人工智能肺结节辅助诊断系统在肺磨玻璃结节病理浸润程度评估中的应用价值

许国安，朱良炎，徐 靖，邓武昌，殷 波，高栋才，秦伟国，龚 攀，沈 颖，刘 彬

(中国人民解放军联勤保障部队第九〇八医院a.胸心外科； b.军伤科，南昌 330001)

肺癌是全球范围内癌症相关死亡的最常见的原因，发病率居于所有恶性肿瘤之首，发病率逐年上升[1-2]。早期肺癌多表现为肺磨玻璃结节(GGN)，如何快速早期发现GGN并判断其性质、区分病理浸润程度，帮助临床医师制定合理的治疗方案，提高早期肺癌患者的5年生存率，近年来研究颇多[3-6]。既往临床医师多通过CT人工阅片发现和诊断GGN，速度慢、特异性差[7]。随着人工智能(AI)的发展，人们希望通过AI研究GGN[2]的精准治疗，本研究通过对比AI术前评估GGN病理浸润程度与胸腔镜切除术后病理分型结果的一致性，探讨AI肺结节辅助诊断系统对GGN病理浸润程度评估的临床应用价值。

1 资料和方法

1.1 一般资料

选取中国人民解放军联勤保障部队第九〇八医院2019年1月至2022年1月收治的GGN患者100例，男42例，女58例，年龄41～78岁，中位年龄61岁；均接受AI分析后行胸腔镜手术切除治疗，术后行病理学诊断；所有患者临床资料及影像学资料完整。

1.2 纳入与排除标准

纳入标准：1)GGN直径小于3 cm且无远处转移，且均符合美国放射科学院肺部结节明确诊断标准[7]；2)CT图像层厚为0.25 mm的薄层；3)均经胸腔镜手术切除后行病理诊断。排除标准：1)手术中止未完成手术者；2)术后病理切片未找到结节无病理结果者。

1.3 AI术前评估

AI评估采用“肺小结节智能识别引擎”软件系统(上海点内科技公司提供)，将患者CT影像数据导入到软件系统中，自动分析GGN的数量、良恶性风险概率、结节所处肺段位置以及病理浸润程度。经本院胸外科、呼吸科、影像科及肿瘤科进行多学科会诊(MDT)，在基于深度学习AI肺结节辅助诊断系统辅助下进行肺结节标注，确定可疑阳性GGN及位置，实施胸腔镜微创手术切除(包括亚肺叶和肺叶切除)。

以术后病理为金标准，判断术前AI分析病理浸润程度的准确性。AI对GGN评估分为非典型腺瘤增生(AAH)、原位癌(AIS)、微浸润腺癌(MIA)、浸润性腺癌(IAC)。

2 结果

AI分析后再经胸腔镜手术切除肺磨玻璃结节134个，其中AI术前诊断为AAH、AIS、MIA、IAC分别为6、26、52、50个，被术后病理确诊为AAH、AIS、MIA、IAC分别为4、20、42、44个，见表1。其中AI术前评估GGN浸润分型准确率分别为AAH为66.67%(4/6)，AIS为76.92%(20/26)，MIA为80.77%(42/52)，IAC为88.00%(44/50)；AI对非浸润(AIS、MIA)GGN评估准确率为79.4%(62/78)，对浸润(IAC)GGN评估准确率为88.0%(44/50)。AI术前评估与术后病理表现见图1—2。

表1 肺磨玻璃结节AI诊断与术后病理诊断结果比较

A：AI分析显示部分实性标准直径11 mm×14 mm，恶性风险83%，浸润分型为MIA；B：病理结果显示，钉突样肺泡上皮细胞中度异型增生，呈贴壁样或腺泡状结构，浸润性生长，间质纤维组织增生伴胶原化，免疫组织化学CK(+)、TTF-1(+)、MapsinA(+)、ECFR(+)、ALK(-)、P40(-)、CK5/6(-)、Ki-67约5%，病理诊断为MIA。

A：AI分析显示部分实性标准直径21 mm×19 mm，恶性风险82%，浸润分型为IAC；B：病理结果显示，肺肿物中见异型明显的肺泡上皮细胞大部分呈贴壁样生长，部分呈腺管状结构，呈浸润性生长，癌细胞呈靴钉样或高柱状，核浆比例显著失调，核深染，免疫组织化学ECFR(+)、TTF-1(+)、MapsinA(+)、CK7(+)、ALK(-)、P40(-)、Ki-67约15%，弹力染色显示肺膜弹力纤维层完整，病理诊断为IAC。

3 讨论

随着高分辨低剂量螺旋CT临床的广泛应用，肺磨玻璃结节被大量发现[1-2]。GGN如持续存在，通常提示癌前病变、微浸润性或浸润性肿瘤可能，2011年国际肺癌研究协会/美国胸科学会/欧洲呼吸病学会联合推出新版肺癌分类，包括AAH、AIS、MIA、IAC[8]。GGN的正确分类防治处理可降低肺癌死亡率，同时避免过度诊断及治疗[9]，目前对于GGN筛查随访治疗策略缺乏共识、手术方式仍存争议。

GGN的AAH、AIS、MIA、IAC各分类手术方式及临床预后大为不同，它们之间的影像学征象存在重叠，高年资医师区分诊断准确率只有56.6%[4，9]。既往外科手术、穿刺的病理诊断是确定GGN性质的金标准[4]，但肺小或多结节，穿刺病理检查准确性低，且血气胸并发症多，手术中快速冰冻切片病理检查亦不能全部明确GGN的病理浸润分型，如何术前精准早期诊断和区分AAH、AIS、MIA、IAC是近年来GGN和肺癌研究热点，ZHAO等[10]报告点内科技AI深度学习模型的准确度区分浸润/非浸润为78.8%，区分IAC/非IAC的两分类为88.0%，区分AAH-AIS/MIA/IAC三分类为63.3%。陈疆红等[11]认为，基于深度学习的AI肺结节诊断系统可协助判断肺腺癌肺亚实性结节(SN)侵袭程度，辅助预测SN恶性概率。同时，张正华等[12]认为，AI协助阅片可明显提高工作效率和肺结节检出敏感度，并减少误诊及漏诊率，同时AI对肺结节良恶性的预判有一定参考价值。

本研究对100例患者134个GGN采用经点内科技AI评估GGN病理浸润分型与程度，结果显示，AI术前评估GGN病理浸润分型及程度与术后病理结果相符性较好，准确率分别达到AAH为66.67%、AIS为76.92%、MIA为80.77%、IAC为88.00%，非浸润为79.49%(62/78)、浸润为88.00%(44/50)，提示基于深度学习模型的AI识别技术，可以较准确术前区分GGN的AAH/AIS/MIA/IAC的分类，提高医生的工作效率，提高初中级医师对GGN的诊断水平。并为临床如何选择胸腔镜手术切除和个性化制定GGN诊治方案提供很大的帮助，临床应用前景和优势明显。

GGN的AI诊断目前仍处于临床探索阶段，特别是病理浸润程度分类评估仍不能达到100%准确，临床医师如何与AI深度结合以及AI高精度算法的开发等方面研究仍须加强。