軟件應(yīng)用于肺CT篩查中,能夠減少肺結(jié)節(jié)漏診率和減輕放射科醫(yī)生的工作負(fù)擔(dān),同時(shí)也有較高的假陽(yáng)性率,只有AI 閱片與醫(yī)師閱片相結(jié)合才能提高肺結(jié)節(jié)檢出的準(zhǔn)確率。