曹恩濤　范　麗　肖湘生

CT計(jì)算機(jī)輔助檢測與診斷對(duì)肺癌早期診斷的應(yīng)用與進(jìn)展

曹恩濤范麗*肖湘生

CT的技術(shù)發(fā)展使得早期肺癌的發(fā)現(xiàn)率顯著提高，特別是近年來應(yīng)用于CT的計(jì)算機(jī)輔助檢測系統(tǒng)與診斷系統(tǒng)作為影像醫(yī)師的“第二雙眼睛”，既可以在胸部CT影像中自動(dòng)標(biāo)記可疑結(jié)節(jié)，又能自動(dòng)測量結(jié)節(jié)的大小、密度等信息，并為確定病灶的良惡性提供參考意見。就計(jì)算機(jī)輔助檢測與診斷系統(tǒng)的功能、應(yīng)用現(xiàn)狀及研究進(jìn)展進(jìn)行綜述。

早期肺癌；計(jì)算機(jī)輔助檢測與診斷；自動(dòng)測量

肺癌是世界上對(duì)人類健康和生命威脅最大的惡性腫瘤之一，發(fā)病率和死亡率目前均占所有惡性腫瘤的首位［1］。降低肺癌死亡率、提高病人生存質(zhì)量，最關(guān)鍵的是早期發(fā)現(xiàn)、早期診斷。CT使得早期肺癌的發(fā)現(xiàn)率大大提高。薄層CT技術(shù)有助于檢測更小的肺癌。但薄層CT明顯增加了CT成像數(shù)量和影像醫(yī)師的閱片量，可能出現(xiàn)對(duì)肺結(jié)節(jié)的漏檢和錯(cuò)誤判斷。而計(jì)算機(jī)輔助檢測與診斷系統(tǒng)（computer aided detection and diagnosis，CAD）可以利用計(jì)算機(jī)高速計(jì)算、自動(dòng)處理的優(yōu)勢幫助醫(yī)師發(fā)現(xiàn)和診斷肺結(jié)節(jié)。

1　CAD的基本原理與工作流程

CAD系統(tǒng)根據(jù)功能不同可以分為計(jì)算機(jī)輔助檢測系統(tǒng)（CADe）和計(jì)算機(jī)輔助診斷系統(tǒng)（CADx）兩部分。CADe旨在從醫(yī)學(xué)影像中發(fā)現(xiàn)病灶，而CADx則進(jìn)一步測量病灶的特征數(shù)據(jù)，智能分析病灶的性質(zhì)。兩者通常統(tǒng)稱為CAD，常結(jié)合起來使用。目前以CADe的應(yīng)用與研究較多。

1.1CT影像數(shù)據(jù)采集的要求CT影像數(shù)據(jù)需要傳輸?shù)紺AD工作站進(jìn)行后續(xù)的自動(dòng)檢測與自動(dòng)分析診斷。理想的CAD系統(tǒng)可以與醫(yī)院的影像歸檔和通 信 系 統(tǒng)（picture archiving and communication systems，PACS）整合，這樣可以有效提高工作效率［2］，便于查找和傳輸數(shù)據(jù)，也可以把影像醫(yī)師在CAD中記錄的結(jié)果回傳至PACS。為有效使用CADe，需是行單次屏氣連續(xù)掃描以獲得全肺CT影像；一般采用3 mm以下的薄層重建圖像，以減少部分容積效應(yīng)，提高結(jié)節(jié)檢出的敏感性、降低假陽性率；重建算法推薦使用標(biāo)準(zhǔn)算法［3］；CT掃描的劑量對(duì)CADe的使用效果有一定影響，而Wielpütz等［4］和Hein等［5］

*審校者

1.2CAD的工作流程CAD的工作流程大致分為4步［6］，即肺區(qū)域分割、結(jié)節(jié)識(shí)別、結(jié)節(jié)分割和輔助診斷（圖1［6］）。①肺區(qū)域分割：胸部CT包含多種組織信息，在胸部CT影像中預(yù)先將肺組織分割出來，可以大大減少CAD對(duì)肺結(jié)節(jié)的檢測區(qū)域，節(jié)省運(yùn)算時(shí)間，提高識(shí)別準(zhǔn)確率。②結(jié)節(jié)識(shí)別：包括候選結(jié)節(jié)的識(shí)別和假陽性的去除，對(duì)特定區(qū)域的特征進(jìn)行提取，以此來區(qū)分結(jié)節(jié)與血管、支氣管等結(jié)構(gòu)確定候選結(jié)節(jié)；進(jìn)一步提取候選結(jié)節(jié)的各種特征，并采用各種方法識(shí)別排除假陽性結(jié)節(jié)。結(jié)節(jié)識(shí)別一直以來是肺結(jié)節(jié)自動(dòng)檢測技術(shù)的最重要的難題。③結(jié)節(jié)分割：對(duì)結(jié)節(jié)的大小、形態(tài)、密度、強(qiáng)化模式及生長模式（利用多圖像匹配）等特征進(jìn)行提取，為判斷其良惡性提供依據(jù)。④輔助診斷：計(jì)算機(jī)自動(dòng)分析結(jié)節(jié)的特征，得出良惡性判斷，為放射醫(yī)師診斷提供參考意見。但肺結(jié)節(jié)良惡性預(yù)判模型的建立基于大量已證實(shí)的肺結(jié)節(jié)數(shù)據(jù)，而海量確診肺結(jié)節(jié)的CT數(shù)據(jù)收集難度很大，且診斷具有復(fù)雜性，使得CADx的研究進(jìn)展較慢，相對(duì)于CADe而言，CADx仍處于初步研究階段。

2　基于CT的肺結(jié)節(jié)CADe研究現(xiàn)狀

肺結(jié)節(jié)CADe是指計(jì)算機(jī)自動(dòng)分析圖像信息，自動(dòng)檢測并標(biāo)注出計(jì)算機(jī)認(rèn)為的肺結(jié)節(jié)。影像醫(yī)師可以參照CADe的結(jié)果進(jìn)行進(jìn)一步的分析。影像醫(yī)師根據(jù)自動(dòng)檢測結(jié)果，對(duì)CT影像進(jìn)行閱讀，剔除假陽性結(jié)節(jié)，增加假陰性結(jié)節(jié)。目前，已經(jīng)開發(fā)出的CADe軟件已有很多，一部分已經(jīng)是商用軟件，但是絕大多數(shù)CADe軟件都未能實(shí)際應(yīng)用于臨床，真正有效地為影像醫(yī)師服務(wù)?，F(xiàn)在CADe的開發(fā)與改進(jìn)主要致力以下4個(gè)方面［7］：①提高肺結(jié)節(jié)檢測敏感度，敏感度是指軟件發(fā)現(xiàn)的陽性結(jié)果中為真實(shí)結(jié)節(jié)的個(gè)數(shù)與影像中所有真實(shí)結(jié)節(jié)個(gè)數(shù)的比值，敏感度越高說明發(fā)現(xiàn)病灶的概率越高，漏檢的比率越少。②降低假陽性，假陽性指軟件發(fā)現(xiàn)的陽性結(jié)果，實(shí)際上并非結(jié)節(jié)樣病灶。假陽性會(huì)增加醫(yī)師的工作量和閱片時(shí)間。③能夠自動(dòng)區(qū)分不同類型的結(jié)節(jié)，包括不同形狀、不同密度（如實(shí)性、非實(shí)性結(jié)節(jié)、鈣化結(jié)節(jié)等）。Jacobs等［8］的研究表明放射醫(yī)師在CAD輔助下判斷不同密度的結(jié)節(jié)可以提高診斷率及工作效率。④其他方面，如提高軟件的運(yùn)行速度；降低CADe的軟硬件成本；提高CADe系統(tǒng)的安全性和自動(dòng)化程度等。

2.1肺結(jié)節(jié)檢測的敏感性近年來CT肺結(jié)節(jié)檢測技術(shù)有著比較明顯的提升，多項(xiàng)研究表明影像醫(yī)師在CAD輔助下發(fā)現(xiàn)肺結(jié)節(jié)的能力明顯提高。Jeon等［9］的研究中7位影像醫(yī)師先獨(dú)自對(duì)134份胸部CT影像進(jìn)行閱片，后參考CAD自動(dòng)檢測結(jié)果進(jìn)行修改，結(jié)果表明在CAD輔助下結(jié)節(jié)的平均發(fā)現(xiàn)率從最初的77%提升到了84%。蔡等［10］收集100例病人的胸部低劑量CT檢查，由1位低年資和1位中年資的影像醫(yī)師分別在獨(dú)自和參考CAD結(jié)果兩種模式下進(jìn)行閱片，低年資醫(yī)師發(fā)現(xiàn)肺結(jié)節(jié)的敏感度從40.9%提升至76.6%，高年資醫(yī)師發(fā)現(xiàn)肺結(jié)節(jié)的敏感度從79.9%提升至95.2%，這表明CAD對(duì)低年資醫(yī)師的輔助作用較顯著，可以在一定程度上彌補(bǔ)低年資醫(yī)師工作經(jīng)驗(yàn)不足的局限性。

圖1　CT肺結(jié)節(jié)CAD的基本步驟

一些研究發(fā)現(xiàn)CAD與醫(yī)生肉眼識(shí)別結(jié)節(jié)的能力可以互為補(bǔ)充。Lee等［11］發(fā)現(xiàn)CAD對(duì)孤立性結(jié)節(jié)的診斷敏感度高于醫(yī)生肉眼觀察，而對(duì)與鄰近結(jié)構(gòu)關(guān)系密切的結(jié)節(jié)的敏感度低于醫(yī)生肉眼觀察。Marten等［12］研究顯示CAD對(duì)5 mm以下結(jié)節(jié)的發(fā)現(xiàn)率要顯著高于醫(yī)生肉眼觀察。Zhao等［13］的研究中醫(yī)生獨(dú)自1次閱片敏感度為50%，2次閱片為63%，而使用CAD輔助閱片為76%，表明使用CAD作為輔助閱片工具有助于提高肺結(jié)節(jié)的發(fā)現(xiàn)率。

總之，這些研究都有力證明了CAD有助于提高影像醫(yī)師對(duì)胸部CT閱片的敏感度。但由于不同的研究使用不同的測試數(shù)據(jù)、不同的方案和評(píng)價(jià)標(biāo)準(zhǔn)、不同的算法、不同的觀察者，因此不同的CAD系統(tǒng)之間仍難以比較優(yōu)劣。另外，大多數(shù)試驗(yàn)的參考標(biāo)準(zhǔn)即真性結(jié)節(jié)的“金標(biāo)準(zhǔn)”存在主觀性。

2.2肺結(jié)節(jié)檢測的假陽性CADe敏感度的增高伴隨著假陽性的增高。假陽性是影響影像醫(yī)師使用CADe的一個(gè)重要因素，例如正常的肺結(jié)構(gòu)如血管、支氣管或是呼吸偽影常被計(jì)算機(jī)誤認(rèn)為是肺結(jié)節(jié)，這些假陽性結(jié)節(jié)需要醫(yī)生花更多的時(shí)間去甄別，且容易造成錯(cuò)誤的判斷。一般5個(gè)以下的假陽性尚可以接受。在保持一定敏感度的前提下，有效降低假陽性率是CADe的主要難題和研究重點(diǎn)之一。圍繞這個(gè)問題近年來開發(fā)了許多改進(jìn)算法，如Kumar等［14］使用基于局部灰度特征的“模糊系統(tǒng)”，測試了包含538個(gè)不同類型結(jié)節(jié)的影像數(shù)據(jù)，敏感度達(dá)到86%，假陽性為平均每次掃描2.17個(gè)。Tan等［15］使用了一種新的混合結(jié)節(jié)特征的過濾方法，在574個(gè)結(jié)節(jié)中取得了87.5%敏感度，平均每次掃描4個(gè)假陽性的結(jié)果。

CADe檢測結(jié)節(jié)的最終目的是幫助醫(yī)生發(fā)現(xiàn)早期的惡性結(jié)節(jié)。近年研究發(fā)現(xiàn)5 mm以下結(jié)節(jié)為肺癌的概率較低，美國國家肺癌篩查試驗(yàn)（National Lung Screening Trial，NLST）的統(tǒng)計(jì)結(jié)果中4～6 mm結(jié)節(jié)為惡性的概率僅為0.5%，而7～10 mm結(jié)節(jié)為惡性的概率為 1.7%［16］。國際早期肺癌行動(dòng)計(jì)劃（International Early Lung Cancer Action Program，I-ELCAP）研究結(jié)果發(fā)現(xiàn)直徑在5～9 mm、9～15 mm、15 mm以上的結(jié)節(jié)最終明確為惡性的概率分別為0.3%、4.7%、29.8%，將原先5 mm的隨訪閾值設(shè)為6 mm、7 mm和8 mm可以減少36%、56%、68%的后續(xù)隨訪工作量［17］。這些結(jié)果表明肺結(jié)節(jié)陽性隨訪的最小標(biāo)準(zhǔn)應(yīng)提高，至少設(shè)為5 mm以上，這樣可以有效提高醫(yī)生的后續(xù)工作，提高效率。因此，合理調(diào)節(jié)CADe發(fā)現(xiàn)結(jié)節(jié)大小的閾值，可以在不顯著降低檢出惡性結(jié)節(jié)敏感度的情況下減少假陽性，提高工作效率。Brown等［18］設(shè)計(jì)了新型的CADe系統(tǒng)，將結(jié)節(jié)大小閾值設(shè)為4 mm和8 mm，對(duì)108例來源于肺部影像數(shù)據(jù)庫聯(lián)盟 （Lung Images Database Consortium，LIDC）的CT數(shù)據(jù)進(jìn)行測試，兩種方案的敏感度中位數(shù)兩者均提高到100%，每例病人檢出假陽性結(jié)節(jié)的個(gè)數(shù)的中位數(shù)為0，在低假陽性的條件下，實(shí)現(xiàn)了對(duì)目標(biāo)結(jié)節(jié)檢出的高敏感性，顯示出較強(qiáng)的臨床實(shí)用性。由此可見CAD技術(shù)與臨床應(yīng)用需求、臨床研究成果數(shù)據(jù)相結(jié)合，是CAD發(fā)展的新方向。

2.3磨玻璃結(jié)節(jié)的自動(dòng)檢測磨玻璃結(jié)節(jié)（ground-glass nodule，GGN）是指在高分辨力CT下肺內(nèi)類圓形稍高密度影，其中仍可以見到支氣管結(jié)構(gòu)或肺血管的結(jié)構(gòu)，它與實(shí)性結(jié)節(jié)相比，CT值較低，通常低于血管的CT值，因此GGN容易漏檢，而Henschke等［19］在肺癌篩查研究中發(fā)現(xiàn)GGN的惡性概率大于實(shí)性結(jié)節(jié)，63%的混雜性GGN和18%的純GGN為惡性，只有7%的實(shí)性結(jié)節(jié)為惡性，因此發(fā)現(xiàn)GGN對(duì)發(fā)現(xiàn)早期肺癌至關(guān)重要。目前許多CADe系統(tǒng)的開發(fā)以及大多數(shù)的CADe驗(yàn)證試驗(yàn)均基于實(shí)性結(jié)節(jié)。GGN較實(shí)性結(jié)節(jié)密度明顯減低，CADe對(duì)GGN的發(fā)現(xiàn)率明顯低于實(shí)性結(jié)節(jié)，Yanagawa等［20］研究顯示CADe對(duì)GGN的發(fā)現(xiàn)率僅為21%，遠(yuǎn)低于影像醫(yī)生的發(fā)現(xiàn)率（60%～80%），所以CADe對(duì)醫(yī)生發(fā)現(xiàn)GGN的幫助很小。由此可見提高CADe對(duì)GGN的發(fā)現(xiàn)率，對(duì)提高CAD臨床應(yīng)用價(jià)值極為重要。

有少數(shù)試驗(yàn)針對(duì)GGN的自動(dòng)檢測做了研究，Zhou等［21］開發(fā)了一個(gè)基于血管抑制、密度和紋理分析的算法，發(fā)現(xiàn)了所有GGN，但是試驗(yàn)中僅包含10 個(gè)GGN。Ye等［22］使用了一個(gè)基于體素方法和規(guī)則濾波的算法對(duì)50個(gè)包含52個(gè)GGO的CT檢查進(jìn)行了試驗(yàn)，其敏感度達(dá)92.3%，但假陽性較高，每次掃描平均有12.7個(gè)假陽性結(jié)節(jié)。2011年Jacobs等［23］針對(duì)一組來源于大規(guī)模肺癌篩查庫中的140個(gè)CT檢查數(shù)據(jù)開發(fā)并測試了新型的算法，對(duì)GGN的診斷敏感度達(dá)到73%，并且假陽性控制在平均每次掃描1.0個(gè)。2014年，Jacobs等［24］又對(duì)基于NELSON多中心肺癌篩查數(shù)據(jù)庫中209例包含GGN的檢查進(jìn)行訓(xùn)練，另109例進(jìn)行評(píng)估，提取分析了GGN的128種特征，包括形狀、邊界、氣道、血管紋理特征等，最終診斷敏感度達(dá)到80%，每次掃描平均有1個(gè)假陽性結(jié)節(jié)，獲得了較為理想的結(jié)果。當(dāng)然，實(shí)際臨床工作中條件更為復(fù)雜，GGN的自動(dòng)檢測仍需要進(jìn)一步改進(jìn)。

2.4不同CADe閱片模式的異同使用CADe發(fā)現(xiàn)肺結(jié)節(jié)的閱片模式主要有：①單獨(dú)使用CADe；②醫(yī)生先單獨(dú)閱片，再參考CADe結(jié)果修改意見，即CADe作為第二閱片者；③醫(yī)生閱片同時(shí)參考CADe結(jié)果，即CADe作為共同閱片者。

由于目前CADe技術(shù)不能發(fā)現(xiàn)所有的結(jié)節(jié)，因此，醫(yī)生不親自閱片而僅使用CADe的方式不宜采用。使用CADe作為共同閱片者而不是作為第二閱片者，可以減少閱片時(shí)間。Beyer等［25］的研究中，CADe作為共同閱片者所用平均時(shí)間（274 s）顯著少于未使用CADe（294 s）以及作為第二閱片者（337 s），但發(fā)現(xiàn)結(jié)節(jié)的敏感度（68%）顯著低于作為第二閱片者（75%）。但Matsumoto等［26］的研究結(jié)果表明CADe作為共同閱片者比較于作為第二閱片者，可以顯著減少閱片時(shí)間，但對(duì)診斷敏感度沒有影響（70%和72%，P=0.35），原因可能是不同實(shí)驗(yàn)數(shù)據(jù)、觀察者和標(biāo)準(zhǔn)具有差異，兩種模式各有利弊。因此，實(shí)際應(yīng)用中使用CADe作為第二閱片者還是共同閱片者，還需考慮醫(yī)生自身經(jīng)驗(yàn)水平以及對(duì)工作效率的要求綜合判斷。

3　基于CT的肺結(jié)節(jié)CADx研究現(xiàn)狀

3.1測量結(jié)節(jié)的生長變化直徑1 cm以下的肺結(jié)節(jié)診斷較困難，常需要根據(jù)影像檢查結(jié)果隨訪評(píng)估。I-ELCAP指南建議對(duì)直徑≥6 mm的實(shí)性或部分實(shí)性結(jié)節(jié)，或至少有1個(gè)直徑≥8.0 mm的非實(shí)性結(jié)節(jié)，在12個(gè)月后復(fù)查CT；對(duì)于直徑＞10 mm的實(shí)性結(jié)節(jié)或?qū)嵭猿煞郑?0 mm的部分實(shí)性結(jié)節(jié)則推薦3個(gè)月后CT復(fù)查。結(jié)節(jié)的倍增時(shí)間（doubling time，DT）是鑒別結(jié)節(jié)良惡性的重要依據(jù)，惡性結(jié)節(jié)DT較良性小。Revel等［27］研究了22個(gè)肺結(jié)節(jié)，有9個(gè)惡性結(jié)節(jié)的DT為37～216 d，13個(gè)良性結(jié)節(jié)的DT為4～188年。隨著薄層CT的普及，發(fā)現(xiàn)的肺結(jié)節(jié)越來越多，需要隨訪、測量大小的結(jié)節(jié)也越來越多，并且隨訪需要很長的周期，需要有計(jì)劃地保存對(duì)照影像和測量數(shù)據(jù)，這無疑增加了影像醫(yī)師的工作負(fù)擔(dān)；另外，使用傳統(tǒng)閱片系統(tǒng)常常只能在橫斷面測量結(jié)節(jié)最大徑，對(duì)結(jié)節(jié)真實(shí)的大小變化評(píng)估也比較片面。而CAD技術(shù)的自動(dòng)檢測、自動(dòng)測量及自動(dòng)多次匹配為醫(yī)師帶來了很多方便，CAD三維容積測量可以更有效地利用了圖像數(shù)據(jù)，對(duì)于傳統(tǒng)二維長度測量更具有增長變化敏感性和可重復(fù)性的優(yōu)勢。Revel等［28］的另一項(xiàng)研究中使用CAD對(duì)63個(gè)實(shí)性肺結(jié)節(jié)進(jìn)行測量、隨訪研究，以倍增時(shí)間500 d為分界，自動(dòng)測量結(jié)果惡性結(jié)節(jié)的敏感度及特異度分別為91%和 90%，對(duì)醫(yī)師鑒別良惡性具有幫助。另外，惡性結(jié)節(jié)的生長變化情況隨訪對(duì)肺部原發(fā)或繼發(fā)惡性腫瘤的治療評(píng)估至關(guān)重要。傳統(tǒng)的二維測量只能定性判斷治療變化，而CAD三維結(jié)節(jié)分析可以更方便準(zhǔn)確地得到結(jié)節(jié)變化，更精確地評(píng)價(jià)放化療的效果［29］。

目前大多數(shù)肺結(jié)節(jié)容積分析的研究主要是基于實(shí)性結(jié)節(jié)，而GGN由于與周圍肺組織的對(duì)比度較低，容積的測量誤差要明顯大于實(shí)性結(jié)節(jié)，有研究統(tǒng)計(jì)了同一天內(nèi)兩次掃描測量相同GGN的體積，其可變性達(dá)到19%［30］。另外，研究也發(fā)現(xiàn)評(píng)價(jià)GGN良惡性的隨訪指標(biāo)中，實(shí)性成分的多少以及實(shí)性成分與非實(shí)性成分比例，比結(jié)節(jié)體積大小更具價(jià)值［31］。GGN的體積增長通常較緩慢［32］，因此許多研究將結(jié)節(jié)大小和密度變化加入隨訪評(píng)價(jià)指標(biāo)，de Hoop等［33］的研究將質(zhì)量作為評(píng)價(jià)指標(biāo)，因?yàn)橘|(zhì)量可以同時(shí)反映體積和密度的變化，發(fā)現(xiàn)GGN質(zhì)量測量較直徑和體積測量有更高的可重復(fù)性，且對(duì)于結(jié)節(jié)變化更為敏感，直徑、體積、質(zhì)量的臨界時(shí)間（兩次間隔CT掃描能夠識(shí)別出結(jié)節(jié)增長的時(shí)間）分別為715 d、673 d和425 d。因此實(shí)性GGN成分分析、質(zhì)量的測量將會(huì)成為CAD的一個(gè)新的發(fā)展方向。

3.2肺結(jié)節(jié)形態(tài)、密度分析影像醫(yī)生進(jìn)行肺結(jié)節(jié)的良惡性判斷最常用的還是通過CT影像觀察進(jìn)行形態(tài)、密度的分析，提示惡性的征象有較大直徑、分葉征、毛刺征、胸膜凹陷征、混雜GGN等。一些CADx系統(tǒng)的研究也試圖從數(shù)據(jù)庫中提取結(jié)節(jié)形態(tài)和病理數(shù)據(jù)，將這些形態(tài)學(xué)特征轉(zhuǎn)化為計(jì)算機(jī)數(shù)字語言，對(duì)結(jié)節(jié)進(jìn)行分析匹配判斷，給予醫(yī)生參考幫助。例如Awai等［34］的研究提取了結(jié)節(jié)的大小、密度、形狀、鈣化體積和空腔體積，開發(fā)了新的CAD結(jié)節(jié)分析系統(tǒng)，對(duì)結(jié)節(jié)的惡性概率打分，對(duì)31個(gè)直徑小于3 cm的肺結(jié)節(jié)（18個(gè)惡性，15個(gè)良性）進(jìn)行驗(yàn)證，結(jié)果顯示它可以顯著提高低年資影像醫(yī)生的診斷準(zhǔn)確度，而對(duì)高年資醫(yī)生沒有顯著提升。

3.3人工神經(jīng)網(wǎng)絡(luò)對(duì)肺結(jié)節(jié)CADx的應(yīng)用人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）是由大量的處理單元連接構(gòu)成的網(wǎng)絡(luò)系統(tǒng)?；贏NN的CADx系統(tǒng)由多項(xiàng)評(píng)價(jià)指標(biāo)（即多個(gè)神經(jīng)元）構(gòu)成，通過收集明確良惡性的結(jié)節(jié)影像庫，對(duì)CADx系統(tǒng)進(jìn)行測試訓(xùn)練，形成復(fù)雜的非線性關(guān)系，從而對(duì)結(jié)節(jié)的惡性概率評(píng)分。王等［35］建立了一種基于人工神經(jīng)網(wǎng)絡(luò)的肺結(jié)節(jié)判別模式，分析3項(xiàng)臨床指標(biāo)（年齡、性別及是否有痰中帶血）和9項(xiàng)CT特征（部位、長徑、短徑、輪廓形態(tài)、毛刺、暈征、氣腔密度影、結(jié)節(jié)與周圍血管及胸膜的關(guān)系），對(duì)135例惡性和65例良性結(jié)節(jié)進(jìn)行驗(yàn)證，診斷符合率達(dá)到98.0%。聶等［36］又結(jié)合了CT與PET特征，開發(fā)了一個(gè)ANN輔助診斷系統(tǒng)診斷良惡性肺結(jié)節(jié)，系統(tǒng)包含4個(gè)臨床特征、16個(gè)CT特征和一個(gè)PET特征，對(duì)112個(gè)明確良惡性的結(jié)節(jié)進(jìn)行驗(yàn)證，研究發(fā)現(xiàn)CT+PET ANN計(jì)算機(jī)輔助診斷程序輸出結(jié)果優(yōu)于單純PET或CT計(jì)算機(jī)ANN結(jié)果，因此CT結(jié)合PET的ANN計(jì)算機(jī)輔助系統(tǒng)有助于鑒別診斷。

3.4CT影像紋理特征對(duì)肺結(jié)節(jié)CADx的應(yīng)用紋理特征用于對(duì)影像中的空間信息進(jìn)行一定程度的定量描述，CT影像紋理的研究可以充分利用計(jì)算機(jī)對(duì)數(shù)字影像的分析能力，對(duì)人眼無法觀察的信息進(jìn)行提取分析。提取紋理的常用方法之一是統(tǒng)計(jì)法，其典型代表為灰度共生矩陣法。研究中可計(jì)算的CT紋理特征眾多，較常用的包括均值、標(biāo)準(zhǔn)差、偏度、峰度等，各自都反映了影像中每個(gè)像素的灰度分布特點(diǎn)，例如，能量是影像灰度分布均勻性或平滑性的度量。CT影像紋理指標(biāo)的研究對(duì)腫瘤的定性診斷給予了新的思路。王等［37］對(duì)185例肺小結(jié)節(jié)CT影像基于灰度共生矩陣提取了10個(gè)紋理特征，擬合多水平統(tǒng)計(jì)模型分析良惡性CT影像中紋理特征的差異，顯示能量、慣性矩等8個(gè)紋理特征，在良惡性肺小結(jié)節(jié)間的差異有統(tǒng)計(jì)學(xué)意義。CT平掃紋理分析還可以評(píng)價(jià)癌組織的不均一性，Ganeshan等［38］采用CT平掃紋理分析與PET分期對(duì)非小細(xì)胞肺癌病人生存期的預(yù)測能力進(jìn)行對(duì)照研究，結(jié)果發(fā)現(xiàn)CT紋理分析的結(jié)果與病人生存期的相關(guān)性更高，因此其能夠預(yù)測非小細(xì)胞肺癌病人的生存期。Ganeshan等［39］的另一項(xiàng)研究發(fā)現(xiàn)CT紋理特征與腫瘤組織的缺氧和血管生成具有相關(guān)性。CT影像紋理特征在腫瘤治療方面可能也可起到重要輔助作用，Ravanelli等［40］的研究表明CT影像紋理特征參數(shù)可作為獨(dú)立指標(biāo)對(duì)肺小細(xì)胞癌的第一輪化療效果進(jìn)行預(yù)測?？傊?，結(jié)節(jié)影像紋理信息的提取分析對(duì)結(jié)節(jié)鑒別診斷的新方法的建立具有重要價(jià)值，且具有許多潛力值得挖掘。

4　CAD的局限性及發(fā)展趨勢

近年來，CAD研究獲得了大量研究成果，但是CAD從試驗(yàn)走向臨床實(shí)用仍然沒有突破性進(jìn)展。肺結(jié)節(jié)CAD系統(tǒng)目前的應(yīng)用不足主要有：①自動(dòng)識(shí)別某些種類的結(jié)節(jié)敏感性不高，尤其是GGN，還有與血管、支氣管或胸膜關(guān)系密切的結(jié)節(jié)等；②自動(dòng)識(shí)別的假陽性仍需降低，例如肺血管、增厚的胸膜或運(yùn)動(dòng)偽影經(jīng)常被誤認(rèn)為肺結(jié)節(jié)；③結(jié)節(jié)的自動(dòng)分割精準(zhǔn)不高，CAD的自動(dòng)分割的邊界與人眼識(shí)別尚存在差距，尤其是GGN的邊界，需要醫(yī)生花費(fèi)時(shí)間調(diào)節(jié)；④對(duì)結(jié)節(jié)進(jìn)行輔助診斷可以提供的數(shù)據(jù)分析較少。

開發(fā)分析醫(yī)學(xué)影像的CAD系統(tǒng)是極其困難的，需要解決的問題是多方面的，將來的研究發(fā)展方向也是多方向的，研究主要從以下幾方面進(jìn)行：①需要工程師根據(jù)不同臨床需求進(jìn)行針對(duì)性的開發(fā)和優(yōu)化影像處理系統(tǒng)，分割、選取目標(biāo)區(qū)域，用數(shù)字語言將之描述及分類；②目前亟需用于開發(fā)和訓(xùn)練的、系統(tǒng)的大型數(shù)據(jù)庫，但這是目前比較缺乏的，相信未來能夠獲得更多肺癌、結(jié)腸癌等篩查計(jì)劃的數(shù)據(jù)支持；③CAD是一個(gè)跨學(xué)科的研究領(lǐng)域，單一學(xué)科的研究遠(yuǎn)遠(yuǎn)不夠，需要工程學(xué)、內(nèi)外科學(xué)、醫(yī)學(xué)影像學(xué)的合作；④獨(dú)立使用CAD系統(tǒng)存在很多不便，必須制定新的PACS協(xié)議使之與CAD系統(tǒng)連接，才能便于臨床應(yīng)用。

鑒于我國肺癌發(fā)病率較高，早期肺癌篩查工作意義重大。CAD系統(tǒng)對(duì)我國肺癌篩查工作必定會(huì)帶來巨大幫助。隨著CAD在算法以及臨床應(yīng)用方面的不斷完善，相信將來會(huì)成為醫(yī)師日常胸部CT讀片的可靠工具。

［1］Torre LA，Bray F，Siegel RL，et al.Global cancer statistics，2012［J］. CA Cancer J Clin，2015，65：87-108.

［2］Bogoni L，Ko JP，Alpert J，et al.Impact of a computer-aided detection（CAD）system integrated into a picture archiving and communication system（PACS）on reader sensitivity and efficiency for the detection of lung nodules in thoracic CT exams［J］.J Digit Imaging，2012，25：771-781.

［3］Fabel M，Wulff A，Heckel F，et al.Clinical lymph node staging--influence of slice thickness and reconstruction kernel on volumetry and RECIST measurements［J］.Eur J Radiol，2012，81：3124-3130.

［4］Wielpütz MO，Wroblewski J，Lederlin M，et al.Computer-aided detection of artificial pulmonary nodules using an ex vivo lung phantom：influence of exposure parameters and iterative reconstruction ［J］.Eur J Radiol，2015，84：1005-1011.

［5］Hein PA，Rogalla P，Klessen C，et al.Computer-aided pulmonary nodule detection-performance of two CAD systems at different CT dose levels［J］.Rofo，2009，181：1056-1064.

［6］El-Baz A，Beache GM，Gimel'Farb G，et al.Computer-aided diagnosis systems for lung cancer：challenges and methodologies［J］.Int J Biomed Imaging，2013，2013：942353.

［7］Bram VG，Schaefer-Prokop CM，Mathias P.Computer-aided diagnosis：how to move from the laboratory to the clinic［J］.Radiology，2011，261：719-732.

［8］Jacobs C，van Rikxoort EM，Scholten ET，et al.Solid，part-solid，or non-solid：classification of pulmonary nodules in low-dose chest computed tomography by a computer-aided diagnosis system［J］.Invest Radiol，2015，50：168-173.

［9］Jeon KN，Goo JM，Lee CH，et al.Computer-aided nodule detection and volumetry to reduce variability between radiologists in the interpretation of lung nodules at low-dose screening CT［J］.Invest Radiol，2012，47：457-461.

［10］蔡強(qiáng)，吳寧，周麗娜，等.計(jì)算機(jī)輔助檢測系統(tǒng)在低劑量CT篩查者非鈣化肺結(jié)節(jié)中的應(yīng)用研究［J］.中華放射學(xué)雜志，2014，48：63-66.

［11］Lee JW，Goo JM，Lee HJ，et al.The potential contribution of a computer-aided detection system for lung nodule detection in multidetector row computed tomography［J］.Invest Radiol，2004，39：649-655.

［12］Marten K，Engelke C，Seyfarth T，et al.Computer-aided detection of pulmonary nodules：influence of nodule characteristics on detection performance［J］.Clin Radiol，2005，60：196-206.

［13］Zhao Y，de Bock GH，Vliegenthart R，et al.Performance of computer-aided detection of pulmonary nodules in low-dose CT：comparison with double reading by nodule volume［J］.Eur Radiol，2012，22：2076-2084.

［14］Kumar SA，Ramesh J，Vanathi PT，et al.Robust and automated lung nodule diagnosis from ct images based on fuzzy systems［C］.Process Automation.IEEE，2011：1-6.

［15］Tan M，Deklerck R，Jansen B，et al.A novel computer-aided lung nodule detection system for CT images［J］.Med Phys，2011，38：5630-5645.

［16］National Lung Screening Trial Research Team.Results of initial low-dose computed tomographic screening for lung cancer［J］.N Engl J Med，2013，368：1980.

［17］Henschke CI，Yip R，Yankelevitz DF，et al.Definition of a positive test result in computed tomography screening for lung cancer：a cohort study［J］.Ann Intern Med，2013，158：246-252.

［18］Brown MS，Lo P，Goldin JG，et al.Toward clinically usable CAD for lung cancer screening with computed tomography［J］.Eur Radiol，2014，24：2719-2728.

［19］Henschke CI，Yankelevitz DF，Mirtcheva R，et al.CT screening for lung cancer：frequency and significance of part-solid and nonsolid nodules［J］.AJR，2002，178：1053-1057.

［20］Yanagawa M，Honda O，Yoshida S，et al.Commercially available computer-aided detection system for pulmonary nodules on thinsection images using 64 detectors-row CT：preliminary study of 48 cases［J］.Acad Radiol，2009，16：924-933.

［21］Zhou J，Chang S，Metaxas DN，et al.An automatic method for ground glass opacity nodule detection and segmentation from CT studies［C］. Conf Proc IEEE Eng Med Biol Soc.IEEE，2006：3062-3065.

［22］Ye X，Lin X，Dehmeshki J，et al.Shape-based computer-aided detection of lung nodules in thoracic CT images［J］.IEEE Trans Biomed Eng，2009，56：1810-1820.

［23］Jacobs C，Sánchez CI，Saur SC，et al.Computer-aided detection of ground glass nodules in thoracic CT images using shape，intensity and context features［J］Med Image Comput Comput Assist Interv，2011，14（pt3）：207-214.

［24］Jacobs C，van Rikxoort EM，Twellmann T，et al.Automatic detection of subsolid pulmonary nodules in thoracic computed tomography images［J］.Med Image Anal，2014，18：374-384.

［25］Beyer F，Zierott L，F(xiàn)allenberg EM，et al.Comparison of sensitivity and reading time for the use of computer-aided detection（CAD）of pulmonary nodules at MDCT as concurrent or second reader［J］.Eur Radiol，2007，17：2941-2947.

［26］Matsumoto S，Ohno Y，Aoki T，et al.Computer-aided detection of lung nodules on multidetector CT in concurrent-reader and secondreader modes：a comparative study［J］.Eur J Radiol，2013，82：1332-1337.

［27］Revel MP，Lefort C，Bissery A，et al.Pulmonary nodules：preliminary experience with three-dimensional evaluation［J］.Radiology，2004，231：459-466.

［28］Revel MP，Merlin A，Peyrard S，et al.Software volumetric evaluation of doubling times for differentiating benign versus malignant pulmonary nodules［J］.AJR，2006，187：135-142.

［29］Zhao B，Schwartz LH，Moskowitz CS，et al.Lung cancer：computerized quantification of tumor response—initial results［J］.Radiology，2006，241：892-898.

［30］Park CM，Goo JM，Lee HJ，et al.Persistent pure ground-glass nodules in the lung：interscan variability of semiautomated volume and attenuation measurements［J］.AJR，2010，195：W408-W414.

［31］Hwang E J，Park C M，Ryu Y，et al.Pulmonary adenocarcinomas appearing as part-solid ground-glass nodules：is measuring solid component size a better prognostic indicator［J］.Eur Radiol，2015，25：558-567.

［32］Kodama K，Higashiyama M，Yokouchi H，et al.Natural history of pure ground-glass opacity after long-term follow-up of more than 2 years［J］.Ann Thorac Surg，2002，73：386-392.

［33］de Hoop B，Gietema H，van de Vorst S，et al.Pulmonary groundglass nodules：increase in mass as an early indicator of growth［J］. Radiology，2010，255：199-206.

［34］Awai K，Murao K，Ozawa A，et al.Pulmonary nodules：estimation of malignancy at thin-section helical CT—effect of computer-aided diagnosis on performance of radiologists［J］.Radiology，2006，239：276-284.

［35］王曉華，陳卉，馬大慶，等.人工神經(jīng)網(wǎng)絡(luò)在孤立性肺結(jié)節(jié)CT診斷研究中的應(yīng)用［J］.中華放射學(xué)雜志，2006，40：377-382.

［36］聶永康，趙紹宏，王瑞民，等.應(yīng)用計(jì)算機(jī)人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)結(jié)合CT與PET鑒別良，惡性肺結(jié)節(jié)［J］.中國醫(yī)學(xué)影像技術(shù)，2011，27：836-839.

［37］王瓛，郭秀花，李坤成，等.良惡性肺小結(jié)節(jié)CT圖像基于灰度共生矩陣10種紋理特征研究［J］.北京生物醫(yī)學(xué)工程，2008，27：561-564.

［38］Ganeshan B，Panayiotou E，Burnand K，et al.Tumour heterogeneity in non-small cell lung carcinoma assessed by CT texture analysis：a potential marker of survival［J］Eur Radiol，2012，22：796-802.

［39］Ganeshan B，Goh V，Mandeville HC，et al.Non-small cell lung cancer：histopathologic correlates for texture parameters at CT［J］.Radiology，2013，266：326-336.

［40］Ravanelli M，F(xiàn)arina D，Morassi M，et al.Texture analysis of advanced non-small cell lung cancer（NSCLC）on contrast-enhanced computed tomography：prediction of the response to the first-line chemotherapy［J］.Eur Radiol，2013，23：3450-3455.

（收稿 2015-07-03）

Application and progress of computer aided detection and diagnosis on CT in early stage lung cancer

CAOEntao，F(xiàn)AN Li，XIAO Xiangsheng.Department of Imaging，Changzheng Hospital of The Second Military Medical University，Shanghai 200003，China

With the development of CT scan technology，the detection rate of early stage lung cancer has significantly raised.In recent years computer aided detection（CADe）and computer aided diagnosis（CADx）system on CT has come to be “the second eyes”of radiologists.It can identify lung nodules on chest CT by itself，and can automatically measure nodule size，density and other information to provide a likelihood of malignancy or benignity.In this article we mainly reviewed the basic method and function of CAD，and its clinical application and research progress.

Early stage lung cancer；Computer aided detection and diagnosis；Auto measurement Int J Med Radiol，2016，39（1）：55-60

10.3874/j.issn.1674-1897.2016.01.Z3652

第二軍醫(yī)大學(xué)附屬長征醫(yī)院影像科，上海 200003

肖湘生，E-mail：cjr.xiaoxiangsheng@vip.163.com

國家自然科學(xué)基金重點(diǎn)項(xiàng)目（81230030）；國家自然科學(xué)基金面上項(xiàng)目 （81370035）；上海市生物醫(yī)藥處重大專項(xiàng)（13411950100）的研究結(jié)果表明在80～120 kV/30～50 mAs劑量下與在120 kV/75～120 mA下CADe的表現(xiàn)差異無統(tǒng)計(jì)學(xué)意義，因此合理降低輻射劑量對(duì)一般CADe結(jié)果沒有顯著影響，常規(guī)劑量和低劑量的檢查均可使用。除此之外，CT影像還需要無呼吸運(yùn)動(dòng)偽影、無金屬偽影、無片狀實(shí)變或肺不張。