陳疆紅，鐘朝輝，江桂蓮，楊正漢*，王振常，王大為

(1.首都醫(yī)科大學附屬北京友誼醫(yī)院放射科，北京 100050；2.北京推想科技有限公司全球臨床科研合作學院，北京 100025)

低劑量CT篩查早期肺癌是降低患者死亡率的有效手段。腺癌在檢出的早期肺癌中占比超過50%[1]，CT表現(xiàn)常為亞實性結節(jié)(subsolid nodule, SN)，其發(fā)展過程通常依次為浸潤前病變[包括不典型腺瘤樣增生(atypical adenomatous hyperplasia, AAH)和原位癌(adenocarcinoma in situ, AIS)]、微浸潤腺癌(microinvasive adenocarcinoma, MIA)及浸潤性腺癌(invasive adenocarcinoma, IAC)[2-3]。既往研究[4-6]指出，結節(jié)大小、密度、實性成分等因素與其侵襲程度密切相關。

隨著以深度學習為代表的人工智能(artificial intelligence, AI)技術的發(fā)展，AI肺結節(jié)輔助診斷系統(tǒng)(以下簡稱AI系統(tǒng))的臨床應用日益成熟，多項研究[7-9]表明其在輔助檢測肺結節(jié)方面具備良好效能。本研究采用觀察AI系統(tǒng)預測良惡性肺結節(jié)的效果以及增強CT對其預測結果的影響，以探索適當應用模式。

1 資料與方法

1.1 一般資料 收集2017年7月—2019年7月86例于首都醫(yī)科大學附屬北京友誼醫(yī)院接受手術治療的肺占位病變患者，男26例，女60例，年齡31～82歲，平均(61.3±11.7)歲。納入標準：①術前接受胸部CT平掃及增強檢查，并有薄層圖像(層厚1.25 mm)；②至少存在1個肺SN；③病理證實切除SN為腺癌浸潤前病變或IAC。排除彌漫性肺疾病患者及圖像有明顯移動偽影者。根據(jù)病理結果分為3組：組1為浸潤前病變(包括AAH及AIS)，組2為MIA，組3為IAC。

1.2 儀器與方法 采用GE Revolution 256排螺旋CT機，囑患者每次掃描屏氣程度一致，于其吸氣末屏氣掃描。采用寶石能譜CT(gemstone spectral imaging, GSI)模式進行平掃及增強掃描，管電壓為 80、140 kVp瞬時切換，自動管電流調節(jié)，最大管電流為260 mA，螺距0.984∶1，旋轉時間0.5 s，床進78.75 mm/s，圖像噪聲指數(shù)(noise index, NI)預設為12，基于多模型的自適應統(tǒng)計迭代重建算法(adaptive statistical iterative reconstruction Veo， ASIR-V)權重為30%，層厚為5 mm，進一步分解為圖像層厚 1.25 mm。以流率3.3 ml/s注入歐乃派克100 ml (300 mgI/ml)，之后注入20 ml生理鹽水，采集注入對比劑后30 s和90 s圖像為增強動脈期和延遲期圖像。掃描范圍自肺尖至肺底。采用標準重建法重建圖像后，將所有圖像(層厚及層間隔均為1.25 mm)導入AI肺結節(jié)輔助診斷系統(tǒng)(InferRead CT lung research，北京推想科技有限公司)，以含磨玻璃密度結節(jié)為SN，包括純磨玻璃密度結節(jié)及混雜磨玻璃密度結節(jié)。由2名分別具有15年及17年呼吸系統(tǒng)影像學診斷經(jīng)驗的副主任醫(yī)師分別閱片，將符合要求的結節(jié)納入研究，意見不一致時與主任醫(yī)師討論決定。記錄AI系統(tǒng)識別3組SN的惡性概率預測值、CT值及體積(圖1)。

表1 3組各期CT中SN惡性概率預測值比較[%，中位數(shù)(上下四分位數(shù))]

圖1 AI系統(tǒng)檢測SN展示圖 系統(tǒng)檢出左肺上葉尖后段混雜磨玻璃密度結節(jié)(綠框)，自動預測結節(jié)的惡性概率值(紅箭)及測量SN體積(黃箭)和密度(藍箭)

1.3 統(tǒng)計學分析 采用IBM SPSS 20.0統(tǒng)計分析軟件。以Shapiro-Wilk檢驗計量資料的正態(tài)性，以±s表示符合正態(tài)分布的數(shù)據(jù)，以中位數(shù)(上下四分位數(shù))表示非正態(tài)分布數(shù)據(jù)，以敏感度評價AI系統(tǒng)針對3期CT檢出目標SN的能力。采用Kruskal-Wallis單因素方差分析比較各期CT對3組SN的惡性概率預測值及體積測量結果的差異，并行組間兩兩比較；以單因素方差分析比較各期CT中3組SN的CT值差異，以Bonferroni法進行組間兩兩比較。采用非參數(shù)Wilcoxon檢驗分別比較各組平掃與動脈期及延遲期結節(jié)惡性概率預測值及體積差異，以配對樣本t檢驗分別比較各組平掃與動脈期及延遲期結節(jié)CT值差異。以Spearman相關性檢驗分析所有SN 在3期CT圖像中的惡性概率預測值及其與SN密度及體積的相關性。P<0.05為差異有統(tǒng)計學意義，P<0.01為差異有顯著統(tǒng)計學意義。

2 結果

86例中，存在1個SN者84例、2個SN者2例，共88個SN納入研究；組1共27個SN，包含3個AAH和24個AIS， 組2、組3分別有28個、33個SN；均被AI系統(tǒng)基于CT平掃及增強雙期圖像檢出(圖2)，檢出敏感度為100%。

2.1 3組間3期圖像SN的惡性概率預測值比較 各組SN各期的惡性概率差異均有統(tǒng)計學意義(P均<0.001，表1)，3組間兩兩比較差異均有統(tǒng)計學意義(P均<0.05)，每組內平掃和動脈期、平掃和延遲期惡性概率預測值比較差異均無統(tǒng)計學意義(P均>0.05)。

2.2 3組間3期圖像SN的CT值比較 各組SN各期CT值差異均有統(tǒng)計學意義(P均<0.001，表2)，3組間兩兩比較差異均有統(tǒng)計學意義(P均<0.05)；組內配對樣本比較差異均有統(tǒng)計學意義(P均<0.001)。

2.3 3組間3期圖像SN的體積比較 各組SN各期體積差異均有統(tǒng)計學意義(P均<0.001，表3)，3組間兩兩比較，只有平掃及延遲期組2、組3間比較差異均無統(tǒng)計學意義(P均>0.05)；每組內配對樣本非參數(shù)檢驗顯示組1增強后體積無明顯變化(P均>0.05)，組2、組3增強后體積均有減小(P均<0.05)。

表2 3組SN各期CT值比較(HU,±s)

表2 3組SN各期CT值比較(HU,±s)

組別平掃動脈期延遲期組1(n=27)-618.22±04.59-584.26±116.28-588.59±114.10組2(n=28)-542.21±78.35-496.18±91.46-500.93±91.84組3(n=33)-347.64±141.35-298.30±154.93-299.21±154.25F值46.3641.24142.935P值<0.01<0.01<0.01

表3 3組SN在各期CT中的體積比較[mm3，中位數(shù)(上下四分位數(shù))]

2.4 各期CT對SN的惡性概率預測值與CT值及體積的相關性 平掃、動脈期及延遲期CT對SN的惡性概率預測值均與CT值呈正相關(r分別為0.474、0.466及0.399，P均<0.01)，亦與SN體積呈正相關(r分別為0.670、0.627及0.641，P均<0.01)。

3 討論

隨著胸部低劑量CT篩查的廣泛應用，越來越多的早期肺癌被檢出，而篩查帶來的巨大工作量易導致影像科醫(yī)師視覺疲勞，漏診小結節(jié)及密度相對較低的SN。相比傳統(tǒng)計算機輔助診斷(computer-aided diagnosis, CAD)，應用深度學習法來解決醫(yī)學問題明顯更具優(yōu)勢，前者檢測磨玻璃密度結節(jié)的敏感度極低[10]，而后者敏感度可達約95%[11]。本研究所用AI系統(tǒng)在臨床應用中不斷完善[7]，檢測SN敏感度100%，展現(xiàn)出優(yōu)異性能，可為減少漏診提供巨大幫助。

由AAH細胞增生到IAC間質明顯浸潤，腫瘤侵襲性逐漸增強，而其影像學表現(xiàn)存在一定重疊。傳統(tǒng)影像學診斷方式通過肉眼觀察結節(jié)形態(tài)、測量其大小及密度等特征來綜合判定其性質，閱片醫(yī)師的經(jīng)驗影響判定結果，且手動測量結節(jié)大小等缺乏精準性和可重復性。本研究根據(jù)病理結果對SN進行分組，AI軟件通過檢測平掃CT對3組SN的惡性概率預測值分別為85.18%、93.10%和97.05%，總體差異具有顯著統(tǒng)計學意義，初步提示該系統(tǒng)可協(xié)助影像科醫(yī)師判定SN侵襲程度；而增強CT對3組SN惡性概率預測值與平掃差異無統(tǒng)計學意義，提示增強CT并不能顯著提升AI系統(tǒng)對肺SN惡性概率的預測能力。自動測量結節(jié)CT值及體積結果顯示，3組SN的CT值隨侵襲程度增加而逐漸增高，組1與組2、組1與組3結節(jié)體積差異有統(tǒng)計學意義，與文獻[12-13]報道判定SN侵襲程度的結果相符。本研究結果顯示，AI系統(tǒng)預測SN惡性概率與其體積之間的相關性高于密度性，可能與深度學習特征提取特點有關：其預測SN惡性概率所依據(jù)的不僅是肉眼可見的特征，還有基于能刻畫數(shù)據(jù)本質但肉眼難以觀察的特征，而這正是深度學習的“黑匣子”問題。

本研究結果顯示，增強CT對AI系統(tǒng)檢測SN惡性概率總體無明顯幫助。既往研究[14]提示增強后SN總體密度增加、體積增加，其內實性成分體積占比亦增加。本研究AI系統(tǒng)測量結果顯示增強后SN密度均增高，組2及組3 SN體積減小可能是患者在各期掃描期間吸氣程度不同所致，或增強后背景肺組織密度增高而影響了AI系統(tǒng)對SN的分割[15]。

圖2 患者女，56歲，右肺上葉后段純磨玻璃密度結節(jié)，CT平掃及增強圖像 AI系統(tǒng)分別根據(jù)平掃(A)、動脈期(B)及延遲期(C)圖像自動預測SN惡性概率為61.67%、46.65%和58.41%

本研究的局限性：①樣本量偏少；②僅選取病理結果為浸潤前病變及腺癌的SN，無良性SN對照；③僅采用一款AI系統(tǒng)進行分析，有待進一步完善。

綜上所述，目前應用的基于深度學習的肺結節(jié)輔助診斷系統(tǒng)可根據(jù)CT平掃數(shù)據(jù)協(xié)助判斷SN惡性概率，而增強CT對其預測效能無明顯幫助。