陈振坤 卢梦颖 王浩 福清市高山镇中心卫生院 (福建 福清 350319)
内容提要: 目的:探讨人工智能辅助阅片在计算机体层成像(CT)鉴别诊断恶性肺结节中的价值。方法:收集2021年8月~2023年8月在本院放射科接受胸部CT检查并明确存在肺结节的患者176例(208个结节),分别进行CT检查及人工、人工智能(AI)阅片,根据阅片方式不同分为人工组、AI组。对比不同胸部CT阅片方式的肺结节检出情况、检出时间、性质鉴别准确性差异。结果:人工组共检出结节125个,检出率为60.10%;AI组共检出结节205个,检出率为98.56%。AI组的不同直径、位置、密度肺结节检出率分别高于人工组。AI组的结节总检出率高于人工组,差异有统计学意义(P<0.05)。AI组检测肺结节平均时间短于人工组,差异有统计学意义(P<0.05)。81个良性结节中,AI组检出率为97.53%,人工组检出率为90.12%,采用Kappa检验得出,AI与病理结果的一致性较好;恶性结节127个,AI组检出率为99.21%,人工组检出率为94.49%,AI与病理结果的一致性较好。结论:AI检出及鉴别肺结节良恶性的作用基本与影像医师鉴别诊断结果相似,在一定程度上可以替代人工进行一系列辅助工作,以增加肺结节的检出率及良恶性鉴别准确性。
肺结节一般无明显临床症状,多由体检发现,其出现的病因复杂,有良恶性之分,其中良性居多。根据数量分类,肺结节可分为孤立性、多发性肺结节;根据病灶大小分类可分为微小结节(直径<5mm)、小结节(直径5~10mm)、大结节(直径>10mm);按密度分类可分为实性肺结节、亚实性肺结节,后者又可分为纯磨玻璃结节、部分实性结节[1,2]。近年肺癌发病率持续攀升,肺结节作为早期肺癌的临床表现,一旦发现,及时准确定性并制定后续治疗方案是避免早期肺癌漏诊、优化肺癌患者治疗预后的关键所在[3,4]。随着X射线计算机体层成像(Computed Tomography,CT)技术的发展及临床应用增加,常规体检及肺结节复查患者的CT检查需求激增,影像科医师的阅片压力增加,长时间阅片也增加了误诊率、漏诊率。人工智能(Artificial Intelligence,AI)技术是一个以计算机科学为基础,由计算机、心理学、哲学等多学科交叉融合的交叉学科、新兴学科,目前已经在机器人、语言识别、图像识别、自然语言处理和专家系统等领域获得成功应用[5,6]。AI在CT阅片中的应用近年受到较多关注,其可对大量CT影像进行初步筛查并标记疑似病变部位,提供相关诊断信息帮助临床决策。目前,关于AI在肺部CT阅片中的作用及与人工阅片对比的研究涉及极少,故本次研究以此为切入点展开讨论,以期为后续肺部CT的阅片策略制定提供参考。
收集2021年8月~2023年8月在本院放射科接受胸部CT检查并明确存在肺结节的患者176例(208个结节),其中,男性82例、女性94例,年龄27~71岁,平均(50.71±12.86)岁,合并既往肺癌家族史65例、本人吸烟史48例。最终经外科手术和穿刺活检明确良性结节81个、恶性结节127个。所有入组患者本人签署知情同意书,经本院伦理委员会审核批准此次研究计划。
纳入标准:①符合临床对肺结节的诊断标准,且进一步结合手术、穿刺病理学检查确诊为肺结节性病变者;②未合并慢性阻塞性肺疾病、肺炎等其他肺部疾患;③心肝肾功能基本正常、营养及免疫功能正常,可耐受手术、穿刺等创伤者;④配合检查及干预,临床资料获取完整。排除标准:①肺结节最大直径>3cm者;②合并全身其他器官恶性肿瘤,或肺部多发转移瘤者;③合并肺部纤维化等可能使肺部CT影像产生运动伪影者;④妊娠或者哺乳期女性。
采用SOMATOM Definition Flash型双源64排螺旋CT扫描,设置扫描参数为:100kV、100mA、0.5s,层间距5mm、层厚5mm、螺距0.984:1,矩阵512×512。检查时患者取仰卧位,双手举过头顶,嘱患者吸气后屏住呼吸,机器从肺尖扫描至肺底部。将影像学数据传输至工作站,所有数据分别用人工、AI进行分析。人工组在生成CT影像后存档,由影像学医师进行审核,开具检测报告。AI组由AI软件自动阅片并开出报告。
使用统计学软件SPSS 22.0对文中所得数据进行计算处理,P<0.05为差异有统计学意义的标准。文中计量资料均符合正态分布,两组间比较采用t检验。计数资料的比较采用χ2检验。采用Kappa检验评价AI、人工与病理结果的一致性,其中Kappa值<0.4提示一致性较差,Kappa值0.4~0.75提示一致性一般,Kappa值>0.75提示一致性较好。
经外科手术和穿刺活检进行的病理诊断确认,176例患者共检出208个结节,其中良性结节81个、恶性结节127个。人工组共检出结节125个,检出率为60.10%;AI组共检出结节205个,检出率为98.56%。AI组的不同直径、位置、密度肺结节检出率分别高于人工组。AI组的结节总检出率高于人工组,差异有统计学意义(P<0.05)。见表1。
表1.AI组、人工组对肺结节的检出情况比较
人工组分析肺结节的平均时间为(462.83±91.03)s,当连续阅片30 份后,检测肺结节的平均时间增加为(564.34±98.74)s。AI 组检测肺结节平均时间为(140.27±32.19)s,随着阅片量的增加,检测肺结节的平均时间无明显延长。AI组检测肺结节平均时间短于人工组,差异有统计学意义(P<0.05)。
81个良性结节中,AI组检出率为97.53%,人工组检出率为90.12%,采用Kappa检验得出,AI与病理结果的一致性较好;恶性结节127个,AI组检出率为99.21%,人工组检出率为94.49%,AI与病理结果的一致性较好。见表2。
表2.AI组、人工组对肺结节性质鉴别准确性评估
肺结节有良恶性之分,良性者多由细菌、真菌感染引起的炎症所致,恶性者则为肺癌、淋巴瘤等。早期肺癌可无任何临床不适,其筛查以血液肿瘤标志物、胸部X射线检查为主,但其灵敏度、特异度均较低,用于早期肺癌诊断的作用较弱。近年CT检查在临床中大力推广,显著提升了肺结节的检出率,对于肺癌的早期发现、早期治疗具有积极作用,是目前肺癌患者的5年生存率显著提升的重要原因之一[7,8]。但随着临床肺部CT检查量的迅猛增加,影像科医师的阅片工作量骤增,部分医院甚至需要CT摄片后数天才能出报告,在阅片准确度、效率方面均存在一定困境。
随着大数据时代来临以及计算机计算能力在临床上的应用,AI技术在术前诊断中的应用越来越多,不少学者指出AI阅片可分散一部分人工阅片的压力,简化工作流程并为准确的人工阅片提供重要信息。但由于肺内结构复杂、肺结节的位置及形态又具有多样性,尤其当肺结节贴近正常肺内结构时,很大概率干扰AI检测并影响其准确性。因此目前AI阅片能否替代人工阅片仍存在较大争议。本文将同一例患者的肺部CT影像学资料分别采用人工阅片、AI阅片方式,对比其在结节检出率、检出时间、性质鉴别准确性方面的差异,为后续肺部CT阅片中人工及AI的选择或者配合等提供实践经验及建议。
文中在肺结节检出率方面,AI组较人工组更胜一筹,尤其在直径较小、结节位置贴近正常肺部组织、密度较低的结节检出中,其检出率尤其高。这主要由于人工阅片时容易受到各种肺部组织影响,且人眼对组织密度等辨识度不足及其灵敏、准确,因此隐蔽、微小的肺结节人工阅片时存在较高的漏诊率[9,10]。在阅片时间方面,AI组也展现了明显的优势,其阅片时间基本保持稳定快速,而人工阅片依靠影像科医师的专业知识、对肺部组织变化的敏感度、视力的锐利度等,且随着阅片时间延长其精力下降、眼部劳累程度增加,均导致单次阅片出结果时间延长且准确率下降。而AI主要依靠机械性的计算机参数,不受人为体能及疲劳等影响,随着阅片量增加、阅片速度仍可保持在高水准。最后在肺结节良恶性鉴别方面,人工组、AI组与结节最终病理结果均保持良好的一致性[11-14]。故总而言之,AI参与肺部CT阅片是切实可行的,但考虑到AI技术缺乏影像学医师的临床经验等,可将AI加入CT阅片流程中,使AI系统提示结节信息、恶性概率等客观参数,影像学医师再结合具体图像信息最终作出结节性质的判断,在缓解目前肺部CT阅片量过大、诊断医师数量不足矛盾的同时不降低阅片的准确性。
综上所述,本文认为AI检出及鉴别肺结节良恶性的作用基本与影像医师鉴别诊断结果相似,在一定程度上可以替代人工进行一系列辅助工作,以增加肺结节的检出率及良恶性鉴别准确性。