王海永 纪建松 雷丽燕 孔春丽 洪怀江

摘 要 目的：分析人工智能+医学影像在肺结节检测中的临床应用效果。方法：选取时间段为2018.11月～2019.11月期间，于本院进行肺部CT扫描的患者共计489例，将其作为本次实验的研究对象，并在使用CT扫描后分别进行人工智能阅片和医师人工阅片，对比两种阅片方式的敏感度、假阴性率、假阳性率和使用时间。结果：对比两种阅片方式对肺结节检测的结果，人工智能阅片敏感度（96.31%）假阴性率（3.68%）假阳性率（25.35%）使用时间（0.52±1.33分），医师人工阅片组敏感度（86.91%）假阴性率（9.61%）假阳性率（2.45%）使用时间（3.75±1.26分），人工智能阅片的敏感度和使用时间较短，但其假阳性率相对较高，医师人工阅片的敏感度和使用时间稍差一些，但其假阳性率较低。结论：相对于传统的医师人工阅片来说，使用人工智能进行医学影像的阅片工作，具有较高的检测敏感度，且阅片速度也较快，能够为肺结节的临床诊断提供准确的参考依据，但由于其假阳性率较高，所以仍需与医师人工阅片结果相结合。

关键词 人工智能;医学影像;肺结节;临床检测

前言

肺癌是世界上发病率和死亡率最高的恶性肿瘤，CT早期筛查可降低肺癌患者的死亡率，但目前存在筛查人数多、医师工作量大及漏诊率高等情况[1]。在传统的肺结节检测过程中，常采用医师人工阅片的方式进行影像结果的查看，但由于受到各方面因素的影响，其存在着一定的漏诊率，诊断准确率并不理想。而随着科学技术的快速发展，人工智能技术逐渐被应用到临床医学中，据实际应用情况来看，在人工智能的帮助下，医学影像检测技术的准确性得到了极大的进步[2]。本次实验中，便探究了人工智能+医学影像在肺结节检测中的应用价值，详情如下。

1资料与方法

1.1 一般资料

本次实验共选取了489例患者作为研究对象，纳入时间段为2018.11月～2019.11月，所有患者均因不同程度的咳嗽咳痰、乏力盗汗、食欲减退、胸闷气急等症状而入院，在入院后均需对其实施影像学检查。489例实验患者中，共有男性患者255例、女性患者234例，年龄区间为30～80岁，平均年龄为（48.37±1.52）岁。

1.2 方法

所有患者在接受影像学检查前均需进行吸气屏气的训练，并指导患者在检查过程中达到一定范围内的屏气程度。本次实验的CT检测机为PHILIPS iCT SP 64 排螺旋CT扫描仪，指导患者取仰卧位后，将双手上举超过头顶，在患者吸气末阶段进行胸部扫描，扫描的范围上端为肺尖、下端为肋膈角尖端的水平位置[3]。在扫描结束后，使用人工智能系统进行图像的重建，并将重建图像传送至医师工作站和United Imaging Intelligence智能肺结节检测系统中，分别进行阅片。采用人工智能阅片时，需要使用图像识别技术，对CT影像中的结节情况和风险信息进行详细的标注，从而为临床诊断提供依据[4]。而采用医师人工阅片时，则需要由专业医师根据自身的专业能力和经验，对影像中的肺部结节情况进行分析，以确定病情状况。

1.3 观察指标

所有患者在接受肺部CT检测后，分别使用人工智能和医师人工的方式进行阅片，将两种阅片方式的敏感度、假阴性率、假阳性率和使用时间作为本次实验的观察指标。

1.4 统计学处理

对于本次实验中所涉及的各方面数据资料，均选用统计学软件SPSS20.0进行分析和处理，以（%）表示为本次实验的检测敏感度、假阴性率和假阳性率，以（X±S）表示为本次实验的检测时间，分别使用X2值和t值对实验结果进行检验，当（P<0.05），则表示数据之间差异显著，具有统计学意义[5]。

2结果

据表1可知，人工智能阅片组的敏感度、假阴性率和使用时间均优于医师人工阅片组，但假阳性率医师人工阅片组更佳，（P<0.05）。

3讨论

近年来，我国在科学技术方面有着突飞猛进的发展，其中人工智能技术的应用也为各行业带来了发展机遇，在临床医学中也不乏对人工智能技术的应用[6]。具体来说，在医学影像方面，对于影像检查结果的查看，也可以使用人工智能技术，与传统的人工阅片方式相比较，采用人工智能阅片有着绝对性的优势，其不仅可以缩短阅片时间，还具有较高的敏感度，能够为临床确诊提供准确的参考依据[7]。但是，人工智能阅片也存在着一定的不足，最主要的就是假阳性率相对较高，容易在阅片时将一些血管断面、奇静脉、小支气管等错认为异常的肺结节，进而对检测结果的判断造成影响，见图1-2。而人工阅片虽然在敏感度和使用时间方面不足，但其假阳性率相对较低一些，进而检测准确度较高[8]，见图3。

根据本次实验结果可知，对比两组检测方式的敏感度、假阴性率、假阳性率和使用时间，除假阳性率外，人工智能组均明显优于医师人工组，（P<0.05），具有统计学意义[9]。因此，人工智能技术与医学影像相结合对于肺结节的检测有着较高的参考依据，但仍需与人工阅片相结合，以提高检测的准确性，为临床诊断和病情判断提供更为详细的参考依据[10]。

参考文献

[1] 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.中国全科医学，2020，23（7）：828-831，836.

[2] 王成弟，郭际香，杨阳，等.利用深度学习技术辅助肺结节的人工智能检测[J].中国呼吸与危重监护杂志，2019，18（3）：288-294.

[3] 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.

[4] 王婧璇，林岚，赵思远，等.基于深度学习的肺结节计算机断层扫描影像检测与分类的研究进展[J].生物医学工程学杂志，2019，36（4）：670-676.

[5] 王昌淼.基于胸部影像的肺结节检测与分类关键技术研究[D].深圳：中国科学院大学（中国科学院深圳先进技术研究院），2018.

[6] 廖晓磊.薄扫CT序列图像的肺实质分割和肺结节检测方法研究[D].太原：太原理工大学，2017.

[7] 周兵.CT影像中肺结节检测与识别方法的研究[D].成都：电子科技大学，2017.

[8] 李欣菱，王颖.人工智能在肺结节检测与诊断中的应用及发展[J].新发传染病电子杂志，2019，4（3）：185-189.

[9] 李欣菱.基于深度学习的人工智能胸部CT肺结节检测效能评估[D].天津：天津医科大学，2019.

[10] 吴梦香，劉挨师.人工智能医学影像在胸部应用的机遇与挑战[J].影像研究与医学应用，2020，4（2）：11-13.