基于深度学习的周围型肺小腺癌CT图像计算机辅助诊断初步研究

侯秋阳 邓克学 叶茗珊 戴 钢 王敏锐 邢江浩

肺癌是目前世界发生率和死亡率最高的恶性肿瘤之一，其中，肺腺癌的发病率逐年增长，已经成为最常见的肺癌组织学类型。如果能够对肺癌早发现、早治疗，患者的五年生存率可由14%提高至49%，因此，对于早期肺癌的及时发现和正确诊断显得尤为重要。

随着影像设备技术的飞速发展，CT如今已成为临床筛查和诊断肺癌的重要方式。深度学习技术作为近年人工智能的热门研究方向，在医学影像领域逐渐得到广泛应用，本研究通过分析152例手术病理证实为周围型肺小腺癌的患者的CT影像资料，初步评估DL-CAD在周围型肺小腺癌诊断中的临床应用价值。

方 法

1．病例资料

回顾性分析我院2016年5月-2018年3月行胸部CT平扫的患者152例，均经手术病理证实为周围型肺小腺癌，最大直径≤3cm。其中女99例，男53例，年龄18～79岁，平均年龄（56．8±12．6）岁。结节直径大小为5．3～30mm，平均13．5mm。其中右肺上叶62例，右肺中叶18例，右肺下叶18例，左肺上叶40例，左肺下叶14例。

2．CT扫描技术

扫描所用的CT机为美国GE64排螺旋CT，全肺低剂量螺旋扫描，扫描层厚及层距为5mm，管电流为80mAs，管电压为120kV，螺距为1．375，所有扫描图像行1．25mm薄层重建并上传至DL-CAD进行识别。检测所使用的DL-CAD软件为科大讯飞开发的医学影像辅助诊断系统。

3．研究方法

先由2名高年资影像医师采用双盲法分别阅读152例患者的CT图像，详细记录每例病灶的边缘特征（分叶征、毛刺征）、内部特征（空泡征）、与周围组织的关系（血管集束征、胸膜凹陷征），两者意见一致后保留识别结果作为金标准。将所有CT图像传输至DL-CAD，由其对病灶进行自动识别并判定其恶性征象，如病灶未能识别则视为无结节检出。另由一名主治影像医师阅读上述图像，记录相应恶性征象，然后参考DL-CAD软件的识别结果，可采信或不采信软件的判断，再次作出判定。

4．统计学处理

以2名高年资影像医师对恶性征象的识别结果作为金标准，统计此医师应用DL-CAD前后识别肺小腺癌基本征象敏感度的差异，采用χ2检验对数据进行统计分析，使用SPSS16．0软件完成，P＜0．05认为差异有统计学意义。

结 果

在152例周围型肺小腺癌病灶中，DL-CAD共识别143例，未识别9例（图1、2），检出率为94．1%，实际研究样本为143例病灶。

在143例DL-CAD识别的周围型肺小腺癌病灶中，恶性征象共计351个，其中分叶征86个，空泡征73个，血管集束征77个，毛刺征50个，胸膜凹陷征65个。影像医师在应用DL-CAD前共识别309个，识别敏感度为88．0%；应用DL-CAD后共识别330个，识别敏感度为94%，差异具有统计学意义（P=0．001）；DL-CAD共识别300个恶性征象，识别敏感度为85．4% ，DL-CAD识别的全部假阳性数共计135个，假阳性率为18．9%。

影像医师使用DL-CAD前后对不同组别周围型肺小腺癌征象识别差异的比较见表1，结节直径大小（P=0．044）、病灶密度（P=0．031）及病理类型（P=0．035）对于周围型肺小腺癌征象识别敏感度差异具有显著性意义。

影像医师使用DL-CAD前后对周围型肺小腺癌各个征象识别差异的比较见表2，结果显示DLCAD对各征象识别敏感度有不同程度的提高(图3～8)，其中，对于血管集束征（P=0．008）及毛刺征（P=0．031）的识别敏感度差异有显著性意义，但

对于分叶征（P=0．125）、空泡征（P=0．062）及胸膜凹陷征（P=0．250）的识别敏感度差异均无显著性意义。

表1 使用DL-CAD前后对不同组别周围型肺小腺癌各征象识别差异的比较

表2 使用DL-CAD前后对周围型肺小腺癌各个征象识别差异的比较

图1 A．女，41岁，左肺上叶浸润性腺癌，DL-CAD漏诊的肺门旁结节 。B．女，31岁，右肺下叶原位腺癌，DLCAD漏诊的磨玻璃结节 。C．女，66岁，右肺上叶原位腺癌，医师漏诊而DL-CAD识别为阳性的毛刺征，毛刺细长；D．矢状位重建示毛刺征显示清晰 。E．女，47岁，右肺上叶原位腺癌，医师漏诊而DL-CAD识别为阳性的分叶征。F．女，68岁，右肺上叶原位腺癌，医师漏诊而DL-CAD识别为阳性的空泡征。G．女，50岁，右肺上叶原位腺癌，医师漏诊而DL-CAD识别为阳性的胸膜凹陷征。H．男，72岁，左肺上叶原位腺癌，医师漏诊而DL-CAD识别为阳性的血管集束征。

讨 论

DL-CAD的主要工作流程包括图像预处理、肺实质分割、肺结节检测及病变诊断[1]。先由影像医师对较大样本容量且有病理结果的病灶进行特征标注，制作成训练集，由系统进行深度学习，获取数据的原始特征，通过卷积神经网络（convolutional neural network，CNN）[2]技术实现机器的自主学习及自动特征提取，进而得到综合各征象诊断权重、计算机化的诊断系统。

胡玉娜等[3]基于肺癌形态学特征，应用主动被动近邻算法制作的半自动辅助诊断系统，使肺癌诊断敏感度由71%提高到80．7%。许多临床研究表明，不同结节形态特征与病理学基础之间的相关性。其中，毛刺征、分叶征、空泡征、胸膜凹陷征、血管集束征被认为是诊断肺癌的重要影像特征[4]，付金花等[5]认为，早期肺癌漏误诊的主要原因在于对影像征象的把握不准确。随着阅片工作量的提高，诊断医生的阅片速度越来越快，由于视觉疲劳或注意力降低等主观因素，一些微小的恶性征象容易被忽略。本研究中，影像医师在应用DL-CAD前后识别敏感度由88．0%提高至94．0%，差异有显著性意义，但其假阳性率较高，为18．9%，这会使影像医师二次阅片工作量大大提高，因此，如何在提高敏感度的同时减少假阳性数为关键所在。目前，国外普遍认为应用计算机辅助诊断最终诊断结果仍应由影像医师决定[6]。本研究中，DLCAD对肺结节存在一定漏诊，且对结节征象总体识别准确度为74．0%，远低于影像医师的初步识别准确度85．6%。影像诊断实践具有复杂性，决定了DLCAD仅能为医师提供参考结果，而难以单独对肺结节进行定性判断。

DL-CAD对于直径3～10mm的周围型肺小腺癌意义最大，识别敏感度提高了19．2%。结节直径是影响肺结节良恶性判断的独立危险因素，一般来说，直径越大，侵袭力更强，恶性程度越高[7]。本研究中，影像医师在参考了DL-CAD的结果后，征象识别假阳性数减少了21例，其中有20例结节直径为3～20mm，直径较小的结节，病变范围小，恶性程度相对较低，医师在短时间内大量阅片易忽略其恶性特征，在DL-CAD的提示下，医师对于恶性征象进行重新评估，可有效减少错误诊断的例数。

DL-CAD对于呈磨玻璃结节的病灶意义最大，可能是由于相对肺实质，磨玻璃结节的对比度较低，与实性结节相比恶性征象显示不直观，在快速阅片中易被忽视。

DL-CAD对于原位腺癌识别敏感度提高最为显著。肺腺癌的进展过程伴随着体积、密度及相应形态学的变化。作为肺腺癌早期病变，原位腺癌以圆形纯磨玻璃影为主，病灶以直径1cm以下居多，恶性征象不明显，但原位腺癌恶性征象所占比率高于非典型增生，预示着原位腺癌向浸润性肺腺癌进展的可能性与发展趋势[8]。原位腺癌在临床分期上属于T0期，对于肺癌早期发现、治疗及预后有着重要的临床意义。研究表明计算机辅助诊断系统对l0mm以下磨玻璃结节是否产生浸润性病变具有识别价值[9]，这与本研究结果具有一致性。

DL-CAD对血管集束征及毛刺征的识别敏感度有显著提高，敏感度分别提高9．1%和10%，对于其他征象也有不同程度的提高。血管集束征早期病变不典型，在原位腺癌中可见瘤灶周边有细微血管结构进入内部，即丰富的微血管分支结构，随着病变进展，瘤灶对血氧需求增加，病变周围血管呈增粗性改变[10]，征象表现才较为典型，由于血管可呈垂直、斜行分布，应在多个层面对血管进行追踪溯源，且需与毛刺的细短线条影鉴别；毛刺征表现典型者呈放射状排列的细短线条影，无分支，走形僵直，不典型的细长毛刺易误判为长索条影或血管影而导致漏诊。DL-CAD能引导影像医师将注意力集中于这些不典型的、细微的恶性征象，从而克服一些主观因素，使敏感度有所提高。

许多研究报道，CAD对肺结节漏检率为5%～62%，其中非实性结节检出率相对较低[11]，Yuan等[12]认为对CAD漏检结节影响较大的因素包括结节直径较小、密度较低以及软件分割算法的局限性，即CAD仅能识别肺实质内完全独立且不与胸膜下或肺门血管旁相连的结节，它会将其误当作肺组织的一部分而无法识别，为了准确提取空间信息，深度学习方法对结节的分割由2D扩展到3D，使网络结构趋于3D化，本研究中，在未检出的9例结节中，4例为磨玻璃密度，5例为与肺门或外周胸膜相连，检出率得到一定程度的提高。

总之，DL-CAD作为诊断医师的“第二双眼睛”，具有较高的敏感度，在周围型肺小腺癌的诊断中具有一定价值，但假阳性率较高，有待进一步完善。