廖忠剑 王肇平 刘艳平 邓星星 黄颖文

[摘要] 目的 探讨人工智能（AI）辅助512层螺旋CT三维扫描对肺恶性结节诊断价值。 方法 选取2019年6月至2020年12月我院109例肺恶性结节患者，均接受512层螺旋CT三维扫描，分别经AI阅片及人工阅片。统计分析人工阅片及AI阅片用时、人工阅片及AI阅片对不同直径、不同部位肺恶性结节检出情况。 结果 AI阅片用时为（0.51±0.13）min/例，短于人工阅片的（2.98±1.01）min/例，差异有统计学意义（P<0.05）;AI阅片对直径>10 mm的肺恶性结节检出率（98.41%）与人工阅片（95.24%）间比较，差异无统计学意义（P>0.05），AI阅片对直径<5 mm、直径5～10 mm的肺恶性结节检出率为（97.35%、96.63%），高于人工阅片的（80.53%、80.90%），两组比较，差异有统计学意义（P<0.05）;人工阅片对肺门、中间区域、外围区域、胸膜下肺恶性结节检出率为100.00%、98.11%、99.35%、90.00%，高于人工阅片的33.33%、79.25%、92.16%、74.00%，差异有统计学意义（P<0.05）。 结论 AI辅助512层螺旋CT三維扫描在肺恶性结节中具有较高应用价值，可提升不同直径和位置结节检出率，缩短阅片用时，且利于减小影像科医师工作负担。

[关键词] 人工智能;512层螺旋CT;肺恶性结节;诊断价值

[中图分类号] R445.2          [文献标识码] B          [文章编号] 1673-9701（2021）31-0135-03

[Abstract] Objective To investigate the diagnostic value of artificial intelligence-assisted（AI-assisted）512-slice spiral computed tomography（CT）3D scan for pulmonary malignant nodules（PMN）. Methods A total of 109 patients with PMN in our hospital from June 2019 to December 2020 were selected， all of whom underwent 512-slice spiral CT 3D scans. The results were read by AI and manually， respectively. The time spent for manual and AI reading， and the detection rate of PMN of different diameters and at different sites by manual and AI reading were statistically analyzed. Results The time spent for AI reading was（0.51±0.13）minutes/case， which was shorter than that for manual reading（2.98±1.01）minutes/case， and the difference between the two groups was statistically significant（P<0.05）.There was no significant difference in the detection rates of PMN of diameter >10 mm between the AI reading group（98.41%）and the manual reading group（95.24%，P>0.05）. The detection rates of PMN of diameters<5 mm and 5-10 mm in the AI reading group（97.35% and 96.63%）were higher than those in the manual reading group（80.53% and 80.90%）， with statistically significant differences（P<0.05）.The detection rates of PMN at the pulmonary hilum， middle region，peripheral region， and subpleura in the AI reading group（100.00%，98.11%，99.35%，90.00%）were higher than those in the manual reading group（33.33%，79.25%， 92.16%，74.00%）， with statistically significant differences（P<0.05）. Conclusion AI-assisted 512-slice spiral CT 3D scan has a high application value in the diagnosis of PMN， which can improve the detection rate of nodules of different diameters and at different sites， shorten the time spent on film reading， and help to reduce the workload of imaging physicians.

[Key words] Artificial intelligence;512-slice spiral CT;Pulmonary malignant nodules;Diagnostic value

肺恶性结节为临床多发恶性肿瘤疾病，我国为肺恶性结节多发地区，近年来，受不良生活习惯养成、环境污染、抽烟等诸多因素影响，其发病率持续增高，对患者生活质量及身心健康构成了极大威胁[1-2]。同时，肺恶性结节具有较高病死风险，整体5年生存率不足15%，而ⅠA期患者经手术切除后长期生存率则可达80%，故早期对疾病进行明确诊断对指导临床及早采取对应治疗方案以延长患者生存期限具有重要意义[3-4]。多层螺旋CT为肺恶性结节重要诊断措施，具有操作简单、辐射小、安全性高、费用低廉等诸多优势，目前临床对于早期肺部恶性结节的筛查工作主要是由影像科医师人工读片进行的，但受整体医疗水平与培训水平等诸多因素限制，导致医生水平存在较大区域差异性，诊断结果极易受阅片者主观因素等影响，且针对部分位置隐匿、直径较小的结节极易漏诊，进而导致患者延误最佳干预时机[5-6]。近年来，人工智能（Artificial intelligence，AI）在医学诊断领域中应用价值逐渐得到广泛关注，其能节约手动提取病灶特征用时，且具有强大后处理能力、分析能力[7]。基于此，本研究特选取我院109例肺恶性结节患者，分组探讨AI辅助512层螺旋CT三维扫描诊断价值，现报道如下。

1 资料与方法

1.1 一般资料

选取2019年6月至2020年12月我院109例肺恶性结节患者，纳入标准：①符合《肺结节诊治中国专家共识（2018年版）》[8]中肺恶性结节诊断标准，并经病理检查确诊者;②18岁<年龄<80岁者;③知晓本研究，签署同意书者。排除标准：①存在言语沟通障碍、认知功能障碍、听力障碍、神经系统病变者;②存在造血功能、凝血功能障碍者;③合并肾肝等脏器器质性病变者;④合并心脑血管病变者;⑤合并淋巴系统肿瘤、结核病及其他肉芽肿性病变者;⑥合并弥漫性、间质性转移肺病者;⑦依从性差，无法配合完成调查研究者。本组男61例，女48例;年龄42～73岁，平均（56.37±13.69）岁。本研究经我院医学伦理委员会审批通过。

1.2 诊断方法

所有患者均接受512层螺旋CT三维扫描，设备选取美国GE公司512层螺旋CT机，检查前告知患者如何进行吸气及屏气训练，确保其检查过程中能有效配合，协助患者取平卧位，上举双手，吸气末单次屏气扫描，以肺尖到肋膈角尖端水平作扫描范围，设定相关检查参数至：重建图像层厚为1 mm、肺窗窗位为600 Hu、窗宽为1500 Hu、纵隔窗窗位为50 Hu、窗宽为350 Hu、扫描层厚为5 mm、管电流为40 mAs、管电压为120 kVp。阅片处理：①AI阅片：由1名呼吸科医师通过肺结节筛查系统实施辅助诊断，将影像资料输入肺癌智能筛查系统，自动分析结节征象（血管集束征、毛刺征、分叶征）、性质、CT值、结节直径等;②人工阅片：挑选具有丰富临床经验的呼吸科医师对患者胸部CT检查结果进行分析诊断，依据《肺结节诊治中国专家共识（2018年版）》相关诊断标准进行评估。

1.3 观察指标及评价标准

①统计分析人工阅片及AI阅片用时;②统计分析人工阅片及AI阅片对不同直径肺恶性结节检出情况;③统计分析人工阅片及AI阅片对不同部位肺恶性结节检出情况。

1.4 统计学方法

采用SPSS 22.0统计学软件进行数据分析，计量资料以均数±标准差（x±s）表示，组间比较采用t检验，计数资料以[n（%）]表示，组间比较采用χ2检验，P<0.05为差异有统计学意义。

2 结果

2.1 人工阅片及AI阅片用时

AI阅片用时为（0.51±0.13）min/例，短于人工阅片的（2.98±1.01）min/例，差异有统计学意义（t=25.323，P=0.000）。

2.2 人工阅片及AI阅片对不同直径肺恶性结节检出情况

对直径>10 mm的肺恶性结节，AI阅片检出率（98.41%）与人工阅片（95.24%）检出率比较，差异无统计学意义（P>0.05）;对直径<5 mm、直径5～10 mm的肺恶性结节，AI阅片检出率为97.35%、96.63%，高于人工阅片的80.53%、80.90%，差异有统计学意义（P<0.05）。见表1。

2.3 人工阅片及AI阅片对不同部位肺恶性结节检出情况

人工阅片对肺门、中间区域、外围区域、胸膜下肺恶性结节检出率为100.00%、98.11%、99.35%、90.00%高于人工阅片的33.33%、79.25%、92.16%、74.00%，差异有统计学意义（P<0.05）。见表2。

3 讨论

肺恶性结节致病因素复杂，与肺部慢性炎症、结合、环境污染、吸烟等均具有密切关联性，且疾病早期缺乏特异性临床表现，导致早期确诊率较低[9-11]。因此，如何有效诊断肺恶性结节仍是研究热点。

多层螺旋CT为肺恶性结节重要诊断手段，可提升对肺结节类型、淋巴结肿大情况、肺尖至病变情况掌握程度，对肺恶性结节具有较高诊断价值[12-13]。同时，近年来随影像技術不断发展完善，多层螺旋CT技术更加成熟，当前临床多是通过人工阅片，假阳性率较低，并易把一些细小的支气管血管束断面误认为异常肺小结节，但人工阅片方式存在漏诊或误诊风险，且极大增加了影像科医师工作量，影响其工作效率，从而进一步增大漏诊、误诊风险[14]。此外，随着科技发展，AI在临床各科领域得到广泛应用，相较于传统计算机辅助检查系统，AI能充分呈现、利用肺恶性结节三维空间信息，显著提升病变检出率，其主要通过计算机利用大数据分析比对，以此获取特征性图像表现[15]。过去的一定时间内，临床开发了多种针对肺部小结节筛查的计算机辅助诊断（Computer aidel diagnosis， CAD）技术，通过人工智能具有的深度学习能力，采取训练大规模数据集的方式自动化学习与提升，通过深度学习全面评估、分析病灶特征，实施逐层分析，多维度理解和学习，可有效进行医学图像的分析处理。同时，人工技能技术综合了大数据自动化学习与深度学习，在影像诊断中具备良好检测价值，可提升临床对图像与病灶分类的准确度、敏感性及特异性，自客观数据分析比对形成检测结果，最大程度减少主观因素对阅片结果的干扰。此外，人工智能技术强大的计算能力与机械设备能24 h高精度工作，能有效降低人工阅片医师的工作强度，且利于提升病灶的检出率，极大程度降低了微小病灶漏诊率[16-17]。王爽等[18]研究还指出，相较于传统计算机辅助监测系统，AI准确度更高，且运算速度较快，其通过学习、不断更新参数，可提取更有效的结节区分特征，对结节区分准确度较高。李甜等[19]学者研究结果证实，AI阅片对肺磨玻璃结节、肺恶性结节诊断阳性率较高，但AI阅片对肺恶性结节诊断特异度较低，故临床实际可联合人工阅片及AI阅片进行综合评估，以此提升肺部结节鉴别诊断准确度。本研究结果显示，除直径>10 mm的肺恶性结节外，AI阅片对不同直径、不同部位的肺恶性结节检出率均显著高于人工阅片，差异有统计学意义（P<0.05），表明相较于人工阅片，AI辅助512层螺旋CT三维扫描诊断价值更高，分析其原因主要在于细小结节和血管断面轴位投影较相似，可增大临床诊断难度，且大量CT数据可增大临床医师工作负担，导致其难以于有限时间内有效集中精力，以致因疏忽而漏诊细微肺结节，加之临床医师阅片时通常选择水平轴位影像，且是主观判断，此类因素均在一定程度上增加了肺恶性结节漏诊及误诊率，而AI辅助则可有效避免上述不足，最大程度提升结节检出率，避免延误患者最佳干预时机。但临床实际应注意，患者细支气管发生扩张、增厚、气管分泌物等也会增加AI诊断难度，故临床实际可参照患者具体状况综合应用人工阅片、AI阅片。王杜春等[20]学者指出，AI阅片可能会将细小支气管血管束断面自动分析为异常肺小结节，故仍然需影像诊断医师进行综合评估，以此互相印证、互相补充，最大程度提升肺恶性结节早期诊断符合率，从而指导临床合理选择治疗方案，利于保证生存质量和生存时间，改善预后。

综上所述，AI辅助512层螺旋CT三维扫描在肺恶性结节中具有较高应用价值，可提升不同直径和部位结节检出率，缩短阅片用时，且利于减小影像科医师工作负担。

[参考文献]

[1] Prayer F，Rhrich S，Pan J，et al.Künstliche intelligenz in der bildgebung der lunge artificial intelligence in lung imaging[J].Der Radiologe，2019，60（1）：42-47.

[2] Li XL，Guo F，Zhou Z，et al.Performance of deep-learning-based artificial intelligence on detection of pulmonary nodules in chest CT[J].Chinese Journal of Lung Cancer，2019，22（6）：336-340.

[3] 王大為，杨正汉，王振常，等.能谱CT虚拟平扫在肺结节AI辅助诊断系统预测亚实性结节恶性概率中的应用[J].放射学实践，2020，35（8）：972-977.

[4] Liu XP，Zhou HY，Hu ZX，et al.Clinical application of artificial intelligence recognition technology in the diagnosis of stage T1 lung cancer[J].Chinese Journal of Lung Cancer，2019，22（5）：319-323.

[5] 孙炎冰，陶广昱，陈群慧，等.人工智能CT定量分析肺磨玻璃密度结节初探[J].中国医学计算机成像杂志，2018，24（5）：383-387.

[6] 明佳蕾，方向明.基于人工智能的CT肺结节检出临床应用及研究进展[J].中华放射学杂志，2019，53（6）：522-525.

[7] 邱露，方向明，陈宏伟.人工智能辅助CT肺结节良恶性鉴别的研究进展[J].临床放射学杂志，2019，38（12）：2453-2456.

[8] 中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组.肺结节诊治中国专家共识（2018年版）[J].中华结核和呼吸杂志，2018，41（10）：763-771.

[9] 陈疆红，钟朝辉，江桂莲，等.人工智能肺结节辅助诊断系统预测亚实性肺结节恶性概率[J].中国医学影像技术，2020，36（4）：535-539.

[10] 范海生.多层螺旋CT诊断孤立性肺结节良恶性的准确率[J].中国药物与临床，2018，18（12）：2128-2129.

[11] 贾伟君，李垚，文爽，等.多层螺旋CT Myrian后处理技术对肺内结节的定性诊断价值研究[J].中国医学装备，2020，17（4）：79-82.

[12] 戴志京，孙蓉，钱小建.多层螺旋CT联合磁共振扩散加权成像在肺部结节良恶性病变鉴别诊断中的应用[J].中国CT和MRI杂志，2019，17（12）：62-64.

[13] 徐铭，陈小刚.多层螺旋CT诊断肺部单发结节临床分析[J].医学影像学杂志，2019，29（7）：1233-1236.

[14] 黄云开.人工智能诊断肺结节的应用分析[J].实用医技杂志，2020，27（8）：1001-1003.

[15] 赵呈华.人工智能辅助诊断系统联合CT检查肺结节的诊断价值[J].实用临床医药杂志，2020，24（19）：9-11.

[16] Krarup MK，Krokos G，Manil Subesinghe，et al.Artificial intelligence for the characterization of pulmonary nodules，lung tumors and mediastinal nodes on PET/CT -sciencedirect[J].Seminars in Nuclear Medicine，2020，51（2）：143-156.

[17] 叶小聪，陈起忠，郝明志，等.CT引导同轴穿刺技术在肺结节早期定性诊断中的应用[J].中国医药导报，2020， 17（22）：136-139，155.

[18] 王爽，雷盛，谷涛，等.人工智能肺结节辅助诊断软件在肺CT检查结节分析中的临床应用[J].中华肺部疾病杂志（电子版），2019，12（6）：757-759.

[19] 李甜，李晓东，刘敬禹.人工智能辅助诊断肺结节的临床价值研究[J].中国全科医学，2020，23（7）：828-831，836.

[20] 王杜春，任龙，刘宁川，等.人工智能+医学影像在肺结节检测中的应用研究[J].影像研究与医学应用，2019，3（16）：39-41.

（收稿日期：2021-05-28）