深度學(xué)習(xí)模型對(duì)純磨玻璃結(jié)節(jié)肺腺癌病理亞型的預(yù)測分析

陶雪敏，方 瑞，吳重重，張 弛，張榮國，于朋鑫，趙紹宏

1解放軍醫(yī)學(xué)院，北京 100853 2中國人民解放軍總醫(yī)院第一醫(yī)學(xué)中心放射診斷科，北京 100853 3北京推想科技有限公司先進(jìn)研究院，北京 100025

隨著多排螺旋CT技術(shù)發(fā)展及低劑量CT篩查的廣泛應(yīng)用，越來越多的肺內(nèi)純磨玻璃密度結(jié)節(jié)(pure ground glass nodule，pGGN)被發(fā)現(xiàn)，且長期的磨玻璃結(jié)節(jié)存在肺癌可能[1- 2]。國內(nèi)外對(duì)pGGN肺腺癌浸潤性的判斷已經(jīng)有很多報(bào)道[3- 5]，這些報(bào)道大多數(shù)是基于CT特征的，而pGGN不具備典型影像特征時(shí)，判斷其浸潤性就比較困難，目前仍主要依靠醫(yī)生臨床經(jīng)驗(yàn)，診斷與治療均有很大的隨意性，存在過度治療的傾向[6]。浸潤性肺腺癌的治療方式及5年無病生存率都與非浸潤性肺腺癌(如原位腺癌、微浸潤性腺癌)截然不同[7]，所以，如何在術(shù)前鑒別浸潤性腺癌與非浸潤性腺癌尤為重要。本研究利用深度學(xué)習(xí)模型對(duì)術(shù)前pGGN的病理類型進(jìn)行預(yù)判，并與術(shù)后病理及專家診斷對(duì)比，判斷深度學(xué)習(xí)模型在pGGN浸潤性判斷的價(jià)值。

對(duì)象和方法

對(duì)象采用單中心回顧性分析，收集2013年 2月至2018年5月中國人民解放軍總醫(yī)院第一醫(yī)學(xué)中心符合以下標(biāo)準(zhǔn)的患者臨床及影像資料。納入標(biāo)準(zhǔn)：(1)病理確診為肺腺癌；(2)手術(shù)之前未行放療和化療；(3)術(shù)前1周內(nèi)行CT檢查并有1.25 mm的薄層圖像；(4)CT表現(xiàn)為pGGN。排除標(biāo)準(zhǔn)：(1)術(shù)前有惡性腫瘤病史并接受過抗腫瘤治療；(2)CT肺窗上病變內(nèi)觀察到實(shí)性成分。219例患者共 240個(gè)病變納入研究。其中浸潤前病灶(包括不典型腺瘤樣增生及原位腺癌)為58個(gè)，微浸潤腺癌(minimally invasive adenocarcinoma，MIA)病灶為86個(gè)，浸潤性腺癌病灶為96個(gè)，部分病例表現(xiàn)為多發(fā)，而且同一例患者不同病灶或病理亞型不相同也會(huì)作為獨(dú)立的樣本進(jìn)行分析。

病理檢查方法所有入組患者均接受手術(shù)并取標(biāo)本病理送檢。病理檢查方法為10%甲醛進(jìn)行固定，取材后進(jìn)行石蠟包埋切片，最后行HE染色以及免疫組織化學(xué)染色。病理診斷參照2015年WHO肺癌分類標(biāo)準(zhǔn)。其中，不典型腺瘤樣增生(atypical adenomatous hyperplasia，AAH)表現(xiàn)為肺泡內(nèi)襯有單一的輕度不典型長方體及柱狀體上皮細(xì)胞。表現(xiàn)為單純磨玻璃樣結(jié)節(jié)的病變以原位腺癌(adenocarcinoma in situ，AIS)和MIA為主，AIS 為腫瘤細(xì)胞沿肺泡附壁生長的肺內(nèi)磨玻璃樣結(jié)節(jié)，邊緣大部分較清晰，表現(xiàn)為肺泡間隔的增厚，無基質(zhì)血管和基膜侵犯；MIA 以附壁生長方式為主，表現(xiàn)為孤立性且浸潤灶≤ 5 mm的肺腺癌；浸潤性腺癌為基質(zhì)血管和基膜受侵犯，浸潤灶> 5 mm的肺腺癌。

CT掃描參數(shù)采用美國GE Optima CT660掃描儀?；颊呷⊙雠P位、雙臂上舉、 頭先進(jìn)，均在吸氣末屏氣后掃描。掃描范圍包括肺尖至膈下3 cm。掃描參數(shù)：管電壓120 kVp，自動(dòng)管電流調(diào)整技術(shù)，重建出1.25 mm的薄層CT圖像；肺窗窗寬1600 HU，窗位-600 HU；縱隔窗窗寬400 HU，窗位40 HU；輻射劑量均小于10 mGy。用于標(biāo)注的CT圖像均為1.25 mm的薄層肺窗圖像。

感興趣區(qū)域的勾畫與標(biāo)注對(duì)CT圖像上的病灶進(jìn)行人工勾畫逐層分割感興趣容積(volume of interest，VOI)，勾畫方式如圖1所示。VOI包含整個(gè)病變，排除VOI內(nèi)的大血管和動(dòng)脈。最后由另一名放射科醫(yī)師對(duì)每個(gè)VOI進(jìn)行復(fù)核，確保每個(gè)VOI準(zhǔn)確勾勒病灶邊界，同時(shí)根據(jù)手術(shù)記錄及病理結(jié)果對(duì)病灶進(jìn)行標(biāo)記，分別標(biāo)記為浸潤前病變、微浸潤性腺癌、浸潤性腺癌。

基于VOI的人工智能深度神經(jīng)網(wǎng)絡(luò)分析

模型算法：采用3D DenseNet模型算法，本模型是基于16位的醫(yī)學(xué)數(shù)字成像和通信圖像，PyTorch 框架進(jìn)行訓(xùn)練，3D DenseNet 模型使用和DenseNet[8]類似的169層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，不同的是網(wǎng)絡(luò)輸入是3D圖像，即患者CT圖像的VOI區(qū)域，網(wǎng)絡(luò)的輸出是pGGN的病理分型的概率預(yù)測，模型的結(jié)構(gòu)如圖2所示，模型中包含的隱含層及其參數(shù)見表1。使用DenseNet在ImageNet數(shù)據(jù)集上的預(yù)訓(xùn)練模型，用于遷移學(xué)習(xí)[9]。使用遷移學(xué)習(xí)的目的是加快網(wǎng)絡(luò)訓(xùn)練速度并在一定程度上減少過擬合現(xiàn)象。

表1 3D 深度卷積神經(jīng)網(wǎng)絡(luò)參數(shù)

VOI：感興趣容積；以逐層標(biāo)記的方式進(jìn)行醫(yī)學(xué)數(shù)字成像和通信數(shù)據(jù)中VOI的勾畫

3D DenseNet模型的主要結(jié)構(gòu)包括密集連接塊、轉(zhuǎn)換層、上采樣層、池化層、展開層、特征連接層和全連接層，3D DenseNet 的輸入為圖像塊，輸出為結(jié)節(jié)浸潤概率，黃色塊與紅色塊分別表示特征連接層的輸入和輸出

訓(xùn)練過程：訓(xùn)練與驗(yàn)證的所有數(shù)據(jù)均使用患者CT圖像提取出的VOI區(qū)域進(jìn)行分類，每一個(gè)VOI區(qū)域提取出一個(gè)長方體，提取過程并未對(duì)VOI區(qū)域進(jìn)行加窗處理，以便在訓(xùn)練過程中進(jìn)行數(shù)據(jù)增強(qiáng)(圖3)。本研究按每一病理類型隨機(jī)分為兩組，訓(xùn)練集數(shù)據(jù)和測試集數(shù)據(jù)。訓(xùn)練集數(shù)據(jù)占全部數(shù)據(jù)的80%，測試集數(shù)據(jù)占20%。

數(shù)據(jù)優(yōu)化處理：包括數(shù)據(jù)增強(qiáng)及數(shù)據(jù)不平衡的處理。由于數(shù)據(jù)較少，數(shù)據(jù)增強(qiáng)可以減少訓(xùn)練過程中的過擬合現(xiàn)象。本研究使用的數(shù)據(jù)增強(qiáng)方法包括：(1)生成隨機(jī)的訓(xùn)練數(shù)據(jù)。輸入尺寸是根據(jù)所有 VOI 的勾畫結(jié)果統(tǒng)計(jì)值確定，在確?？梢酝暾≡顓^(qū)域的前提下盡量縮小輸入數(shù)據(jù)的大小，最后確定的網(wǎng)絡(luò)輸入大小為80×80×64像素，對(duì)于訓(xùn)練集，原始的結(jié)節(jié)分割VOI會(huì)隨機(jī)分布到提取長方體的任何一個(gè)位置；對(duì)于測試集，結(jié)節(jié)分割VOI處于長方體的中心。(2)實(shí)時(shí)窗寬窗位的隨機(jī)變化。默認(rèn)窗位窗寬為(-600 HU，1600 HU)，在訓(xùn)練過程中，訓(xùn)練集會(huì)進(jìn)行窗位-5到5的變化，以達(dá)到增強(qiáng)數(shù)據(jù)的目的；測試集使用默認(rèn)窗寬窗位。本研究數(shù)據(jù)存在一定程度的類別不平衡，對(duì)此，在訓(xùn)練期間采用了對(duì)小類別樣本進(jìn)行過采樣的方法來平衡數(shù)據(jù)。

專家對(duì)測試集(共48例)的數(shù)據(jù)進(jìn)行評(píng)估對(duì)于測試集的數(shù)據(jù)，由兩位具有15年以上胸部影像診斷工作經(jīng)驗(yàn)的專家在不知道病理結(jié)果的基礎(chǔ)上對(duì)CT圖像進(jìn)行評(píng)估并做出病理亞型判斷，兩人獨(dú)立進(jìn)行，每人共分前后兩次，兩次評(píng)判的間隔時(shí)間為1周，做好記錄。最后，對(duì)于判斷結(jié)果不一致的病例，兩位專家一起評(píng)判得到一致意見，作為聯(lián)合評(píng)判結(jié)果。

統(tǒng)計(jì)學(xué)處理采用SPSS 22.0和MedClac進(jìn)行數(shù)據(jù)分析。使用SPSS 22.0計(jì)算深度學(xué)習(xí)模型和專家與病理結(jié)果的一致性檢驗(yàn)(Kappa檢驗(yàn))，采用χ2檢驗(yàn)進(jìn)行準(zhǔn)確率的檢驗(yàn)以及受試者工作特性(receiver operating characteristic，ROC)曲線的繪制。以病理診斷為參考標(biāo)準(zhǔn)，為了實(shí)現(xiàn)分類目的以及評(píng)價(jià)深度學(xué)習(xí)模型與專家組診斷的準(zhǔn)確性，利用ROC曲線顯示深度學(xué)習(xí)模型與專家組區(qū)分pGGN浸潤性的診斷能力。ROC曲線以靈敏度(真陽性率)和1-特異度(假陽性率)為橫縱坐標(biāo)繪制而成，將ROC曲線上各個(gè)點(diǎn)的靈敏度與1-特異度的值拷貝在Excel表格中，計(jì)算出約登指數(shù)，取約登指數(shù)最大的點(diǎn)作為臨界值。使用MedClac軟件計(jì)算準(zhǔn)確率、靈敏度和特異度的95%CI以及ROC曲線下的面積(area under curve，AUC)值的差異性檢驗(yàn)(Z檢驗(yàn))[10]。研究中的混淆矩陣是一個(gè)組合2×2列聯(lián)表，報(bào)告了深度學(xué)習(xí)模型與專家組診斷浸潤性腺癌的真陽性數(shù)、假陽性數(shù)、假陰性數(shù)和真陰性數(shù)。計(jì)算靈敏度、特異度、約登指數(shù)、陽性預(yù)測值、陰性預(yù)測值、陽性似然比以及陰性似然比等診斷指標(biāo)。靈敏度為正確識(shí)別出浸潤性腺癌的比例；特異度為正確識(shí)別的非浸潤性腺癌患者的比例；約登指數(shù)為評(píng)價(jià)診斷實(shí)驗(yàn)真實(shí)性的指標(biāo)，其計(jì)算方法為靈敏度與特異度之和減去1；陽性預(yù)測值為診斷浸潤性腺癌的樣本中，實(shí)際浸潤性腺癌的百分比；陰性預(yù)測值為診斷非浸潤性腺癌的樣本中，實(shí)際非浸潤性腺癌的百分比；陽性似然比為真陽性率與假陽性率的比值；陰性似然比為假陰性率與真陰性率的比值。同時(shí)，利用F1值評(píng)價(jià)機(jī)器學(xué)習(xí)的診斷效能，F(xiàn)1值越高，診斷效能越好。F1值計(jì)算方式為2(精確度×召回率)/(精確度+召回率)，而召回率又稱真陽性率或靈敏度，精確度也稱陽性預(yù)測值。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

數(shù)據(jù)優(yōu)化處理中的數(shù)據(jù)增強(qiáng)方法由圖像塊的隨機(jī)選擇和歸一化組成，圖中的紅色塊、藍(lán)色塊和綠色塊分別表示對(duì)同一個(gè)結(jié)節(jié)的隨機(jī)選取圖像塊，對(duì)每個(gè)圖像塊以不同的窗寬窗位進(jìn)行歸一化，得到歸一化后的圖像塊；可視化圖像塊其任意層的結(jié)果如圖中右側(cè)所示

結(jié) 果

一般情況訓(xùn)練集中，共有男性73例，平均年齡為(55.4±10.5)歲；女性98例，平均年齡為(53.1±9.4)歲。測試集中，共有男性18例，平均年齡為(57.1±8.2)歲；女性30例，平均年齡為(54.3±9.8)歲。訓(xùn)練集數(shù)據(jù)中有192個(gè)pGGN，其中非浸潤性腺癌共116個(gè)(包括浸潤前病變48個(gè)、微浸潤性腺癌68個(gè))，浸潤性腺癌76個(gè)。測試集中有48個(gè)pGGN，其中非浸潤性腺癌共28個(gè)(包括浸潤前病變10個(gè)、微浸潤性腺癌18個(gè))，浸潤性腺癌20個(gè)。

深度學(xué)習(xí)模型驗(yàn)證結(jié)果與專家診斷結(jié)果將浸潤性腺癌定為陽性結(jié)果，非浸潤性腺癌(包括不典型腺瘤樣增生、原位腺癌、微浸潤性腺癌)即為陰性結(jié)果，深度學(xué)習(xí)與專家診斷的結(jié)果顯示，對(duì)于CT上表現(xiàn)為pGGN的浸潤性腺癌與非浸潤性腺癌，僅深度學(xué)習(xí)的診斷結(jié)果差異有統(tǒng)計(jì)學(xué)意義(χ2=20.743，P<0.001)(表2)。

表2 深度學(xué)習(xí)與專家組對(duì)測試集pGGN的診斷結(jié)果(n)

專家對(duì)測試集pGGN的一致性檢驗(yàn)結(jié)果對(duì)專家1和專家2前后兩次診斷進(jìn)行一致性檢驗(yàn)顯示兩位專家各自前后兩次判斷的一致性較好(Kappa=0.939，Kappa=0.799)。選取第2次診斷意見進(jìn)行專家間的一致性檢驗(yàn)顯示略低于專家個(gè)人的一致性(Kappa=0.667)。

深度學(xué)習(xí)模型驗(yàn)證效能與專家診斷效能深度學(xué)習(xí)模型判斷pGGN的準(zhǔn)確率為0.833，95%CI為0.7016～0.9157，靈敏度為0.7，95%CI為0.4567～0.8716，特異度為0.929，95%CI為0.7504～0.9875，約登指數(shù)為0.629。深度學(xué)習(xí)模型診斷的陽性預(yù)測值、陰性預(yù)測值、陽性似然比與陰性似然比分別為0.875、0.813、9.800和0.323。用于評(píng)價(jià)機(jī)器學(xué)習(xí)診斷效能的指標(biāo)F1值為0.778，診斷效能較好。

專家1對(duì)pGGN診斷的準(zhǔn)確率為0.5000，95%CI為0.3639～0.6361，靈敏度為0.8500，95%CI為0.6114～0.9604，特異度為0.2860，95%CI為0.1143～0.4522，約登指數(shù)為0.1000。專家1診斷的陽性預(yù)測值、陰性預(yù)測值、陽性似然比與陰性似然比分別為0.4470、0.7000、1.1900和0.6000。F1值為0.5860，診斷效能一般。專家2對(duì)pGGN診斷的準(zhǔn)確率為0.5625，95%CI為0.4227～0.6931，靈敏度為0.8000，95%CI為0.5573～0.9339，特異度為0.3570，95%CI為0.2213～0.5927，約登指數(shù)為0.1930。專家2診斷的陽性預(yù)測值、陰性預(yù)測值、陽性似然比與陰性似然比分別為0.4850、0.7330、1.1322和0.5090。F1值為0.6040，診斷效能一般。兩位專家聯(lián)合診斷pGGN的準(zhǔn)確率為0.5417，95%CI為0.4029～0.6743，靈敏度為0.9000，95%CI為0.6687～0.9825，特異度為0.2860，95%CI為0.1395～ 0.4887，約登指數(shù)為0.1857。兩位專家聯(lián)合診斷的陽性預(yù)測值、陰性預(yù)測值、陽性似然比與陰性似然比分別為0.4740、0.8000、1.2600和0.3500。F1值為0.6210，診斷效能一般。深度學(xué)習(xí)診斷的準(zhǔn)確率明顯高于專家組診斷結(jié)果，準(zhǔn)確率高達(dá)0.8330，特異度高達(dá)0.9290，對(duì)非浸潤性肺腺癌的識(shí)別效能好，深度學(xué)習(xí)與專家組之間診斷準(zhǔn)確率的差異具有統(tǒng)計(jì)學(xué)意義(χ2=14.113，P=0.000)。

對(duì)深度學(xué)習(xí)模型及專家診斷意見以病理結(jié)果作為參考標(biāo)準(zhǔn)進(jìn)行ROC曲線繪制，ROC曲線下面積的大小表明診斷試驗(yàn)準(zhǔn)確度的大小。ROC曲線對(duì)比圖顯示，4種診斷結(jié)果均在參考線以上，且深度學(xué)習(xí)結(jié)果明顯優(yōu)于其他3組結(jié)果(圖4)。其中，深度學(xué)習(xí)、專家1、專家2和專家組的AUC值分別為0.814、0.550、0.600、0.590，經(jīng)過統(tǒng)計(jì)學(xué)檢驗(yàn)，專家1與專家2(Z=0.837，P=0.402)、專家1與專家組(Z=1.395，P=0.163)、專家2與專家組(Z=0.068，P=0.946)之間差異無統(tǒng)計(jì)學(xué)意義，而專家1與深度學(xué)習(xí)(Z=4.346，P=0.000)、專家2與深度學(xué)習(xí)(Z=3.144，P=0.002)、專家組與深度學(xué)習(xí)(Z=3.404，P=0.001)差異有統(tǒng)計(jì)學(xué)意義。

圖4 深度學(xué)習(xí)與專家診斷的受試者工作特征曲線

討 論

根據(jù)2015年WHO肺腫瘤新分類[11]，浸潤性肺腺癌、MIA以及浸潤前病變(包括AAH和AIS)在CT上均可以表現(xiàn)為pGGN[12]。但不同的是，早期浸潤前病變?nèi)鏏AH和AIS，可采用密切隨訪或局部切除，且5年生存率達(dá)100%；MIA也無淋巴結(jié)轉(zhuǎn)移和血行轉(zhuǎn)移，但可轉(zhuǎn)化為浸潤性腺癌，可采用亞葉切除或肺葉切除，5年生存率近于100%；而浸潤性腺癌除非小于2 cm或磨玻璃成分大于75%，即使肺葉切除加淋巴結(jié)清掃，5年生存率也只有60%～80%[7，11，13]，因此，術(shù)前實(shí)現(xiàn)對(duì)浸潤性肺腺癌的精準(zhǔn)診斷非常重要。

人工智能輔助影像診斷的研究已有文獻(xiàn)報(bào)道[14- 15]。人們相信CT上磨玻璃結(jié)節(jié)肯定存在肉眼觀察之外的信息，所以有研究者基于影像組學(xué)幫助判斷磨玻璃結(jié)節(jié)的良惡性和浸潤性[16]。影像組學(xué)和深度學(xué)習(xí)都是以影像內(nèi)部特征與病灶表現(xiàn)的相關(guān)性為基礎(chǔ)對(duì)結(jié)節(jié)進(jìn)行評(píng)估，兩者也存在區(qū)別。影像組學(xué)對(duì)影像特征的提取以先驗(yàn)知識(shí)為基礎(chǔ)，事先需設(shè)定好需要提取的特征類型，而深度學(xué)習(xí)則完全由數(shù)據(jù)本身驅(qū)動(dòng)，通過自身不斷學(xué)習(xí)的方式提取特征[17]。本研究利用深度學(xué)習(xí)算法嘗試對(duì)pGGN進(jìn)行初步的病理分型，即將浸潤性腺癌從微浸潤性腺癌與浸潤前病變中鑒別出來，結(jié)果顯示深度學(xué)習(xí)模型有較好的診斷性能，與專家診斷結(jié)果相比，顯示出明顯的優(yōu)勢，尤其是準(zhǔn)確率和特異度評(píng)價(jià)指標(biāo)。以后還會(huì)加入影像組學(xué)，增加樣本數(shù)據(jù)量，以獲得最新的診斷模型，進(jìn)而對(duì)兩者進(jìn)行更深度地比較，以輔助臨床診斷。

國內(nèi)外對(duì)pGGN浸潤性的研究大多數(shù)都是基于磨玻璃結(jié)節(jié)(ground glass nodule，GGN)的影像特征，分析GGN的各種CT征象判斷病變浸潤性，但報(bào)道都不盡相同。Lee等[18]的研究結(jié)果顯示，pGGN的直徑大于15 mm，CT值大于-472 HU，傾向于浸潤性腺癌。Zhang等[19]的研究結(jié)果顯示GGN內(nèi)包括肺動(dòng)靜脈異常及支氣管異常、胸膜牽拉等內(nèi)部結(jié)構(gòu)的異常均提示GGN的浸潤性，這一點(diǎn)在楊越清等[20]和金鑫等[21]的研究結(jié)果中也有相同的報(bào)道。pGGN的影像特征在各亞型間存在重疊，Wu等[22]研究顯示在小于10 mm的pGGN中也存在30%的浸潤肺腺癌，而病變內(nèi)部結(jié)構(gòu)無改變時(shí)對(duì)浸潤性的判斷更加困難，尤其是人的肉眼觀察和分辨能力有限，很難對(duì)pGGN做出較為準(zhǔn)確的診斷。本研究即使是兩位從事胸部影像診斷15年以上的專家，對(duì)表現(xiàn)為純磨玻璃密度結(jié)節(jié)浸潤性判斷準(zhǔn)確性也不足60%，特異性更不足40%。本研究兩位專家的特異性較低，主要是由于非浸潤性腺癌識(shí)別相對(duì)不足，將大部分病理結(jié)果為微浸潤性腺癌的病變?cè)\斷為浸潤性腺癌。但微浸潤性腺癌與浸潤性腺癌的手術(shù)方式和預(yù)后顯著不同，僅憑肉眼確實(shí)很難將兩者區(qū)分開來，因此，愈加說明pGGN浸潤性的判斷和診斷還存在很大困難，同時(shí)也說明國內(nèi)pGGN病變存在過度治療的傾向，容易將非浸潤性腺癌作為浸潤性腺癌處理和治療，這一點(diǎn)和Hutchinson等[6]的報(bào)道一致，Hutchinson等[6]認(rèn)為表現(xiàn)為純磨玻璃密度結(jié)節(jié)肺腺癌好的預(yù)后帶來了純磨玻璃密度結(jié)節(jié)的過度治療，另外，Kakinuma 等[23]對(duì)795例患者共1229處病灶進(jìn)行4.3年隨訪，只有1%的患者結(jié)果為浸潤性肺腺癌。

有文獻(xiàn)報(bào)道人工智能技術(shù)在GGN診斷中的應(yīng)用[12-13]。Mei等[13]的研究顯示，隨機(jī)森林預(yù)測GGN的惡性程度準(zhǔn)確率高達(dá)95.1%，預(yù)測惡性GGN的浸潤性達(dá)83%。孫炎冰等[24]利用人工智能CT定量分析對(duì)肺磨玻璃密度結(jié)節(jié)進(jìn)行初探研究，認(rèn)為病灶尺寸定量參數(shù)測定有助于為磨玻璃密度肺結(jié)節(jié)預(yù)測臨床治療時(shí)機(jī)。Fan等[16]研究顯示影像組學(xué)特征在浸潤性腺癌和非浸潤性病變之間能夠顯示出良好的預(yù)測效果。本研究顯示深度學(xué)習(xí)的ROC曲線下的面積(AUC值)明顯高于專家自身以及專家聯(lián)合診斷結(jié)果，這也進(jìn)一步表明人工智能的確能幫助放射科醫(yī)師提高診斷的準(zhǔn)確性。而專家個(gè)人前后或?qū)＜抑g一致性都相對(duì)較好，表明對(duì)于同一個(gè)病變，同一個(gè)專家的認(rèn)識(shí)差異不大，但專家之間存在一定差異，表明目前對(duì)pGGN浸潤性的判斷尚缺乏一個(gè)有效的診斷標(biāo)準(zhǔn)，即證明人工智能的存在可以使pGGN的診斷更加標(biāo)準(zhǔn)化，減少同一病變因不同觀察者而出現(xiàn)不同結(jié)果的情況，可以為未來實(shí)現(xiàn)標(biāo)準(zhǔn)化的pGGN處理提供理論與技術(shù)支持。

本研究的限制性在于：(1)樣本量相對(duì)不足，尤其測試的樣本量僅有48例，在人工智能建模中，利用數(shù)據(jù)增強(qiáng)抵消這一不足，后期會(huì)擴(kuò)大樣本量繼續(xù)研究。(2)本研究只納入有手術(shù)病理的病例，存在選擇性偏倚。

綜上，深度學(xué)習(xí)模型對(duì)pGGN肺腺癌浸潤性的初步判斷具有良好的診斷效能，準(zhǔn)確率為0.8330，特異性高達(dá)0.9290，優(yōu)于專家診斷。