基于人工智能CT定量参数预测肺磨玻璃密度结节侵袭性的研究

林冲 王福南 谢安杰 郭屹 复旦大学附属中山医院厦门医院放射科（福建 厦门 361000）

内容提要： 目的：探讨CT结合联影人工智能（Artificial Intelligence，AI）辅助诊断系统量化分析肺磨玻璃密度结节（Ground-Glass Nodule，GGN）侵袭性的诊断价值。方法：回顾性收集2021年5月～2022年5月本院经手术病理证实的CT表现为GGN的肺腺癌患者115例。将AAH、AIS及MIA纳入浸润前病变A组；将IAC纳入浸润性病变B组。利用联影AI系统自动测量术前胸部CT数据，包括肺结节的径线（最大横截面长径、短径、平均直径），体积、CT值（平均CT值、最大CT值、最小CT值）。采用ROC曲线进行分析，寻求诊断病变是否浸润的最佳临界值。同时行Logistic回归分析，确定与病变浸润性相关的独立危险因素。结果：GGN的年龄、性别、径线、体积及CT值的差异，均有统计学意义（P均<0.05）。其中B组的年龄、最大截面长径、短径、平均直径、体积、平均CT值均大于A组。通过ROC曲线对测量数据进行了统计，得到了最大断面长径、短径、平均直径、体积和最大CT值。Logistic回归分析显示，平均直径和最大CT值是GGN为浸润性病变的独立危险因素，根据Logistic逐步回归的概率对ROC进行了统计，AUC为0.888（P<0.001）。ROC曲线表明平均直径7.75mm，最大CT值127HU是GGN为浸润性病变的独立危险因素。结论：基于联影AI辅助诊断系统获得的三维定量参数，包括结节大小、体积、最大CT值，有助于预测早期肺腺癌的病理分级。

肺癌是我国最常见的恶性肿瘤之一，高居癌症病死率的首位，且进展期肺癌的预后一般较差[1]。既往研究中，IA期肺癌患者包括原位癌和微浸润性癌患者术后5年生存率可接近100%，因此早期筛查对诊疗至关重要[2]。肺腺癌是最普遍的病理类型。根据2011年度国际多学科肺腺癌分类标准（IASLC/ATS/ERS），将肺癌分级为：不典型腺瘤样增生（Atypical Adenomatous Hyperplasia，AAH）、原位腺癌（Adenocarcinoma in Situ，AIS）、微浸润性腺癌（Microinvasive Adenocarcinoma，MIA）及浸润性腺癌（Invasive Adenocarcinoma，IAC）。AIS及MIA患者仅需行肺段或楔形切除，不需要行淋巴结清扫，而IAC患者术后5年生存率仅74.6%，复发率及淋巴结转移率均较高，需行肺叶切除加淋巴结清扫[3]。由此可见，术前准确判断病变侵袭性具有重要意义。Fleischner协会2017年指南指出，结节大小、密度、实性成分等因素与其侵袭程度密切相关[4]。

随着薄层CT的普及，图像数量剧增，越来越小的结节被检出，显著增加了阅片工作量，由此带来的视觉疲劳，常导致漏诊，尤其是磨玻璃密度结节（Ground-Glass Nodule，GGN）更容易漏诊。早期肺腺癌在CT图像上，常表现为GGN，包含纯磨玻璃密度结节（pure Ground-Glass Nodule，pGGN）及混杂磨玻璃密度结节（mixed Ground-Glass Nodule，mGGN）。GGN与实性的结节相比，其病变是恶性的比例更高。mGGN中实性成分的大小与肿瘤浸润性密切相关。磨玻璃成分密度、实性成分的比重和尺寸是判断结节恶性的主要因素。过去缺乏关于mGGN实组分的客观量化资料，而pGGN则多采用一定断面的长、短径，用肉眼观察到的感兴趣区并测量其CT平均值表示结节的密度。该方法具有主观臆断、结节资料收集不完整、工作复杂等特点。这种方法存在主观性，对结节信息的获取不全面，工作量繁复。在深度学习的基础上，人工智能（Artificial Intelligence，AI）肺结节辅助诊断系统在临床中应用日益成熟，很大程度避免了影像科医师因视觉疲劳导致的漏诊，同时对肺结节的三维容积定量分析具备良好效能，改善了信息收集的一致性。本研究旨在利用CAD的优势，对GGN进行定量分析，探讨其对结节侵袭性的预测价值。

1.资料与方法

1.1 临床资料

采集2021年5月～2022年5月本院收治的115例肺癌患者为观察对象，男性38例，女性77例，CT均表现为GGN；年龄27～76岁，平均（52±12）岁。两名资深的病理医生参照2011年国际肺癌研究协会标准阅片。在115例患者中，6例为AIS，44例为MIA，65例为IAC。因为AAH、AIS及MIA在手术后的5年生存率中趋向100%，故将其均纳入浸润前病变A组，共50例；将IAC纳入浸润性病变B组，共65例。

纳入标准：①在手术之前进行CT扫描，并获得1mm厚度的薄层影像；②无运动或金属伪影，CT影像不会对结节观察和测量产生任何影响；③组织学检查：GGN为肺腺癌。

1.2 方法

胸部扫描采用东芝320排螺旋CT，全部病例采用仰卧位、双手抬起、头部前倾、深呼吸后屏息，进行扫描。扫描参数：管电压120kV、自动管电流调节，螺距0.906，厚度5mm，重建厚度1mm。扫描的范围包括肺尖到肺底，胸壁和腋窝，图像矩阵512×512，视野350mm×350mm。采用肺窗（窗位-400HU，窗宽1500HU）分析。图像（层厚及层间距均为1mm）经标准算法重建后，全部输入到联影肺结节CT影像辅助检测软件。由2位资深副主任医师分别阅片，将合格的病例列入试验，如有异议，则与主任医师商定。记录AI肺结节辅助诊断系统测得的GGN的最大截面长径、短径、平均直径、体积、平均CT值、最大CT值及最小CT值（见图1、图2）。

图1.女性59岁䯖病理为微浸润腺癌䯖测得最大截面

图2.AI自动勾画。测量GGN各量化参数

图示AI自动检测肺结节并对其进行定量分析，计算机自动测量其最大截面长径、短径、平均直径、最大CT值、最小CT值、平均CT值、体积等。

1.3 统计学分析

使用IBM SPSS Statistics 23.0进行数据统计分析。测定参数包括结节的径线（最大截面长径、短径、平均直径），体积，CT值（平均、最大、最小CT值）。根据结节不同的浸润性分为A、B两组，满足正态分布及齐方差的参数采用单因素方差分析；不满足正态分布的参数则采用Mann-Whitney U检验进行分析。对有统计学差异的参数，采用ROC分析其诊断效能，并采用Logistic回归剖析浸润程度的独立危险因素。

2.结果

115例患者中，A组共50个GGN，包含6个AIS，44个MIA；B组共65个GGN，包含65个IAC。AI检出敏感度为100%。GGN分组的测量结果见表1。

表1.GGN不同侵袭性的组间数据比较

各组间最大截面长径、短径、平均直径、体积、平均CT值、最大CT值不满足正态分布，采用Mann-Whitney U检验；年龄和最大CT值的数据满足正态分布及方差齐性，采用单因素方差分析。结果显示年龄、最大截面长径、短径、平均直径、体积、平均CT值、最大CT值、最小CT值与GGN浸润性差异均有统计学意义（P<0.001）。

用ROC曲线对各个独立的变量进行了统计（见表2），最大截面长径、短径、平均直径、体积和最大CT值变量的曲线下面积>0.7（见图3）。

表2.各量化参数鉴别GGN侵袭性的ROC曲线分析

图3.GGN各量化参数的ROC曲线

结合各数据间相关性、独立性以及上述结果，以AUC>0.7的参数做自变量（最大截面长径、短径、平均直径、体积和最大CT值），以结节的侵袭性作因变量，进行Logistic回归分析。得出浸润性病变的独立危险因素为平均直径[优势比（OR）=1.333，95%CI=1.119～1.588，P=0.001]和最大CT值（OR=1.004，95%CI=1.001～1.006，P=0.006）。GGN为浸润性病变的概率模型为Logit（p）=-3.183+0.288X1+0.004X2，其中X1为平均直径，X2为最大CT值。根据Logistic逐步回归的概率对ROC进行了统计，AUC为0.888（P<0.001）（见图4）。

图4.根据Logistic逐步回归的概率对ROC进行了统计䯖AUC为0.888䯒P<0.001䯓

3.讨论

肺癌是居我国发病率及病死率首位的恶性肿瘤，患者生存质量的提高及生存期的延长有赖于早期诊疗。随着低剂量胸部CT筛查的广泛应用，越来越多的早期肺癌被检出，大量肺结节的检出不可避免地导致患者焦虑或高度紧张，也导致过度诊疗等问题，繁重的筛查工作容易引起影像科医生的视觉疲劳，造成漏诊，GGN尤甚。因此，影像科医师如何规范化诊断，给临床医师和患者适度的信息非常重要。AI技术的发展，很大程度地避免了影像科医师不规范诊断报告，并避免因视觉疲劳导致的漏诊。AI对肺结节的三维数据定量分析不仅提高了工作效率，并且提高了诊断信息的一致性。既往研究表明，由AAH进展至AIS，然后进展为MIA，再进一步进展到IAC，病灶内的肿瘤细胞成分密集度逐渐增加，CT值也随之增高，肿瘤的浸润性越强，但在影像表现上，存在一定重叠[5]。通过肉眼观察结节的形态、测量其径线和密度等来综合判定其性质，是传统影像学诊断方式，其诊断结果受阅片医师经验影响，且人工测量结节径线、密度等也缺乏准确性和可重复性的优点。在量化的衡量标准中，结节径线是最主要的影像学评估标准。

本研究结果中反映结节大小的参数（最大截面长径、短径、平均直径、体积）在GGN的浸润性比较中均有统计学意义（P<0.001），浸润性病变B组结节最大截面长径、短径、平均直径、体积均大于浸润前病变A组，差异有统计学意义，且AUC均>0.7，经Logistic回归分析，结果显示平均直径是GGN为浸润性病变的独立危险因素，经ROC曲线分析得出GGN的平均直径曲线下面积为0.863，浸润性病变的平均直径，临界值为7.75mm，诊断敏感度、特异度分别为92.3%、72.0%。Yang等[6]基于直径的Logistic回归模型用于区分IAC与AIS/MIA的准确率达78.7%，AUC为0.861，敏感度和特异度分别为78.0%、80.0%，与笔者研究结果相似。本研究中的体积差别对判断GGN的浸润性也很有价值（P<0.001），ROC曲线下面积为0.848，临界值为0.59cm³，诊断敏感度及特异度分别为78.5%和80.0%。齐琳琳等[7]的研究也认为体积变化是预测肿瘤生长特性及预测肿瘤预后的有效指标。

近年来对于GGN的CT值研究结果各有不同。张正华等[8]研究认为，平均CT值是早期肺癌GGN浸润性的独立危险因素，而体积、最大CT值、最小CT值无统计学差异。矫娜等[9]研究结果表明，AIS的平均CT值及最大CT值均明显高于AAH。本研究亦认为，最大CT值是GGN为浸润性病变的独立危险因素，经ROC曲线分析得出最大CT值AUC为0.822，临界值为127HU，诊断的敏感度、特异度分别为80.0%、78.5%。之所以最大CT值较大，经分析认为浸润性病变通常伴行异常血管，走行于GGN中的血管扭曲、扩张，管壁僵硬，走行僵直及血管集聚等异常征象被称之为“异常血管征”，异常血管征对病变的浸润性具有预测作用，可能的机制为病灶浸润程度的增加，从而导致病灶内部微环境改变、肿瘤组织的高代谢和高血供，从而出现供血血管的异常变化[10]。在薄层肺窗下所测得的CT值噪声较大，血管CT值往往>100HU，尚有待进一步论证。故本研究认为最大CT值是病变具有异常血管的体现，与病变浸润性密切相关。

本研究存在一些缺点，作为回顾性研究，纳入的病例均为手术证实病例，存在数据偏倚，临床会采取手术干预的结节更可能具有偏恶性的形态征象。同时pGGN病例的样本量有限，病理结果为AAH及AIS的更是少之又少，尚需在后续实验中增大样本量进行深入探讨。本研究通过联影新AI辅助软件获取更多的三维定量参数，较传统二维测量方法更快捷，数据量更多，且数据具有较好的一致性，更加客观，可重复性及敏感性均高于传统的肉眼评估，并且在结节浸润性分析以及预测患者预后等方面有广阔的前景。但本研究缺少与传统二维测量方法测得的数据做分析对比，尚需进一步验证。本研究与以往研究结果基本一致，说明联影新AI在自动勾画病灶范围、量化病灶参数方面具有良好的准确性。

综上所述，基于联影AI辅助诊断系统获得的三维定量参数，包括结节大小、体积、最大CT值对早期肺腺癌的病理分级具有预测作用。