何舜東，胡子良，歐陽林，張夢珊

聯(lián)勤保障部隊第909醫(yī)院（廈門大學附屬東南醫(yī)院）1放射診斷科，2腫瘤放療科，福建 漳州363000

肺癌是全球發(fā)病率（11.6%）和死亡率（18.4%）第1位的惡性腫瘤，對肺癌病灶進行早期篩查是降低死亡率的主要方式［1］。目前每年通過胸片或CT檢查發(fā)現(xiàn)肺部有結節(jié)的人群逐漸增多，亟需早期和準確診斷的新方法［2］。隨著人工智能識別結合DenseNet網(wǎng)絡模型CT的新技術應用于肺結節(jié)的篩查［3］，醫(yī)生能更準確地檢出微小肺結節(jié)，可在一定程度上避免對可疑肺結節(jié)的漏診；但目前，回顧性分析患者肺結節(jié)診斷準確率這一方面尚需探討。此外，DenseNet網(wǎng)絡模型需要大量的培訓數(shù)據(jù)、時間和開發(fā)資源，而不是簡單但仍然有效的模型，我們?nèi)孕杼剿鲗ο乱淮嬎銠C輔助診斷將腫瘤信息與其他肺結構結合起來的需求的綜合分析，這可能會對目標療法和個性化藥物產(chǎn)生重大影響?；谌斯ぶ悄艿姆伟┰u估方法能夠進行整體分析，從涉及癌癥發(fā)展的病理過程中獲取信息人工智能模型，識別癌癥發(fā)展的新型生物標志物，有助于發(fā)現(xiàn)病理過程中的新見解，并做出更準確的診斷以幫助選擇治療方案。通過深度學習算法能夠提取影像圖像上肺結節(jié)的主要特征，預測病變性質(zhì)［4-5］。本文旨在探討人工智能識別結合DenseNet網(wǎng)絡模型CT在亞實性肺結節(jié)診斷中應用。

1 資料與方法

1.1 一般資料

回顧性分析2018年6月～2019年12月于本院經(jīng)CT檢查為亞實性肺結節(jié)的98例患者作為研究對象。納入標準：符合亞實性肺結節(jié)診斷標準［6］；至少存在1個肺亞實性肺結節(jié)；接受CT檢查前未進行病理活檢、手術以及放療等；CT圖像尚未存在影響結節(jié)的明顯偽影；有完整的臨床病例與CT影像資料；排除標準：伴隨肺不張以及胸腔積液等癥狀；薄層CT圖像缺乏層厚≤1.00；CT圖像存在金屬偽影；彌漫性肺疾病患者；磨玻璃密度結節(jié)。

98例患者中，良性病變46例，惡性病變52例。直徑≤10 mm組患者32例，年齡25～74（52.07±5.14）歲；10 mm＜直徑≤20 mm組患者33例，年齡27～78（52.46±4.92）歲；直徑＞20 mm 組患者33 例，年齡28～79（53.12±5.31）歲?；颊咭话阗Y料的差異無統(tǒng)計學意義，具有可比性。本研究已通過醫(yī)院倫理學審查，所有參與患者及家屬均簽署知情同意書。

1.2 方法

全部患者進行CT 平掃。使用層螺旋CT 機（GE Lightspeed 16）、Sliemens Somatom Sensation 64 層螺旋CT機以及寶石能譜CT模式進行平掃及增強掃描。范圍從肺尖至肺底進行掃描，參數(shù)：層厚5.0～7.0 mm，層距8.0 mm，管電壓120 kV，管電流110～450 mAs。掃描結束后，對病灶部位行肺窗薄層CT 重建，層厚0.75～1.00 mm。使用DenseNet-BC網(wǎng)絡，通過隨機實驗對所有樣本進行訓練及測試。

1.3 觀察指標

1.3.1 惡性概率的預測值 比較并分析人工智能對肺結節(jié)不同直徑患者的惡性概率的預測值，測試診斷方面的敏感性、特異性以及符合率。

1.3.2 3組圖像間亞實性肺結節(jié)的CT值、體積 比較并分析人工智能對肺結節(jié)不同直徑患者的CT平掃、增強動脈期及延遲期中的CT值。

1.3.3 特異性、敏感度及符合率 比較并分析人工智能對肺結節(jié)不同直徑患者測試診斷方面的敏感性、特異性及符合率。

1.4 統(tǒng)計學分析

采用SPSS20.0軟件對數(shù)據(jù)進行統(tǒng)計分析，計量資料以均數(shù)±標準差表示，組間比較行F檢驗，各組CT值體積差異的比較行Wilcoxon非參數(shù)檢驗。對計數(shù)資料的所有數(shù)據(jù)進行加權，若樣本量大于5，組間比較采用χ2檢驗；若樣本量小于5，則采用Fisher精確檢驗，并對組間病變診斷其敏感度和特異性。以P＜0.05為差異有統(tǒng)計學意義。

2 結果

2.1 惡性概率的預測值

不同直徑組各期的惡性概率比較，差異均有統(tǒng)計學意義（P＜0.05），3 組間比較差異均有統(tǒng)計學意義（P＜0.05），每組內(nèi)平掃和動脈期、平掃和延遲期惡性概率預測值比較，差異無統(tǒng)計學意義（P＞0.05，表1）。

表1 3組間惡性概率的預測值比較Tab.1 The comparison of predictive value of malignant probability between 3 groups(%)

2.2 圖像間亞實性肺結節(jié)的CT值比較

不同直徑組各期的CT值比較，差異均有統(tǒng)計學意義（P＜0.001），3組間的差異均有統(tǒng)計學意義（P＜0.05，表2）。

表2 3組圖像間SN的CT值比較Tab.2 Comparison of CT values of SN among the three groups of images(Hu,Mean±SD)

2.3 圖像間SN的體積比較

不同直徑組各期的SN的體積比較，差異有統(tǒng)計學意義（P＜0.05），3組組間差異均有統(tǒng)計學意義（P＜0.05，表3）。

表3 3組圖像間SN的體積比較Tab.3 Comparison of volume of SN among the three groups of images(mm3,Mean±SD)

2.4 特異性、敏感度及符合率

直徑≤10 mm 患者中，人工智能組的敏感度為94.61%，特異性（93.12%）和符合率（92.08%）均高于傳統(tǒng)人工讀片組（P＜0.05）；10 mm＜直徑≤20 mm和直徑＞20 mm患者中，人工智能組的診斷敏感度與人工讀片組間差異無統(tǒng)計學意義（P＞0.05），但診斷特異性及符合率均高于人工讀片組（P＜0.05，表4）。

表4 3組的特異性、敏感度及符合率Tab.4 Specificity,sensitivity and coincidence rate among the three groups(%)

3 討論

圖1 患者右肺上葉亞實性肺結節(jié)，人工智能識別結合DenseNet網(wǎng)絡模型CT分別在平掃（A）、動脈期（B）以及延遲期（C）圖像自動預測惡性概率為89.31%、78.34%以及69.98%Fig.1 The probability of automatic prediction of malignancy was 89.31%,78.34% and 69.98% respectively in plain scan (A),arterial phase (B) and delayed phase (C) images by artificial intelligence recognition combined with DenseNet network model CT.

人工智能技術（DenseNet網(wǎng)絡模型CT）可以在短時間內(nèi)處理和學習大量數(shù)據(jù)，并且可以模仿人類肉眼無法觀察到的圖像信號。研究報道，將人工智能納入放射學領域可更早、更準確地檢測疾病，從而改善預后［7-8］。人類肉眼對于直徑較小且無明確指征的肺結節(jié)較難判斷其良惡性，常會漏診和誤診；而DenseNet網(wǎng)絡模型CT具備分辨率高及對較小的肺結節(jié)識別率高等優(yōu)勢，可明顯減少遺漏的癌癥［9-11］。根據(jù)肺結節(jié)的密度可分為實性、亞實心及磨玻璃結節(jié)，不同的肺結節(jié)密度診斷為惡性腫瘤的概率不同，其中亞實性結節(jié)的診斷為惡性腫瘤的概率最高［12-14］。檢測肺結節(jié)的主要方法是X光射線（主要是胸部CT）。在放射線攝影中，放射科醫(yī)生會根據(jù)其理論知識和實際學習情況以及何時出現(xiàn)常見的惡性體征（如小葉、毛刺、胸膜牽拉等）來診斷肺結節(jié)。此外，惡性病變的診斷特征是出現(xiàn)低氣壓、氣管支氣管征、囊泡征和偏心的厚壁腔等）［15-17］。

本研究結果顯示，CT掃描對肺結節(jié)不同直徑患者CT值、體積以及惡性概率的預測值差異均有統(tǒng)計學意義（P＜0.05）；直徑≤10 mm患者中，人工智能組的敏感性達94.61%，特異性（93.12%）和符合率（92.08%）均高于傳統(tǒng)人工讀片組；10 mm＜直徑≤20 mm和直徑＞20 mm的患者中，人工智能組的診斷敏感度與人工讀片組之間差異無統(tǒng)計學意義，但診斷特異性及符合率均高于人工讀片組。既往有研究將人工智能肺結節(jié)檢出模型應用于不同參數(shù)的低劑量螺旋CT的閱片和結節(jié)檢出，結果提示管電壓分別在110 kVp 或130 kVp，兩種方法的AUC的差異無統(tǒng)計學意義，提示模型的總體診斷效能并不亞于人工閱片方法。本研究結論與之相一致［18］。

惡性結節(jié)隨著結節(jié)的增大，影像征象趨向明顯、典型，經(jīng)驗豐富的醫(yī)師較初級醫(yī)師檢出敏感度增高，而DenseNet網(wǎng)絡模型CT同樣具有良好的診斷敏感度［8,18-19］。既往研究表明，雖然高級醫(yī)師組對直徑＞20 mm結節(jié)的診斷符合率與人工智能組間的差異無統(tǒng)計學意義（P＞0.05），但其特異性不及人工智能組，可見人工智能組在對結節(jié)良惡性的判斷上是優(yōu)于醫(yī)師組的［20-21］。本研究結果與之相一致。人工智能在大范圍的肺部CT體檢中較人工閱片方式具有更大的優(yōu)勢，能夠降低假陽性率的發(fā)生。目前，人工智能識別結合DenseNet模型技術CT已成為國內(nèi)外醫(yī)學領域的研究熱點，一項2017年的研究表明，基于深度學習的人工智能技術可以通過有經(jīng)驗的人更有效地檢測肺中的亞固體結節(jié)［22］。但本研究有一定的局限性：本研究是回顧性研究，可能存在選擇性偏倚；本研究沒有針對不同的目標人群進行地理驗證或驗證（例如篩查）。

綜上所述，DenseNet模型可以作為一種高度敏感和特異性的診斷工具，應用基于深度學習的人工智能技術可以有效地輔助影像醫(yī)師對肺結節(jié)進行更加準確、可靠的診斷，縮短診斷時間，該模型有助于指導手術前對脊髓型頸椎病的切除策略。