AI 识别技术在肺小结节诊断中的临床应用研究

陈 均，陈巧一（通讯作者）

（重庆市永川区人民医院放射科 重庆 402160）

随着社会发展，环境污染特别是大气污染对人们身体健康造成较大影响，呼吸系统疾病发病率也不断增加。呼吸系统疾病中，肺结节的诊断尤为重要，因为肺部肿瘤绝大多数表现为肺结节，如能早期诊断治疗，患者5 年生存率将明显提高。快速、尽可能完全发现肺结节并判断肺结节性质，有助于相关医师尽快给出治疗方案。而目前在临床上，我们通常是由诊断医生在薄层图像上观察有无肺结节，诊断速度较慢且对细小结节灵敏度不高，因此，相关人员希望通过现在的科学技术来进一步加强对肺小结节的诊断[1]。本文将通过对比AI 识别技术与影像医师诊断在肺小结节诊断中的临床效果，进而探讨AI识别技术在肺结节诊断过程中的应用价值，旨在为诊断人员提供一定的借鉴意义。

1 资料与方法

1.1 一般资料

本次研究选取2020 年12 月—2021 年4 月本院接收的50 例肺小结节患者，其中男性患者共有21 例，女性患者29 例，年龄在22 ～61 岁，平均年龄为（45.1±3.5）岁。排除双肺弥漫间质性病变、严重肺气肿、肺术后改变、双肺多发转移瘤、广泛瘢痕、肺水肿、肺炎及肺纤维化患者。基线资料差异无统计学意义（P＞0.05），所有患者均已签署同意书[2]。

1.2 方法

50 例患者均使用飞利浦64 排128 层Ingenuity Core 螺旋CT 检查，采用1 mm 层厚、B70 肺组织重建算法，在使用AI 识别技术之前，通过主治及以上有经验的诊断医师阅片，得到这50 例患者的基本数据。然后将50 例患者的薄层CT 图像导入到AI 识别软件之中，通过AI 识别软件进一步得到50 例肺小结节患者的基本情况，然后将医师诊断结果与AI 识别的结果进行比较，从而能够了解AI 识别技术在肺小结节诊断中的临床价值。

1.3 评价标准

本次主要是通过探讨医师诊断的结果与AI 识别技术结果的准确性，以及两者检查的速度来进行比较，从而探讨AI 识别技术是否在肺小结节诊断过程中有更大的优势[3]。

1.4 统计学方法

2 结果

50 例患者中共有阳性24 例，阴性26 例，人工正确读出19 例阳性，21 例阴性，漏诊5 例，误诊5 例。AI 识别技术正确读出24例阳性，25例阴性，漏诊0例，误诊1例。人工读片的灵敏度为79.17%，特异度为80.77%，准确性为80.00%，均显著低于AI 识别技术读片的100.00%、96.15%、98.00%（P＜0.05）。且二者总读片时间有几百秒的差距。AI 识别技术的总读片时间仅有（33.23±0.24）s，但是人工读片却需要耗费（373.63±45.38）s，两者差异有统计学意义（P＜0.05）。巨大的读片时长差异使得AI 识别技术在读片中具有更大的优势[4]。见表1。

表1 50 例肺部结节患者人工读片与AI 识别技术读片情况对比[%（n/m）]（ ± s）

表1 50 例肺部结节患者人工读片与AI 识别技术读片情况对比[%（n/m）]（ ± s）

组别 例数 灵敏度 特异度AI 识别技术读片 50 100.00（24/24） 96.15（25/26）人工读片 50 79.17（19/24） 80.77（21/26）χ2[t] 5.581 3.014 P ＜0.05 ＞0.05组别 例数 准确性 总读片时间/s AI 识别技术读片 50 98.00（49/50） 33.23±0.24人工读片 50 80.00（40/50） 373.63±45.38 χ2[t] 8.274 [53.040]P ＜0.05 ＜0.05

其中AI 识别花费时间主要为图像上传时间，图像上传后1 min 内即可完成分析；AI 识别多于诊断医师的结节主要集中在5 mm 以下。

在得到两组数据以后，相关人员通过对比分析可以了解到诊断人员完成1 例肺部CT 诊断时间为5 ～10 min，AI 识别技术时间明显较短。AI 技术可以发现更多的肺小结节，特别是5 mm 以下小结节及磨玻璃样结节，相对于诊断医师更不易漏诊微小结节。同时AI 识别判断出更多的高风险结节，且全部包含了人工诊断的肺癌结节，有利于引起临床重视。但是，AI 识别技术也存在个别误诊情况，主要是将迂曲血管误认为肺结节，本次研究中出现2 枚误诊结节。通过两组的比较，我们可以了解到在利用AI 识别技术来对肺部结节患者进行检查的过程中，AI 识别技术的灵敏度更高、速度更快、对结节风险的判断也比较准确。由此得出结论：AI 识别技术其灵敏度更高、速度更快，且能得到基本相同的分析数据，值得在肺部结节患者的临床诊断中大力推广[5]。

3 讨论

在当前的时代背景之下，AI 识别技术发展较快。在AI 识别技术大力应用的过程中，能够大大地提高医院的工作效率，也能够为相关的患者减轻一定的负担，避免因为相关的检查数据不准确而带来更严重的后果。当前很多患者一旦出现不适，相关的医疗人员都会采用CT 检查来了解患者肺部是否出现结节。一般情况下，我们无法通过肉眼直接观察到这些结节，只能够通过临床检查发现，因此相关人员会积极探讨高效的方式来检测患者的肺部结节情况，对于直径小于1 cm 的结节，即使是肺癌等恶性结节，也应手术彻底切除，但是如果没有早期发现，恶性结节发展较快，患者5 年生存率将明显降低[6]。

通过本次调查研究，我们发现不管是人工诊断还是AI 识别技术，都能够有效地判断出患者肺内的结节数量，但AI 在微小结节的诊断中更具优势。在此次分析对比之中，我们可以了解到本院近期接受的50 例患者中，平均每位患者肺内有4 枚以上结节，其中患有肺癌结节患者共有18 例。因此我们得出结论，AI 识别技术在肺结节的筛查中较大的优势，相关人员可以充分利用AI 的优点，将其运用到肺小结节的诊断之中。同时通过对比AI 识别时间以及医师诊断的时间，我们可以发现，AI 识别技术得到结果的时间更短，因而能够快速帮助相关医疗人员得到有效的结果，提高了诊断效率。影像医生诊断时间较长，长时间读片后会出现视力疲劳，容易漏诊微小病灶及磨玻璃结节。据研究疲劳确实能让放射科规培医师对肺结节诊断效能下降，应用AI 辅助肺结节检测软件能帮助其提升诊断效能，甚至超越其正常状态的诊断水平，对直径＜4 mm 结节检出率的提升尤为显著[7]。

AI 肺结节识别技术相对于诊断医师来说，更不容易因受工作时间、医师视力、工作经验等因素影响，因而可以保证比较稳定、高效的检测效率。但另一方面，因为AI 识别技术虽然比较精确，但没有自身分析判定能力，也存在假阳性的情况，特别是当图像质量欠佳、重建技术选择不当及AI 识别阈值降低时，会增高AI 识别假阳性的概率。调低AI 设定的检出结节大小的阈值，假阳性率进一步增加的主要的误诊原因包括：增厚的细支气管壁、 细支气管内的分泌物、迂曲/分叉的血管、增厚的小叶间隔、纤维条索等。

综上所述，随着影像设备和软件的不断进展，影像学在临床中的作用越来越显著，但也给影像医师带来很大挑战。AI 的发展为影像诊断带来了新的希望，在肺结节的检出、诊断等方面显示出较大的优势和前景。目前已有较多的AI 软件应用于临床，极大地提高了诊断医师诊断效率、减少了肺结节漏诊。但随着不断研究，发现AI 识别技术也存在一定的假阳性，仍需影像医师进行再次阅片和分析，避免误差和假阳性出现。我们在工作中应有效地运用AI 识别技术的优点，积极提升肺结节诊断的效率，同时做好诊断把关，避免将AI 结果直接作为诊断结果的情况发生。