黃煒晴 吳 輝 譚理連 何廣明

廣州醫(yī)科大學(xué)附屬第二醫(yī)院放射科 (廣東 廣州 510260)

2015年中國(guó)居民惡性腫瘤發(fā)病情況中，全國(guó)肺癌發(fā)病數(shù)為78.7萬(wàn)，發(fā)病率為57.26/10萬(wàn)，因肺癌死亡人數(shù)達(dá)63.1萬(wàn)，死亡率為45.87/10萬(wàn)，肺癌的發(fā)病率及死亡率均居首位[1]。非小細(xì)胞肺癌占肺癌的80%以上，其中肺內(nèi)單發(fā)結(jié)節(jié)大部分病理結(jié)果為肺腺癌。肺結(jié)節(jié)是影像學(xué)表現(xiàn)為直徑3cm的局灶性、類圓形、密度增高的實(shí)性或亞實(shí)性肺部陰影，可單發(fā)或多發(fā)[2]。早期識(shí)別肺結(jié)節(jié)以及對(duì)肺結(jié)節(jié)進(jìn)行評(píng)估和生長(zhǎng)預(yù)測(cè)是提高早期肺癌診斷率，提高患者生存率的有效辦法[3-4]。

隨著計(jì)算機(jī)體層成像(computed tomography，CT)技術(shù)飛速發(fā)展以及低劑量CT在肺癌篩查中得到廣泛應(yīng)用，肺結(jié)節(jié)的檢出率不斷提高。經(jīng)過隨機(jī)對(duì)照實(shí)驗(yàn)結(jié)果證實(shí)，采用低劑量CT對(duì)高危人群進(jìn)行篩查可以有效降低肺癌病死率[5]。隨著人工智能(artificial intelligence，AI)的發(fā)展，AI在肺結(jié)節(jié)診斷中扮演著越來越重要的角色，大大增加肺結(jié)節(jié)的檢出率[6-7]。在AI的輔助之下，進(jìn)行胸部CT檢查的患者中60%以上能發(fā)現(xiàn)肺結(jié)節(jié)[8-9]。但目前對(duì)肺結(jié)節(jié)的精準(zhǔn)診斷仍存在以下問題：一是早期識(shí)別腺癌結(jié)節(jié)能力不足，肺腺癌患者預(yù)后與其病理類型有顯著關(guān)系，早期識(shí)別癌性結(jié)節(jié)可有效改善患者預(yù)后；二是對(duì)良性結(jié)節(jié)進(jìn)行重復(fù)檢查甚至是手術(shù)治療會(huì)增加患者心理負(fù)擔(dān)，造成醫(yī)療資源浪費(fèi)。本研究旨在探討人工智能精準(zhǔn)診斷腺癌結(jié)節(jié)及進(jìn)一步分析腺癌浸潤(rùn)程度的應(yīng)用價(jià)值。

1 資料與方法

1.1 研究對(duì)象回顧性分析2020年2月至2022年7月的92例肺結(jié)節(jié)患者，均于廣州醫(yī)科大學(xué)附屬第二醫(yī)院接受手術(shù)治療并取得病理活檢結(jié)果。根據(jù)術(shù)后病理結(jié)果分為良性結(jié)節(jié)組和腺癌結(jié)節(jié)組，腺癌結(jié)節(jié)組根據(jù)肺腺癌的不同浸潤(rùn)亞型進(jìn)一步分為浸潤(rùn)性癌和非浸潤(rùn)性癌組，非浸潤(rùn)性癌組包含病理結(jié)果為原位癌及微浸潤(rùn)性癌的患者。

納入標(biāo)準(zhǔn)：術(shù)前接受胸部CT平掃檢查；至少存在1個(gè)肺結(jié)節(jié)；接受CT檢查前未接受病理活檢、手術(shù)及放化療等治療；病灶直徑3cm。排除標(biāo)準(zhǔn)：肺部轉(zhuǎn)移瘤；病理結(jié)果為鱗癌、小細(xì)胞癌等非腺癌的惡性肺部腫瘤；圖像有嚴(yán)重偽影。

所納入的92例患者中，其中男性患者47例，女性患者45例，其中有3個(gè)肺結(jié)節(jié)和有2個(gè)肺結(jié)節(jié)的患者各4例，年齡32～77歲，平均(57.24±10.23)歲；術(shù)后經(jīng)病理證實(shí)良性結(jié)節(jié)30個(gè)，腺癌結(jié)節(jié)74個(gè)，共104個(gè)結(jié)節(jié)。

1.2 CT檢查方法采用GE Revolution 256層螺旋CT機(jī)進(jìn)行平掃掃描，并使用依圖AI輔助系統(tǒng)進(jìn)行人工智能分析?；颊哐雠P，深吸氣后屏氣進(jìn)行掃描，掃描范圍從肺尖至肺底，參數(shù)：管電壓120kV，管電流(80-450)mAs，層厚1.25mm，層距1.25mm，窗寬1500HU，窗位-600HU，并將采集到的影像學(xué)數(shù)據(jù)導(dǎo)入依圖AI輔助診斷系統(tǒng)(上海依圖網(wǎng)絡(luò)科技有限公司)進(jìn)行數(shù)據(jù)分析。

1.3 統(tǒng)計(jì)學(xué)分析采用SPSS 27.0軟件進(jìn)行統(tǒng)計(jì)學(xué)分析。符合正態(tài)分布的計(jì)量資料采用()表示，組間比較采用t檢驗(yàn)，不符合正態(tài)分布的計(jì)量資料以中位數(shù)/四分位間距[MED(P25，P75)]表示，組間比較采用非參數(shù)檢驗(yàn)；計(jì)數(shù)資料以率(%)表示，組間比較采用χ2檢驗(yàn)。

繪制受試者工作特征(receiver operating characteristic，ROC)曲線，獲得曲線下面積(area under the curve，AUC)，以約登指數(shù)[(敏感性+特異性)-1]最大時(shí)的參數(shù)值為閾值，確定CT各定量參數(shù)預(yù)測(cè)CT診斷肺結(jié)節(jié)的效能(敏感性、特異性、準(zhǔn)確性)。繪制受試者工作特征(receiver operating characteristic，ROC)，獲得曲線下面積(area under the curve，AUC)，以約登指數(shù)[(敏感性+特異性)-1]最大時(shí)的參數(shù)值為閾值，確定CT各參數(shù)判斷肺腺癌惡性程度的效能。P＜0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 入組患者基本資料描述按照入組標(biāo)準(zhǔn)共計(jì)收集92例肺結(jié)節(jié)患者中，存在一個(gè)肺結(jié)節(jié)的患者84例，存在多個(gè)肺結(jié)節(jié)的患者8例，符合標(biāo)準(zhǔn)的肺結(jié)節(jié)共104個(gè)，經(jīng)病理證實(shí)的腺癌結(jié)節(jié)共74例，良性結(jié)節(jié)共30例。在腺癌結(jié)節(jié)中，根據(jù)病理結(jié)果證實(shí)的浸潤(rùn)性腺癌共42例，非浸潤(rùn)性腺癌癌共32例。

表1 良惡性結(jié)節(jié)的情況

2.2 腺癌結(jié)節(jié)組與良性結(jié)節(jié)組的臨床特征與定量參數(shù)比較腺癌結(jié)節(jié)組和良性結(jié)節(jié)組年齡分布、性別、體積、分葉征、毛刺征、CT值標(biāo)準(zhǔn)差、能量和熵?zé)o統(tǒng)計(jì)學(xué)差異(P＞0.05)；與良性結(jié)節(jié)組比較，腺癌結(jié)節(jié)組的CT值最大值、最小值、平均值、中位數(shù)、偏度和峰值有統(tǒng)計(jì)學(xué)意義(P＜0.05)(見表2)。

表4 參數(shù)預(yù)測(cè)

2.3 浸潤(rùn)性腺癌組和非浸潤(rùn)性腺癌的臨床特征和CT定量參數(shù)比較浸潤(rùn)性癌組與非浸潤(rùn)性癌組患者性別、CT值最小值無(wú)統(tǒng)計(jì)學(xué)差異(P＞0.05)；而患者的年齡、結(jié)節(jié)的體積、分葉征和毛刺征方面有統(tǒng)計(jì)學(xué)差異(P＜0.05)；在各定量參數(shù)中CT值最大值、CT值平均值、CT值中位數(shù)、偏度、峰值、能量和熵比較差異有統(tǒng)計(jì)學(xué)意義(P＜0.05)。

2.4 浸潤(rùn)性癌組和非浸潤(rùn)性癌組部分參數(shù)ROC曲線及各參數(shù)比較根據(jù)ROC曲線來確定CT定量參數(shù)預(yù)測(cè)肺結(jié)節(jié)惡性程度的效能，可以看出熵、中位數(shù)和平均值的AUC值較大，其中熵值敏感性、特異性較高，平均值和中位數(shù)敏感性較高、特異性較低。

圖1 ROC曲線

3 討論

肺癌是當(dāng)今全球發(fā)病率和病死率最高的惡性腫瘤，早期缺乏特異性表現(xiàn)，5年生存率僅為15%～16%[10]。隨著影像學(xué)設(shè)備的發(fā)展和人們體檢意識(shí)的提高，肺結(jié)節(jié)的檢出率得到了提高。研究顯示，原位腺癌及微浸潤(rùn)性腺癌患者的5年無(wú)病生存率可達(dá)100%，但大部分因出現(xiàn)癥狀就診的患者常常是晚期，失去手術(shù)治療的機(jī)會(huì)[11]。早期鑒別肺結(jié)節(jié)的良惡性可有效降低肺癌的病死率及改善患者預(yù)后。肺結(jié)節(jié)的鑒別診斷可以從特定的征象進(jìn)行判斷，一般的良性結(jié)節(jié)的邊緣較光滑，惡性結(jié)節(jié)可見毛刺征、分葉征等。本研究比較了腺癌性結(jié)節(jié)組和良性結(jié)節(jié)組中表現(xiàn)為毛刺征和分葉征的差異不明顯，但在提示惡性程度方面，浸潤(rùn)性癌組與非浸潤(rùn)性組之間則有顯著差異。推測(cè)毛刺征和分葉征在癌性結(jié)節(jié)和非癌性結(jié)節(jié)的鑒別中無(wú)顯著差異的原因是，AI在判斷是否為癌性結(jié)節(jié)時(shí)較大程度依賴其形態(tài)學(xué)特征，導(dǎo)致在診斷部分良性病變例如炎性假瘤、結(jié)核等會(huì)因其影像學(xué)特征被AI誤判為癌性結(jié)節(jié)。

AI是一門旨在研究或開發(fā)用于模擬、延伸或擴(kuò)展人類智能的理論、方法、技術(shù)及應(yīng)用的技術(shù)科學(xué)。其最重要的形式之一是機(jī)器學(xué)習(xí)，機(jī)器學(xué)習(xí)系統(tǒng)可以根據(jù)正負(fù)反饋的例子不斷進(jìn)行自我修改，當(dāng)前用于圖像分析的最精確的機(jī)器學(xué)習(xí)方法包括特征工程分析、人工開發(fā)圖像預(yù)處理軟件等[12]。近些年，AI在肺部疾病診斷方面發(fā)展迅速，在肺結(jié)節(jié)的檢出、肺癌分期、治療及分子學(xué)特征的勾畫上的研究取得了不同程度的進(jìn)展[13-15]。AI在協(xié)助肺結(jié)節(jié)診斷上體現(xiàn)出的有效性已得到初步驗(yàn)證，可以為識(shí)別肺結(jié)節(jié)提供客觀、定量的數(shù)據(jù)，已經(jīng)成為診斷肺結(jié)節(jié)的重要工具，進(jìn)一步提高鑒別良、惡性肺結(jié)節(jié)的能力和影像科醫(yī)師在診斷肺結(jié)節(jié)的準(zhǔn)確性，減少漏診及誤診帶來的不良后果[16-18]。AI依托深度學(xué)習(xí)與記憶可提取肺結(jié)節(jié)中對(duì)診斷影響較大的微特征，具有無(wú)創(chuàng)、捕捉腫瘤異質(zhì)性和可重復(fù)性的特點(diǎn)，為診斷提供重要價(jià)值線索[6]。AI單純分析單個(gè)病灶的影像特征，沒有結(jié)合患者實(shí)驗(yàn)室檢查、病灶周圍影像特點(diǎn)、有無(wú)患肺癌高危因素等，可能影響其預(yù)測(cè)病灶性質(zhì)的能力。在本研究中預(yù)測(cè)癌性結(jié)節(jié)與非癌性結(jié)節(jié)的危險(xiǎn)程度無(wú)明顯差別，提示AI在預(yù)測(cè)肺結(jié)節(jié)危險(xiǎn)程度上仍有一定局限性。

CT紋理分析是一項(xiàng)采用計(jì)算機(jī)圖像分析技術(shù)對(duì)CT圖像中每個(gè)像素的灰度和空間分布特點(diǎn)進(jìn)行數(shù)學(xué)分析與運(yùn)算，通過特定的紋理參數(shù)量化評(píng)估病灶組織結(jié)構(gòu)異質(zhì)性，從而對(duì)病灶進(jìn)行定性診斷的[19-20]。隨著在診斷肺結(jié)節(jié)的應(yīng)用不斷深入，CT紋理分析技術(shù)在肺結(jié)節(jié)的診斷、分期、浸潤(rùn)程度的預(yù)測(cè)等方面顯示了重要的參考作用[21]。CT評(píng)估肺結(jié)節(jié)的紋理分析參數(shù)中，熵值反映了圖像紋理中灰度分布的隨機(jī)性程度[7]，其分布隨機(jī)性越高，熵值越大，圖像所含的信息量也越大，當(dāng)圖像紋理復(fù)雜程度越高，其熵值越大，反之無(wú)紋理則其熵值為0；偏度是描述灰度直方圖非對(duì)稱分布及偏斜方向和程度的參數(shù)；峰值是反映紋理清晰程度的指標(biāo)；能量反映圖像的均勻性和紋理粗細(xì)程度，局部圖像灰度分布越均勻，能量值越大。根據(jù)本研究結(jié)果，惡性形態(tài)學(xué)征象及定量參數(shù)提供的參考價(jià)值有限，只有部分定量參數(shù)(CT值最大值、最小值、平均值、中位數(shù)、偏度和峰值)在鑒別腺癌結(jié)節(jié)與良性結(jié)節(jié)時(shí)差異有統(tǒng)計(jì)學(xué)意義。在鑒別浸潤(rùn)性癌組和非浸潤(rùn)性癌組中，浸潤(rùn)性癌組的CT值最大值、平均值、中位數(shù)和標(biāo)準(zhǔn)差與非浸潤(rùn)性癌組有顯著差異。但有研究表明[22]，由于CT值最大值無(wú)法排除肺結(jié)節(jié)內(nèi)部局部出血、纖維化或鈣化等的影響，因此在提示肺結(jié)節(jié)的是否為癌性及惡性程度上存在一定局限性，進(jìn)而可能導(dǎo)致CT值平均值對(duì)判斷結(jié)節(jié)情況產(chǎn)生誤差。在腺癌結(jié)節(jié)和良性結(jié)節(jié)的鑒別中，兩者能量和熵差異無(wú)統(tǒng)計(jì)學(xué)意義。浸潤(rùn)性癌組的偏度、熵、峰值和能量與非浸潤(rùn)性癌組存在明顯差異。Borguezen等學(xué)者指出[23]，檢測(cè)肺結(jié)節(jié)的峰值和偏度在判斷肺結(jié)節(jié)的惡性程度上有意義，與本研究的結(jié)果相一致。

采用ROC進(jìn)一步分析CT值定量分析及紋理特征鑒別浸潤(rùn)性腺癌與非浸潤(rùn)性癌組的效能，熵值、CT值中位數(shù)和中位數(shù)的AUC分別為0.923、0.849和0.817，其中熵值為最大閾值為4.510時(shí)，其敏感度為0.857，特異性為0.844，說明CT的熵值對(duì)肺小結(jié)節(jié)的惡性程度有較好的分辨能力。結(jié)果與較前文獻(xiàn)報(bào)道一致[24]。

本研究的局限性：(1)本研究為回顧性研究，選擇樣本時(shí)存在一定的選擇性偏倚；(2)本研究樣本量較小，各浸潤(rùn)亞型的腺癌結(jié)節(jié)數(shù)目不平衡，仍需要大量病例進(jìn)行前瞻性研究；(3)肺良性結(jié)節(jié)中涉及多種病變類型，各類型影像特征可能不一致。

綜上所述，利用人工智能分析技術(shù)對(duì)早期肺腺癌的鑒別診斷與浸潤(rùn)程度進(jìn)行預(yù)測(cè)有一定的參考價(jià)值，可以協(xié)助影像科醫(yī)師閱片，提高閱片效率，減少誤診率；預(yù)測(cè)的結(jié)果對(duì)患者的早期診斷和治療有指導(dǎo)意義。隨著人工智能分析技術(shù)的進(jìn)一步發(fā)展，在未來可以為患者提供更全面和精確的分析預(yù)測(cè)結(jié)果，從而為其治療提供個(gè)體化方案。