AI輔助軟件對于提高不同年資規(guī)培醫(yī)師肺結(jié)節(jié)檢測能力的影響

汪瓊 孫婷婷 范鴻禹 顧俊 伍建林

目前我國醫(yī)學(xué)影像數(shù)據(jù)年增長率約30%，而放射科醫(yī)師數(shù)量增長率不足4%，兩者增長率的不匹配表明放射科醫(yī)師閱讀影像數(shù)據(jù)和做出診斷的工作壓力巨大[1]。隨著我國臨床醫(yī)學(xué)規(guī)培制度的廣泛推行，越來越多的規(guī)培醫(yī)師成為影像科室書寫報告的主力，但由于基礎(chǔ)知識和臨床經(jīng)驗不足，胸部CT閱片時常易漏診、誤診肺結(jié)節(jié)，而部分肺結(jié)節(jié)可能是早期肺癌的重要CT征象。肺癌的發(fā)病率與死亡率在全球癌癥中居首位[2-4]，因此肺癌的早期診斷和及時治療具有重要意義。近年來人工智能（artificial intelligence,AI）發(fā)展迅速，能自動提取肺結(jié)節(jié)位置、大小、形態(tài)信息，還能進(jìn)一步提供肺結(jié)節(jié)分類（實性、亞實性及鈣化等），在肺結(jié)節(jié)智能化檢測方面顯示出明顯優(yōu)勢[5-9]。本研究旨在探討AI軟件能否輔助提高不同年資的規(guī)培醫(yī)師對肺結(jié)節(jié)的檢測效能及其臨床應(yīng)用價值，以期減輕醫(yī)師工作負(fù)擔(dān)，降低漏診風(fēng)險。

1 資料與方法

1.1 研究對象 回顧性收集2019年1月1—31日在大連大學(xué)附屬中山醫(yī)院接受常規(guī)胸部CT檢查的病人181例，其中男82例，女99例,年齡25～78歲，平均（51.47±10.50）歲。納入標(biāo)準(zhǔn)：①CT影像上至少包含1枚肺結(jié)節(jié)；②有1 mm薄層CT影像；③結(jié)節(jié)直徑為1 mm～3 cm。排除標(biāo)準(zhǔn)：①合并有嚴(yán)重肺氣腫、急性肺感染、胸腔積液、肺結(jié)核、彌漫性轉(zhuǎn)移或間質(zhì)性肺疾病者；②影像有運(yùn)動偽影者。

1.2 設(shè)備與方法 采用Siemens Somatom Definition雙源CT、Somatom Definition AS 64層CT設(shè)備進(jìn)行肺部掃描。掃描參數(shù)：管電壓100～120 kV，管電流200～280 mA，掃描層厚 5 mm，層間距 5 mm，螺距為1.0，矩陣 512×512，視野（FOV）500 mm×500 mm，準(zhǔn)直器寬度64×0.625 mm，旋轉(zhuǎn)時間0.5 s/r，重建層厚1 mm，層間距1 mm，使用骨算法重建。所有病人均在吸氣末進(jìn)行肺部CT掃描，取仰臥位，雙手上舉，掃描范圍自胸廓入口至肋膈角（包括全肺組織）。采用肺窗（窗寬 1 500 HU，窗位 -600 HU）及縱隔窗（窗寬360 HU，窗位50 HU）觀察影像。

1.3 AI輔助軟件 采用基于深度學(xué)習(xí)模型的北京推想公司提供的InferRead CT Lung Research軟件（Infervision）在1 mm薄層CT影像上進(jìn)行閱讀，該系統(tǒng)使用卷積神經(jīng)網(wǎng)絡(luò)模型，可自動批量對CT影像數(shù)據(jù)進(jìn)行肺結(jié)節(jié)識別和標(biāo)記，并以方框標(biāo)記備選病灶，每個病灶僅選一個最大直徑的層面顯示標(biāo)記并給出相應(yīng)的編號。

1.4 肺結(jié)節(jié)分類與影像分析 依據(jù)文獻(xiàn)[10-13]將肺結(jié)節(jié)按照密度分為4類：①實性結(jié)節(jié)，呈圓形或類圓形密度增高影，其密度掩蓋病灶中血管和支氣管影。②純磨玻璃密度結(jié)節(jié)（pure ground-glass nodule,pGGN），肺窗上呈云霧狀密度增高影，整個病灶內(nèi)血管和支氣管影可辨；縱隔窗上結(jié)節(jié)不顯示。③混合磨玻璃密度結(jié)節(jié) （mixed ground-glass nodule,mGGN）或稱部分實性結(jié)節(jié)，圓形或類圓形邊界清楚的局灶密度增高影，部分病灶內(nèi)血管和支氣管影可識別；縱隔窗上僅顯示病灶實性成分。④鈣化結(jié)節(jié)，呈圓形或類圓形邊界清楚的完全鈣鹽沉積的結(jié)節(jié)灶（如肺結(jié)節(jié)僅出現(xiàn)部分鈣化則歸為實性結(jié)節(jié)）。依據(jù)肺結(jié)節(jié)最長軸及最短軸的平均直徑分為＜5 mm、5～10 mm 和＞10 mm 3 組。

由2名有10年以上胸部影像診斷工作經(jīng)驗的副主任醫(yī)師在CT橫斷面薄層影像 （1 mm）上參考AI結(jié)果仔細(xì)觀察、確認(rèn)病灶并標(biāo)注，判斷結(jié)節(jié)類型，記錄結(jié)節(jié)大小，再通過多平面重組、最大密度投影技術(shù)判斷結(jié)節(jié)的真實性，以2人的一致性意見及結(jié)節(jié)大小的平均值作為真結(jié)節(jié)參照標(biāo)準(zhǔn)；當(dāng)意見不同時則請上級醫(yī)師會診確定。然后選擇低、高年資規(guī)培醫(yī)師各2名（低年資指本科畢業(yè)后即參加規(guī)培訓(xùn)練且不足1年；高年資指規(guī)培訓(xùn)練第3年）分別獨(dú)立閱片。為避免之前獨(dú)立閱片的記憶干擾，1個月洗脫期后再由相同的低、高年資規(guī)培醫(yī)師在AI軟件輔助下分別進(jìn)行閱片，均記錄每個結(jié)節(jié)的大小和密度,以2名低/高年資規(guī)培醫(yī)師檢出真、假陽性結(jié)節(jié)數(shù)及結(jié)節(jié)大小的平均值作為各組最終結(jié)果。

1.5 統(tǒng)計學(xué)方法 采用SPSS 20.0統(tǒng)計軟件對數(shù)據(jù)進(jìn)行統(tǒng)計分析。計數(shù)資料以%表示，2組間比較采用χ2檢驗。符合正態(tài)分布的計量資料以均數(shù)±標(biāo)準(zhǔn)差（）表示，2組間比較采用配對 t檢驗，非正態(tài)分布的計量資料以中位數(shù)（四分位距）[M（P25，P75）]表示，2組間比較采用Wilcoxon秩和檢驗。分別計算低、高年資規(guī)培醫(yī)師檢出不同肺結(jié)節(jié)的敏感度及假陽性結(jié)節(jié)數(shù)。以P＜0.05為差異有統(tǒng)計學(xué)意義。

2 結(jié)果

2.1 不同密度、大小真結(jié)節(jié)分布 181例病人肺部CT影像上確定的真結(jié)節(jié)共1 232個，其中實性結(jié)節(jié)754 個（61.2%），pGGN 220 個（17.9%），mGGN 65 個（5.2%），鈣化結(jié)節(jié) 193 個（15.7%）；＜5 mm 結(jié)節(jié) 958個（77.8%），5～10 mm 結(jié)節(jié) 174 個（14.1%）,＞10 mm結(jié)節(jié) 100個（8.1%）。

2.2 不同年資規(guī)培醫(yī)師獨(dú)立閱片結(jié)果比較 高年資者檢測實性肺結(jié)節(jié)、＜5 mm結(jié)節(jié)的敏感度高于低年資者（均P＜0.05），兩者對其他類型結(jié)節(jié)的檢測敏感度差異均無統(tǒng)計學(xué)意義（均P＞0.05）。低、高年資規(guī)培醫(yī)師檢出＞10 mm結(jié)節(jié)假陽性結(jié)節(jié)數(shù)的差異無統(tǒng)計學(xué)意義（P＞0.05），而檢測其他性質(zhì)及大小的假陽性結(jié)節(jié)數(shù)均為低年資規(guī)培醫(yī)師多于高年資規(guī)培醫(yī)師（均 P＜0.05）。 詳見表 1、圖 1。

2.3 不同年資規(guī)培醫(yī)師AI輔助閱片檢測肺結(jié)節(jié)結(jié)果比較 在AI輔助閱片下，高年資者檢測實性結(jié)節(jié)、pGGN、鈣化結(jié)節(jié)及＜5 mm結(jié)節(jié)、5～10 mm結(jié)節(jié)的敏感度高于低年資者，低、高年資規(guī)培醫(yī)師檢測mGGN及＞10 mm結(jié)節(jié)的敏感度差異均無統(tǒng)計學(xué)意義（均P＞0.05）。兩者除檢測＞10 mm結(jié)節(jié)假陽性結(jié)節(jié)數(shù)的差異無統(tǒng)計學(xué)意義外（P＞0.05），檢測其余肺結(jié)節(jié)的假陽性結(jié)節(jié)數(shù)均為高年資規(guī)培醫(yī)師少于低年資規(guī)培醫(yī)師（均P<0.05）。詳見表2。

2.4 低年資規(guī)培醫(yī)師獨(dú)立閱片與AI輔助閱片檢測肺結(jié)節(jié)結(jié)果比較 低年資規(guī)培醫(yī)師在AI輔助閱片時檢測實性結(jié)節(jié)（χ2=217.509，P＜0.001）、pGGN（χ2=37.487，P＜0.001）、mGGN（χ2=10.518，P=0.001）、＜5 mm結(jié)節(jié)（χ2=208.056，P＜0.001）、5～10 mm 結(jié)節(jié)（χ2=14.59，P＜0.001）的敏感度均高于獨(dú)立閱片時，其中以實性結(jié)節(jié)及＜5 mm肺結(jié)節(jié)敏感度的提高最為顯著（圖2），分別提高了約37%和33%，而檢測鈣化結(jié)節(jié)（χ2=2.240，P=0.134）、＞10 mm 結(jié)節(jié)（χ2=0.363，P=0.547）的敏感度差異無統(tǒng)計學(xué)意義。除檢測＞10 mm結(jié)節(jié)的假陽性結(jié)節(jié)數(shù)的差異無統(tǒng)計學(xué)意義（z=3.419，P=0.110）外，低年資規(guī)培醫(yī)師檢測實性結(jié)節(jié)（t=0.878，P＜0.001）、鈣化結(jié)節(jié)（t=2.264，P=0.024）、＜5 mm 肺結(jié)節(jié)（t=5.264，P＜0.001）及 5～10 mm 肺結(jié)節(jié)（t=3.545，P＜0.001）的假陽性結(jié)節(jié)數(shù)均較獨(dú)立閱片時減少，而檢測pGGN（t=3.192，P=0.001）、mGGN（t=3.879，P＜0.001）的假陽性結(jié)節(jié)數(shù)增多。

表1 低、高年資規(guī)培醫(yī)師獨(dú)立閱片檢測肺結(jié)節(jié)結(jié)果比較

圖1 病人女，30歲，咳嗽喘息2 d。胸部高分辨力CT檢查橫斷面肺窗影像示左肺上葉下舌段血管旁實性結(jié)節(jié)，平均直徑約4 mm。高年資規(guī)培醫(yī)師檢測出該結(jié)節(jié)（箭頭），低年資規(guī)培醫(yī)師檢測時漏診。

2.5 高年資規(guī)培醫(yī)師獨(dú)立閱片與AI輔助閱片檢測肺結(jié)節(jié)結(jié)果比較 高年資規(guī)培醫(yī)師在AI輔助閱片時檢測實性結(jié)節(jié)（χ2=198.294，P＜0.001）、pGGN（χ2=63.674，P＜0.001）、mGGN（χ2=5.992，P=0.014）、鈣化結(jié)節(jié)（χ2=36.031，P＜0.001）、＜5 mm 結(jié)節(jié)（χ2=317.906，P＜0.001）、5～10 mm 結(jié)節(jié)（χ2=29.715，P＜0.001）的敏感度均高于其獨(dú)立閱片，其中以pGGN及＜5 mm肺結(jié)節(jié)敏感度的提高最為顯著（圖3），分別提高了約38%和39%，而檢測＞10 mm結(jié)節(jié)的敏感度差異無統(tǒng)計學(xué)意義（χ2=2.607，P=0.106）。 除檢測＞10 mm 結(jié)節(jié)的假陽性結(jié)節(jié)數(shù)差異無統(tǒng)計學(xué)意義 （z=0.577，P=0.564）外，高年資規(guī)培醫(yī)師在AI輔助閱片時檢測實性 結(jié) 節(jié) （t=1.736，P ＜0.001）、pGGN （t=2.400，P=0.016）、mGGN （t=1.633，P＜0.001）、 鈣化結(jié)節(jié) （t=0.632，P＜0.001）、＜5 mm 肺結(jié)節(jié) （t=2.572，P=0.010）及 5～10 mm 肺結(jié)節(jié)（t=2.021，P=0.043）的假陽性結(jié)節(jié)數(shù)均較獨(dú)立閱片時減少。

表2 低、高年資規(guī)培醫(yī)師在AI輔助下檢測肺結(jié)節(jié)結(jié)果比較

圖2 病人女，62歲，頭暈。胸部高分辨力CT橫斷面肺窗影像示右肺上葉前段血管旁實性結(jié)節(jié)，平均直徑約3 mm，低年資規(guī)培醫(yī)師在AI輔助下敏感檢測出該結(jié)節(jié)（方框），而在獨(dú)立閱片時漏診。

圖3 病人女，60歲，胸悶氣短。胸部高分辨力CT橫斷面肺窗影像示右肺上葉后段血管旁pGGN，平均直徑約3 mm。高年資規(guī)培醫(yī)師在AI輔助下檢測出該結(jié)節(jié)（方框），而在獨(dú)立閱片時漏診。

3 討論

在肺部CT影像上，實性結(jié)節(jié)、亞實性結(jié)節(jié)（包括pGGN和mGGN）與鈣化結(jié)節(jié)是較為常見的征象，但通常直徑較小，易位于胸膜下、血管旁與縱隔旁等隱蔽部位，故對缺乏臨床經(jīng)驗的規(guī)培醫(yī)師來說具有挑戰(zhàn)性，從而導(dǎo)致很高的漏診率。本研究顯示，低、高年資規(guī)培醫(yī)師在獨(dú)立閱片時，其對pGGN、mGGN、鈣化結(jié)節(jié)及5～10 mm、＞10 mm肺結(jié)節(jié)檢出敏感度的差異并無統(tǒng)計學(xué)意義，但對pGGN檢出敏感度不足45%，其余4種均可達(dá)55%以上，這可能與pGGN密度較淺淡、邊界欠清，易于漏診或誤判有關(guān)，而mGGN呈混合密度，內(nèi)可見實性成分，鈣化結(jié)節(jié)密度高且邊界清楚，5～10 mm及＞10 mm肺結(jié)節(jié)的直徑較大，低、高年資規(guī)培醫(yī)師均較易發(fā)現(xiàn)這些病灶。此外，高年資規(guī)培醫(yī)師對實性結(jié)節(jié)、＜5 mm結(jié)節(jié)的檢測敏感度略高于低年資規(guī)培醫(yī)師，且假陽性結(jié)節(jié)數(shù)明顯少于后者，該結(jié)果表明高年資規(guī)培醫(yī)師經(jīng)過2年多規(guī)范化培訓(xùn)掌握了一定的影像學(xué)基礎(chǔ)知識和閱片技能，能夠較低年資規(guī)培醫(yī)師更準(zhǔn)確地識別肺實性結(jié)節(jié)及＜5 mm肺結(jié)節(jié)，從而減少假陽性結(jié)節(jié)數(shù)，但仍缺乏足夠的工作經(jīng)驗和訓(xùn)練數(shù)量的積累及臨床思維，因而實性結(jié)節(jié)及＜5 mm肺結(jié)節(jié)檢出敏感度很低。

本研究還顯示AI輔助軟件對于提高低年資規(guī)培醫(yī)師檢測實性結(jié)節(jié)、高年資規(guī)培醫(yī)師檢測pGGN的敏感度尤為顯著,分別提高了約37%、38%；同時低、高年資規(guī)培醫(yī)師均明顯提高＜5 mm肺結(jié)節(jié)的檢測敏感度，分別提高了約33%、39%。李等[13]研究顯示，相比人工閱片，AI額外檢測出的肺結(jié)節(jié)多為直徑＜5 mm及5～10 mm的結(jié)節(jié)、實性結(jié)節(jié)及pGGN。本研究結(jié)果與其結(jié)果較為一致。還有多項研究[1,14-15]顯示AI技術(shù)用于肺結(jié)節(jié)篩查要優(yōu)于影像科醫(yī)師，但這些研究的研究對象多為影像診斷醫(yī)師或本科臨床實習(xí)生，而本研究中研究對象為參加住院醫(yī)師規(guī)范化培訓(xùn)的本科畢業(yè)的學(xué)員，這類人群在既往研究中較少涉及，且在國家大力推行規(guī)培制度的背景下本研究具有一定的臨床應(yīng)用價值。

本研究表明在AI軟件的輔助下無論是低年資還是高年資規(guī)培醫(yī)師均提高了不同肺結(jié)節(jié)的檢測敏感度，同時高年資規(guī)培醫(yī)師還減少了不同密度、不同大小肺結(jié)節(jié)檢測的假陽性結(jié)節(jié)數(shù)，但低年資規(guī)培醫(yī)師檢測pGGN、mGGN的假陽性結(jié)節(jié)數(shù)卻增多?？赡茉蚴牵孩俅罅緾T影像數(shù)據(jù)的閱讀和長時間、高強(qiáng)度的壓力，使得閱片者難以全程保持精力高度集中，從而容易漏診那些密度較淺淡亞實性結(jié)節(jié)或直徑＜5 mm的結(jié)節(jié)；而AI輔助軟件可以敏感、高效檢出這些結(jié)節(jié)。②高年資規(guī)培醫(yī)師具有一定知識儲備和養(yǎng)成注重結(jié)合臨床的診斷習(xí)慣，故對那些缺少臨床意義的極微小結(jié)節(jié)進(jìn)行了過濾，而低年資規(guī)培醫(yī)師缺乏臨床思維和感性認(rèn)識，更加依賴于AI輔助檢測的結(jié)果。

本研究中雖然AI能夠大幅度提高低年資規(guī)培醫(yī)師對各種肺結(jié)節(jié)檢測的敏感度，但增加的假陽性結(jié)節(jié)數(shù)也未能避免。其原因是低年資規(guī)培醫(yī)師尚不具備完全區(qū)分亞實性結(jié)節(jié)與其他感染灶、血管斷面、瘢痕灶及墜積效應(yīng)等的能力，有時結(jié)節(jié)周圍模糊不清也影響其判斷[10,16]。實性肺結(jié)節(jié)較亞實性結(jié)節(jié)易于判斷，故低年資規(guī)培醫(yī)師結(jié)合AI輔助軟件對實性結(jié)節(jié)檢測效能提升最大。對高年資規(guī)培醫(yī)師來說，借助AI輔助軟件不僅可明顯提高肺結(jié)節(jié)檢出的敏感度，還可運(yùn)用專業(yè)知識和臨床經(jīng)驗有效甄別和過濾掉那些假陽性結(jié)節(jié)，其臨床實際獲益更大；相對其他密度肺結(jié)節(jié)來說，高年資規(guī)培醫(yī)師更易漏診pGGN，故應(yīng)用AI輔助軟件可有效提高對pGGN的檢測效能。持續(xù)存在的肺pGGN在病理上多為肺腺癌或其癌前病變[17-18]，有研究[19-20]表明pGGN成為肺腺癌的概率高于實性結(jié)節(jié)，故AI對高年資規(guī)培醫(yī)師pGGN檢測效能的提高更具臨床意義。同時，本研究也間接反映了住院醫(yī)師規(guī)范化培訓(xùn)的臨床成效，經(jīng)過近3年規(guī)范化培訓(xùn)的高年資規(guī)培醫(yī)師在檢出和甄別不同密度、不同大小的肺結(jié)節(jié)方面較低年資規(guī)培醫(yī)生均有較大提高，AI實際輔助診斷的效能也更高，值得在臨床推廣和應(yīng)用。

本研究尚存在以下局限性：①本研究真結(jié)節(jié)參照標(biāo)準(zhǔn)未能獲得病理學(xué)診斷；②樣本量不大，測量數(shù)據(jù)和統(tǒng)計結(jié)果可能存在偏倚；③本研究結(jié)果僅反映特定參數(shù)、特定算法的AI軟件性能，并不能驗證其他AI軟件的結(jié)果。

綜上所述，對仍處于初級階段的接受規(guī)范化培訓(xùn)的影像診斷醫(yī)師來說，AI輔助軟件確實能夠大幅度有效提高CT上不同肺結(jié)節(jié)的檢測效能，從而提升工作效率和部分緩解醫(yī)生資源不足的矛盾，但應(yīng)注重低年資規(guī)培醫(yī)師專業(yè)基礎(chǔ)知識和臨床鑒別診斷思維的訓(xùn)練與培養(yǎng)，以有效減少假陽性結(jié)節(jié)數(shù)和避免對AI輔助軟件的過度依賴。同時今后還需開展多中心、更廣泛的聯(lián)合研究以進(jìn)一步驗證AI的實際臨床診斷效能。