崔兆国 吴昊 汤敏

[摘要] 目的 探討基层影像医生结合人工智能辅助诊断系统对厚层CT中4 mm以上结节检出效能的差异。 方法 前瞻性收集2019年1月1日至1月31日在我院接受常规胸部CT检查的118例患者并进行层厚5 mm骨算法重建，由两位十年以上诊断经验的主治医师和一位十五年以上诊断经验的副主任医师借助人工智能软件（InferRead CT_Lung 6.0，Infervision，Beijing，推想科技）确定肺结节金标准。由基层医院两位主治医师对CT图像进行独立阅片，记录结节的数量、位置、长径和标记时间，两周后再次借助AI对同一批图像进行阅片，计算医生独立阅片（A组）及借助AI（B组）两种情况下的结节检测敏感度、假阳性率，同时比较两种情况标记时间。 结果 A组和B组对于4 mm以上肺结节检出总数分别为172和293个，其中真阳性结节数分别为112和171个，假阳性结节数分别为60和122个。B组肺结节的检测敏感度显著高于A组（P<0.01）。A、B两组医生肺结节平均检测时间比较，差异有统计学意义（P<0.05）。 结论 AI对于肺结节检出具有较好的辅助能力，借助AI辅助诊断系统的基层影像医生对厚层图像4 mm以上肺结节的标记时间更短，结节诊断敏感度更高。

[关键词] 人工智能;厚层;基层影像医生;肺结节;检出效能

[Abstract] Objective To investigate the difference of detection efficiency of grassroots imaging physicians combined with artificial intelligence（AI） aided diagnosis system for nodules above 4 mm in thick slice CT. Methods A total of 118 patients admitted to our hospital and treated with conventional chest CT examination from January 1 to January 31， 2019 were prospectively collected and reconstructed with 5 mm thick bone algorithm. The pulmonary nodules gold standard was determined with the help of AI software（InferRead CT_Lung 6.0， Infervision， Beijing， Infervision Technology） by two attending physicians with more than 10 years of diagnosis experience and one deputy chief physician with more than 15 years of diagnosis experience. CT images were read independently by two attending physicians of grassroots hospitals， and the number， location， long diameter and marking time of nodules were recorded. Two weeks later，the same batch of images were read again with the aid of AI，and the sensitivity and false positive rate of nodule detection in two cases of independent reading by physicians（group A） and AI（group B） were calculated. The paired sample of t-test was used for comparison， and the time consumptions of the two cases were compared at the same time. Results In group A and group B， the total numbers of pulmonary nodules over 4 mm were 172 and 293 respectively， among which 112 and 171 were correct nodules and 60 and 122 were false positive nodules， respectively. The detection sensitivity of pulmonary nodules in group B was higher than that in group A（P<0.01）. There was significant difference of the average time spent of imaging physicians between the group A and the group B（P<0.05）. Conclusion AI has a good auxiliary ability to detect pulmonary nodules. The grassroots imaging physicians who use AI-aided diagnosis system can mark pulmonary nodules larger than 4 mm in thick layer images in a shorter time and have higher sensitivity in nodule diagnosis.

[Key words] Artificial intelligence; Thick layer; Grassroots imaging physicians; Pulmonary nodules; Detection efficiency

肺癌的发病率和死亡率较高，是对人类健康和生命威胁最大的恶性肿瘤之一[1]。根据国家癌症中心最新公布的数据显示，肺癌的死亡率在所有肿瘤中占首位，在我国每年大约有59.1万人死于肺癌[2]。肺结节是肺癌的早期表现，迄今为止，计算机断层扫描（Computed tomograpb，CT）是检出肺结节最有效的影像学手段。因此，应用CT检查对高危人群进行早期筛查，做出准确的诊断，对肺癌患者的预防和预后有重要的意义。但由于CT检查图像较多、阅片耗时较长，导致结节检出准确率不高。有相关研究报道，影像科医生在双阅片的情况下CT肺结节检出率仅为59.1%[3]。同时，随着CT检查量的日益增多，影像科医生的工作量也随之加大[4]，尤其是基层医疗机构的影像医生，先天基础比较薄弱，后期培训学习的机会又较少，对诊断的准确性难免会有一定的影响。近年来，人工智能技术（AI）在各個行业均有了广泛的应用[5]，随着AI在医疗领域的推广应用，胸部CT图像的AI辅助结节筛查，在临床上得到广泛开展[6]，在提高工作效率的同时能有效降低肺结节的漏诊率[7]。本研究通过对比基层影像医生独自阅片与结合AI阅片在5 mm层厚胸部CT检出4 mm以上肺结节的数量、所用时间以及检出的敏感度、假阳性率等方面特点，评估AI在基层医疗机构胸部影像学诊断中的价值，为今后AI在基层医疗机构影像科中的应用提供可参考的科学依据，现报道如下。

1 资料与方法

1.1 一般资料

前瞻性收集2019年1月1日至1月31日在我院影像科门诊接受常规胸部CT检查的198例患者，符合研究条件的共118例，其中男67例，女51例;年龄19～84岁，平均（55.7±7.65）岁。纳入标准：①年龄>18岁并有肺结节的受检者;②无胸部手术史、弥漫性间质性病变、肺部炎症病变等者;③CT图像中未见呼吸运动伪影者;④经由AI软件推测结节数不超过50个者。

1.2 方法

1.2.1 检查方法  采用西门子二代双源CT（Siemens somatom definition flash，德国），受检者吸气屏气状态下肺尖扫描至两侧肾上腺。扫描参数：管电压为120 kV，参考管电流为130 mAs，开启CAREDose 4D技术，探测器准直器128.0×0.6 mm，机架旋转时间为0.5 s/周，螺距为1.2，骨算法重建层厚5 mm。矩阵：512×512。观察CT图像的肺窗窗宽1200 HU，窗位-600 HU，必要时手动调整合适的窗条件。

1.2.2 研究方法及图像评价  选取两位基层医院的主治医师，将118例图像随机分给两位医生各59例，分别进行独立阅片，对病例的结节进行查找分析，并记录结节的数量、位置、长径和标记时间，最后将两位医生的查找结果进行汇总，此为A组;经两周的洗脱期后，两位基层医生借助AI辅助诊断系统，再次对同一批病例图像进行阅片，对结节进行查找分析，同样记录结节的数量、位置、长径和标记时间，并将两位医生的结果汇总，此为B组。统计A、B 两组对肺结节的检出情况及阅片效率，将两组检出结果与金标准进行对比，计算各自的敏感度、假阳性率和平均检测时间。本研究所使用的AI软件为推想公司基于深度学习模型的人工智能软件（InferRead CT Lung Research，Infervision，Beijing，China）。所有胸部 CT由两位十年以上诊断经验主治医师和一位十五年以上诊断经验副主任医师进行分析，并制订金标准，统计分析A、B 两组对肺结节的检出情况以提高阅片效率。

1.3统计学分析

采用SPSS 20.0统计学软件进行数据录入、整理及分析。分别计算A、B两组数据检出的敏感度、假阳性率及假阴性率，采用配对样本t检验比较两组敏感度、假阳性率和标记时间。P<0.05为差异有统计学意义。

2 结果

2.1 两组肺结节的检出情况和敏感度比较

118例胸部CT金标准共检出280个结节。A 组共检出肺结节172个，其中真阳性结节112个，假阳性结节60个;B组共检出肺结节293个，其中真阳性结节171个，假阳性结节122个。B组敏感度显著高于A组，差异有统计学意义（P<0.01）。见表 1。

2.2 两组肺结节的检出时间

A组基层医生检测肺结节平均时间为（138.00±2.25）s，B组基层医生结合AI检测肺结节平均时间为（52.00±2.89）s，B组的平均检测时间明显短于A组，差异有统计学意义（t=11.148，P<0.05）。即基层影像科医生结合人工智能辅助诊断系统可缩短肺结节检出时间。

3 讨论

我国基层卫生医疗机构总量近百万《中国卫生健康统计提要2018》，如此庞大的数量，影像医生的诊断准确率显得尤为重要。目前多数基层医疗机构的影像诊断医生，先天基础比较薄弱，而后期培训学习的机会又很少，随着CT检查量的日益增多，难免对诊断准确率会有一定的影响。目前，基层医院及相关医疗机构的检查设备相对比较落后，受机器基础性能和扫描参数的限制，无法大量进行薄层扫描或重建，大部分都是5 mm或以上厚层的CT图像。根据最新的研究资料显示，肺癌已成为了主要威胁人类健康的病种，其不断上升的发病率和死亡率也使其影像学表现方面的研究具有重要的意义。肺结节是肺癌的早期表现形式，而4 mm以上的结节更有临床意义[8]。基层医疗机构的放射科医师在日常工作中的肺结节检出情况对肺癌的早期诊断、早期治疗以及提高患者生存率具有非常重要的作用。

AI辅助诊断系统能够减轻基层影像科医生阅片压力，降低漏诊率，提高诊断的准确率，从而达到对肺癌的早期诊断、早期治疗、提高患者生存率的目的。

3.1 应用AI系统后基层影像医生诊断肺结节的效率有明显提高

第一，敏感度有了很大提升，大约提高36%。其原因首先在于医生阅片时基本采用横轴位图像，部分小结节与血管断面轴位投影相似，非常容易漏诊;其次可能在于影像医师对肺结节的诊断标准仅仅依靠于视觉上的经验，具有一定的主观性，而且由于阅片时间有限或注意力无法保持全程集中，仅满足于较大及实性病变的检测，对于较小及磨玻璃样病变没有引起足够重视或根本没有发现[9-10]。见封三图4。

第二，阅片时间得以大大缩短，只有原来的1/3左右。其原因在于CT断层图像过多，临床影像资料较复杂，影像医师需要仔细观察分析肺部的血管、气管等影像，大量的观察分析工作使其容易产生视觉疲劳，因而阅片时间较长[11]。而AI辅助诊断系统是基于深度神经网络方法的研究，通过对原始数据进行抽象总结[12]，从而达到对影像数据的归类。仅用数秒钟即可对所有影像资料进行数据分析和诊断，并不会发生视觉疲劳及诊断水平不齐等问题，具有非常高的阅片效率[13]。

3.2 应用AI辅助系统后诊断肺结节的假阳性率有所提高，但在可接受范围内

本研究结果显示，AI的总体结节检测假阳性率较高，尤其易误诊于小叶核心结构，其他主要误诊原因为：①与气管相关，包括增厚、扩张的细支气管，气管及细支气管内分泌物等;②与血管相关，包括增粗、迂曲、交叉的血管，肺门增粗的血管等，正常或异常的肺结构如小叶核心结构、增厚的小叶间隔及小叶内间隔;各时期的感染性病灶如索条、瘢痕、树芽、片状实变及磨玻璃密度影;③其他原因，如局部凸向肺野的骨性结构、局限性气体潴留、胸膜斑块等[14-15]。造成假阳性的原因可能与AI设定的检出结节大小的阈值极低有关[16]。而此时影像医生则可以根据对影像资料的认真分析和鉴别，依靠丰富的临床经验，使假阳性率控制在正常范围内[17]。因此，将AI诊断系统与基层影像医师结合是基层临床工作的最佳选择，极大地提高了CT图像诊断敏感度并大大缩短阅片时间。相信随着科学技术的不断发展，AI技术将会得到进一步的提升，也将更好地服务于医疗事业，并将为人类的健康做出更多贡献。

本研究的局限性有二：①数据样本量不足，结节数量较少，因此结果可能存在一定的选择性偏倚;②没有进行多中心研究。

综上所述，与无人工智能辅助相比，配备人工智能的基层影像医生对厚层图像4 mm以上肺結节的标记时间更短，诊断敏感度更高。虽然存在一定的假阳性率，但相对更高的敏感度可以确保结节检出率的提升，能极大地降低漏诊的发生率，并能提高基层影像医生的工作效率。在基层医疗机构，对于厚层胸部CT中筛查4 mm以上肺结节，建议使用AI辅助诊断系统以达到相对理想的检出率。

[参考文献]

[1] Schwyzer M，Ferraro DA，Muehlematter UJ，et al.Automated detection of lung cancer at ultralow dose PET/CT by deep neural network-initial results[J].Lung Cancer，2018，12（6）：170-173.

[2] 沈海洋，朱信中，胡佳楠.基于人工神经网络的肺癌识别[J].电子技术与软件工程，2018，29（20）：240-241.

[3] 唐威，王建卫，吴宁，等.计算机辅助检测系统在低剂量肺癌筛查结节检出中的应用价值[J].中华放射学杂志，2012，46（7）：619-623.

[4] 李志勇，李鹏伟，高小燕，等.人工智能医学技术发展的聚焦领域与趋势分析[J].中国医学装备，2018，15（7）：136-145.

[5] 郑光远，刘峡壁，韩光辉.医学影像计算机辅助检测与诊断系统综述[J].软件学报，2018，29（5）：1471-1514.

[6] 李欣菱，郭芳芳，周振，等.基于深度学习的人工智能胸部CT肺结节检测效能评估[J].中国肺癌杂志，2019，22（6）：336-340.

[7] 张晓菊. 《肺结节诊治中国专家共识（2018版）》解读[J].中华实用诊断与治疗杂志，2019，33（1）：1-3.

[8] 胡琼洁，陈冲，王玉锦，等.实习医师以共同阅片和第二阅片者模式使用计算机辅助检测系统在低剂量CT中的应用研究[J].放射学实践，2018，（10）：1022-1028.

[9] 吴光耀，伍建林.基于CT的计算机辅助检测与诊断肺结节技术研究进展[J].中国医学影像技术，2018，（7）：1114-1117.

[10] 萧毅，夏晨，张荣国，等.人工智能技术在医学影像中的应用讨论[N].第二军医大学报，2018，8（13）：813-818.

[11] Lecun Y，Bengi Y，Hinton G.Deep learning[J].Nature，2015，5（21）：43-47.

[12] 谷雨，吕晓琪，杨立东，等.基于CT影像的肺结节计算机辅助检测技术进展[J].重庆医学，2017，46（6）：839-842.

[13] 金文忠，陆耀，汪阳.基于人工智能的胸部CT智能辅助诊断系统在LDCT数据集上的应用研究[J].中国医学计算机成像杂志，2018，24（5）：373-377.

[14] Xia Y，Lu S，Wen LF，et al.Automated identification of dementia using FDG-PET imaging[J].Biomed Res Int，2014（2014）：421 743.

[15] 萧毅，刘士远.客观看待人工智能在医学影像中的作用[J].放射学实践，2018，33（10）：992-994.

[16] 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.

[17] 杨兴云，宋立江，王涛，等.多层螺旋CT图像后处理技术在肺部结节鉴别诊断中的应用研究[J].中国医学装备，2019，16（4）：33-36.

（收稿日期：2020-07-29）