王海永 紀建松 雷麗燕 孔春麗 洪懷江

摘 要 目的：分析人工智能+醫(yī)學影像在肺結節(jié)檢測中的臨床應用效果。方法：選取時間段為2018.11月～2019.11月期間，于本院進行肺部CT掃描的患者共計489例，將其作為本次實驗的研究對象，并在使用CT掃描后分別進行人工智能閱片和醫(yī)師人工閱片，對比兩種閱片方式的敏感度、假陰性率、假陽性率和使用時間。結果：對比兩種閱片方式對肺結節(jié)檢測的結果，人工智能閱片敏感度（96.31%）假陰性率（3.68%）假陽性率（25.35%）使用時間（0.52±1.33分），醫(yī)師人工閱片組敏感度（86.91%）假陰性率（9.61%）假陽性率（2.45%）使用時間（3.75±1.26分），人工智能閱片的敏感度和使用時間較短，但其假陽性率相對較高，醫(yī)師人工閱片的敏感度和使用時間稍差一些，但其假陽性率較低。結論：相對于傳統的醫(yī)師人工閱片來說，使用人工智能進行醫(yī)學影像的閱片工作，具有較高的檢測敏感度，且閱片速度也較快，能夠為肺結節(jié)的臨床診斷提供準確的參考依據，但由于其假陽性率較高，所以仍需與醫(yī)師人工閱片結果相結合。

關鍵詞 人工智能;醫(yī)學影像;肺結節(jié);臨床檢測

前言

肺癌是世界上發(fā)病率和死亡率最高的惡性腫瘤，CT早期篩查可降低肺癌患者的死亡率，但目前存在篩查人數多、醫(yī)師工作量大及漏診率高等情況[1]。在傳統的肺結節(jié)檢測過程中，常采用醫(yī)師人工閱片的方式進行影像結果的查看，但由于受到各方面因素的影響，其存在著一定的漏診率，診斷準確率并不理想。而隨著科學技術的快速發(fā)展，人工智能技術逐漸被應用到臨床醫(yī)學中，據實際應用情況來看，在人工智能的幫助下，醫(yī)學影像檢測技術的準確性得到了極大的進步[2]。本次實驗中，便探究了人工智能+醫(yī)學影像在肺結節(jié)檢測中的應用價值，詳情如下。

1資料與方法

1.1 一般資料

本次實驗共選取了489例患者作為研究對象，納入時間段為2018.11月～2019.11月，所有患者均因不同程度的咳嗽咳痰、乏力盜汗、食欲減退、胸悶氣急等癥狀而入院，在入院后均需對其實施影像學檢查。489例實驗患者中，共有男性患者255例、女性患者234例，年齡區(qū)間為30～80歲，平均年齡為（48.37±1.52）歲。

1.2 方法

所有患者在接受影像學檢查前均需進行吸氣屏氣的訓練，并指導患者在檢查過程中達到一定范圍內的屏氣程度。本次實驗的CT檢測機為PHILIPS iCT SP 64 排螺旋CT掃描儀，指導患者取仰臥位后，將雙手上舉超過頭頂，在患者吸氣末階段進行胸部掃描，掃描的范圍上端為肺尖、下端為肋膈角尖端的水平位置[3]。在掃描結束后，使用人工智能系統進行圖像的重建，并將重建圖像傳送至醫(yī)師工作站和United Imaging Intelligence智能肺結節(jié)檢測系統中，分別進行閱片。采用人工智能閱片時，需要使用圖像識別技術，對CT影像中的結節(jié)情況和風險信息進行詳細的標注，從而為臨床診斷提供依據[4]。而采用醫(yī)師人工閱片時，則需要由專業(yè)醫(yī)師根據自身的專業(yè)能力和經驗，對影像中的肺部結節(jié)情況進行分析，以確定病情狀況。

1.3 觀察指標

所有患者在接受肺部CT檢測后，分別使用人工智能和醫(yī)師人工的方式進行閱片，將兩種閱片方式的敏感度、假陰性率、假陽性率和使用時間作為本次實驗的觀察指標。

1.4 統計學處理

對于本次實驗中所涉及的各方面數據資料，均選用統計學軟件SPSS20.0進行分析和處理，以（%）表示為本次實驗的檢測敏感度、假陰性率和假陽性率，以（X±S）表示為本次實驗的檢測時間，分別使用X2值和t值對實驗結果進行檢驗，當（P<0.05），則表示數據之間差異顯著，具有統計學意義[5]。

2結果

據表1可知，人工智能閱片組的敏感度、假陰性率和使用時間均優(yōu)于醫(yī)師人工閱片組，但假陽性率醫(yī)師人工閱片組更佳，（P<0.05）。

3討論

近年來，我國在科學技術方面有著突飛猛進的發(fā)展，其中人工智能技術的應用也為各行業(yè)帶來了發(fā)展機遇，在臨床醫(yī)學中也不乏對人工智能技術的應用[6]。具體來說，在醫(yī)學影像方面，對于影像檢查結果的查看，也可以使用人工智能技術，與傳統的人工閱片方式相比較，采用人工智能閱片有著絕對性的優(yōu)勢，其不僅可以縮短閱片時間，還具有較高的敏感度，能夠為臨床確診提供準確的參考依據[7]。但是，人工智能閱片也存在著一定的不足，最主要的就是假陽性率相對較高，容易在閱片時將一些血管斷面、奇靜脈、小支氣管等錯認為異常的肺結節(jié)，進而對檢測結果的判斷造成影響，見圖1-2。而人工閱片雖然在敏感度和使用時間方面不足，但其假陽性率相對較低一些，進而檢測準確度較高[8]，見圖3。

根據本次實驗結果可知，對比兩組檢測方式的敏感度、假陰性率、假陽性率和使用時間，除假陽性率外，人工智能組均明顯優(yōu)于醫(yī)師人工組，（P<0.05），具有統計學意義[9]。因此，人工智能技術與醫(yī)學影像相結合對于肺結節(jié)的檢測有著較高的參考依據，但仍需與人工閱片相結合，以提高檢測的準確性，為臨床診斷和病情判斷提供更為詳細的參考依據[10]。

參考文獻

[1] 李甜，李曉東，劉敬禹.人工智能輔助診斷肺結節(jié)的臨床價值研究.中國全科醫(yī)學，2020，23（7）：828-831，836.

[2] 王成弟，郭際香，楊陽，等.利用深度學習技術輔助肺結節(jié)的人工智能檢測[J].中國呼吸與危重監(jiān)護雜志，2019，18（3）：288-294.

[3] 王杜春，任龍，劉寧川，等.人工智能+醫(yī)學影像在肺結節(jié)檢測中的應用研究[J].影像研究與醫(yī)學應用，2019，3（16）：39-41.

[4] 王婧璇，林嵐，趙思遠，等.基于深度學習的肺結節(jié)計算機斷層掃描影像檢測與分類的研究進展[J].生物醫(yī)學工程學雜志，2019，36（4）：670-676.

[5] 王昌淼.基于胸部影像的肺結節(jié)檢測與分類關鍵技術研究[D].深圳：中國科學院大學（中國科學院深圳先進技術研究院），2018.

[6] 廖曉磊.薄掃CT序列圖像的肺實質分割和肺結節(jié)檢測方法研究[D].太原：太原理工大學，2017.

[7] 周兵.CT影像中肺結節(jié)檢測與識別方法的研究[D].成都：電子科技大學，2017.

[8] 李欣菱，王穎.人工智能在肺結節(jié)檢測與診斷中的應用及發(fā)展[J].新發(fā)傳染病電子雜志，2019，4（3）：185-189.

[9] 李欣菱.基于深度學習的人工智能胸部CT肺結節(jié)檢測效能評估[D].天津：天津醫(yī)科大學，2019.

[10] 吳夢香，劉挨師.人工智能醫(yī)學影像在胸部應用的機遇與挑戰(zhàn)[J].影像研究與醫(yī)學應用，2020，4（2）：11-13.