人工智能對(duì)基層影像醫(yī)生篩查肺結(jié)節(jié)的輔助價(jià)值

崔兆國(guó) 吳昊 湯敏

[摘要] 目的 探討基層影像醫(yī)生結(jié)合人工智能輔助診斷系統(tǒng)對(duì)厚層CT中4 mm以上結(jié)節(jié)檢出效能的差異。 方法 前瞻性收集2019年1月1日至1月31日在我院接受常規(guī)胸部CT檢查的118例患者并進(jìn)行層厚5 mm骨算法重建，由兩位十年以上診斷經(jīng)驗(yàn)的主治醫(yī)師和一位十五年以上診斷經(jīng)驗(yàn)的副主任醫(yī)師借助人工智能軟件（InferRead CT_Lung 6.0，Infervision，Beijing，推想科技）確定肺結(jié)節(jié)金標(biāo)準(zhǔn)。由基層醫(yī)院兩位主治醫(yī)師對(duì)CT圖像進(jìn)行獨(dú)立閱片，記錄結(jié)節(jié)的數(shù)量、位置、長(zhǎng)徑和標(biāo)記時(shí)間，兩周后再次借助AI對(duì)同一批圖像進(jìn)行閱片，計(jì)算醫(yī)生獨(dú)立閱片（A組）及借助AI（B組）兩種情況下的結(jié)節(jié)檢測(cè)敏感度、假陽性率，同時(shí)比較兩種情況標(biāo)記時(shí)間。 結(jié)果 A組和B組對(duì)于4 mm以上肺結(jié)節(jié)檢出總數(shù)分別為172和293個(gè)，其中真陽性結(jié)節(jié)數(shù)分別為112和171個(gè)，假陽性結(jié)節(jié)數(shù)分別為60和122個(gè)。B組肺結(jié)節(jié)的檢測(cè)敏感度顯著高于A組（P<0.01）。A、B兩組醫(yī)生肺結(jié)節(jié)平均檢測(cè)時(shí)間比較，差異有統(tǒng)計(jì)學(xué)意義（P<0.05）。 結(jié)論 AI對(duì)于肺結(jié)節(jié)檢出具有較好的輔助能力，借助AI輔助診斷系統(tǒng)的基層影像醫(yī)生對(duì)厚層圖像4 mm以上肺結(jié)節(jié)的標(biāo)記時(shí)間更短，結(jié)節(jié)診斷敏感度更高。

[關(guān)鍵詞] 人工智能;厚層;基層影像醫(yī)生;肺結(jié)節(jié);檢出效能

[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

肺癌的發(fā)病率和死亡率較高，是對(duì)人類健康和生命威脅最大的惡性腫瘤之一[1]。根據(jù)國(guó)家癌癥中心最新公布的數(shù)據(jù)顯示，肺癌的死亡率在所有腫瘤中占首位，在我國(guó)每年大約有59.1萬人死于肺癌[2]。肺結(jié)節(jié)是肺癌的早期表現(xiàn)，迄今為止，計(jì)算機(jī)斷層掃描（Computed tomograpb，CT）是檢出肺結(jié)節(jié)最有效的影像學(xué)手段。因此，應(yīng)用CT檢查對(duì)高危人群進(jìn)行早期篩查，做出準(zhǔn)確的診斷，對(duì)肺癌患者的預(yù)防和預(yù)后有重要的意義。但由于CT檢查圖像較多、閱片耗時(shí)較長(zhǎng)，導(dǎo)致結(jié)節(jié)檢出準(zhǔn)確率不高。有相關(guān)研究報(bào)道，影像科醫(yī)生在雙閱片的情況下CT肺結(jié)節(jié)檢出率僅為59.1%[3]。同時(shí)，隨著CT檢查量的日益增多，影像科醫(yī)生的工作量也隨之加大[4]，尤其是基層醫(yī)療機(jī)構(gòu)的影像醫(yī)生，先天基礎(chǔ)比較薄弱，后期培訓(xùn)學(xué)習(xí)的機(jī)會(huì)又較少，對(duì)診斷的準(zhǔn)確性難免會(huì)有一定的影響。近年來，人工智能技術(shù)（AI）在各個(gè)行業(yè)均有了廣泛的應(yīng)用[5]，隨著AI在醫(yī)療領(lǐng)域的推廣應(yīng)用，胸部CT圖像的AI輔助結(jié)節(jié)篩查，在臨床上得到廣泛開展[6]，在提高工作效率的同時(shí)能有效降低肺結(jié)節(jié)的漏診率[7]。本研究通過對(duì)比基層影像醫(yī)生獨(dú)自閱片與結(jié)合AI閱片在5 mm層厚胸部CT檢出4 mm以上肺結(jié)節(jié)的數(shù)量、所用時(shí)間以及檢出的敏感度、假陽性率等方面特點(diǎn)，評(píng)估AI在基層醫(yī)療機(jī)構(gòu)胸部影像學(xué)診斷中的價(jià)值，為今后AI在基層醫(yī)療機(jī)構(gòu)影像科中的應(yīng)用提供可參考的科學(xué)依據(jù)，現(xiàn)報(bào)道如下。

1 資料與方法

1.1 一般資料

前瞻性收集2019年1月1日至1月31日在我院影像科門診接受常規(guī)胸部CT檢查的198例患者，符合研究條件的共118例，其中男67例，女51例;年齡19～84歲，平均（55.7±7.65）歲。納入標(biāo)準(zhǔn)：①年齡>18歲并有肺結(jié)節(jié)的受檢者;②無胸部手術(shù)史、彌漫性間質(zhì)性病變、肺部炎癥病變等者;③CT圖像中未見呼吸運(yùn)動(dòng)偽影者;④經(jīng)由AI軟件推測(cè)結(jié)節(jié)數(shù)不超過50個(gè)者。

1.2 方法

1.2.1 檢查方法? 采用西門子二代雙源CT（Siemens somatom definition flash，德國(guó)），受檢者吸氣屏氣狀態(tài)下肺尖掃描至兩側(cè)腎上腺。掃描參數(shù)：管電壓為120 kV，參考管電流為130 mAs，開啟CAREDose 4D技術(shù)，探測(cè)器準(zhǔn)直器128.0×0.6 mm，機(jī)架旋轉(zhuǎn)時(shí)間為0.5 s/周，螺距為1.2，骨算法重建層厚5 mm。矩陣：512×512。觀察CT圖像的肺窗窗寬1200 HU，窗位-600 HU，必要時(shí)手動(dòng)調(diào)整合適的窗條件。

1.2.2 研究方法及圖像評(píng)價(jià)? 選取兩位基層醫(yī)院的主治醫(yī)師，將118例圖像隨機(jī)分給兩位醫(yī)生各59例，分別進(jìn)行獨(dú)立閱片，對(duì)病例的結(jié)節(jié)進(jìn)行查找分析，并記錄結(jié)節(jié)的數(shù)量、位置、長(zhǎng)徑和標(biāo)記時(shí)間，最后將兩位醫(yī)生的查找結(jié)果進(jìn)行匯總，此為A組;經(jīng)兩周的洗脫期后，兩位基層醫(yī)生借助AI輔助診斷系統(tǒng)，再次對(duì)同一批病例圖像進(jìn)行閱片，對(duì)結(jié)節(jié)進(jìn)行查找分析，同樣記錄結(jié)節(jié)的數(shù)量、位置、長(zhǎng)徑和標(biāo)記時(shí)間，并將兩位醫(yī)生的結(jié)果匯總，此為B組。統(tǒng)計(jì)A、B 兩組對(duì)肺結(jié)節(jié)的檢出情況及閱片效率，將兩組檢出結(jié)果與金標(biāo)準(zhǔn)進(jìn)行對(duì)比，計(jì)算各自的敏感度、假陽性率和平均檢測(cè)時(shí)間。本研究所使用的AI軟件為推想公司基于深度學(xué)習(xí)模型的人工智能軟件（InferRead CT Lung Research，Infervision，Beijing，China）。所有胸部 CT由兩位十年以上診斷經(jīng)驗(yàn)主治醫(yī)師和一位十五年以上診斷經(jīng)驗(yàn)副主任醫(yī)師進(jìn)行分析，并制訂金標(biāo)準(zhǔn)，統(tǒng)計(jì)分析A、B 兩組對(duì)肺結(jié)節(jié)的檢出情況以提高閱片效率。

1.3統(tǒng)計(jì)學(xué)分析

采用SPSS 20.0統(tǒng)計(jì)學(xué)軟件進(jìn)行數(shù)據(jù)錄入、整理及分析。分別計(jì)算A、B兩組數(shù)據(jù)檢出的敏感度、假陽性率及假陰性率，采用配對(duì)樣本t檢驗(yàn)比較兩組敏感度、假陽性率和標(biāo)記時(shí)間。P<0.05為差異有統(tǒng)計(jì)學(xué)意義。

2 結(jié)果

2.1 兩組肺結(jié)節(jié)的檢出情況和敏感度比較

118例胸部CT金標(biāo)準(zhǔn)共檢出280個(gè)結(jié)節(jié)。A 組共檢出肺結(jié)節(jié)172個(gè)，其中真陽性結(jié)節(jié)112個(gè)，假陽性結(jié)節(jié)60個(gè);B組共檢出肺結(jié)節(jié)293個(gè)，其中真陽性結(jié)節(jié)171個(gè)，假陽性結(jié)節(jié)122個(gè)。B組敏感度顯著高于A組，差異有統(tǒng)計(jì)學(xué)意義（P<0.01）。見表 1。

2.2 兩組肺結(jié)節(jié)的檢出時(shí)間

A組基層醫(yī)生檢測(cè)肺結(jié)節(jié)平均時(shí)間為（138.00±2.25）s，B組基層醫(yī)生結(jié)合AI檢測(cè)肺結(jié)節(jié)平均時(shí)間為（52.00±2.89）s，B組的平均檢測(cè)時(shí)間明顯短于A組，差異有統(tǒng)計(jì)學(xué)意義（t=11.148，P<0.05）。即基層影像科醫(yī)生結(jié)合人工智能輔助診斷系統(tǒng)可縮短肺結(jié)節(jié)檢出時(shí)間。

3 討論

我國(guó)基層衛(wèi)生醫(yī)療機(jī)構(gòu)總量近百萬《中國(guó)衛(wèi)生健康統(tǒng)計(jì)提要2018》，如此龐大的數(shù)量，影像醫(yī)生的診斷準(zhǔn)確率顯得尤為重要。目前多數(shù)基層醫(yī)療機(jī)構(gòu)的影像診斷醫(yī)生，先天基礎(chǔ)比較薄弱，而后期培訓(xùn)學(xué)習(xí)的機(jī)會(huì)又很少，隨著CT檢查量的日益增多，難免對(duì)診斷準(zhǔn)確率會(huì)有一定的影響。目前，基層醫(yī)院及相關(guān)醫(yī)療機(jī)構(gòu)的檢查設(shè)備相對(duì)比較落后，受機(jī)器基礎(chǔ)性能和掃描參數(shù)的限制，無法大量進(jìn)行薄層掃描或重建，大部分都是5 mm或以上厚層的CT圖像。根據(jù)最新的研究資料顯示，肺癌已成為了主要威脅人類健康的病種，其不斷上升的發(fā)病率和死亡率也使其影像學(xué)表現(xiàn)方面的研究具有重要的意義。肺結(jié)節(jié)是肺癌的早期表現(xiàn)形式，而4 mm以上的結(jié)節(jié)更有臨床意義[8]。基層醫(yī)療機(jī)構(gòu)的放射科醫(yī)師在日常工作中的肺結(jié)節(jié)檢出情況對(duì)肺癌的早期診斷、早期治療以及提高患者生存率具有非常重要的作用。

AI輔助診斷系統(tǒng)能夠減輕基層影像科醫(yī)生閱片壓力，降低漏診率，提高診斷的準(zhǔn)確率，從而達(dá)到對(duì)肺癌的早期診斷、早期治療、提高患者生存率的目的。

3.1 應(yīng)用AI系統(tǒng)后基層影像醫(yī)生診斷肺結(jié)節(jié)的效率有明顯提高

第一，敏感度有了很大提升，大約提高36%。其原因首先在于醫(yī)生閱片時(shí)基本采用橫軸位圖像，部分小結(jié)節(jié)與血管斷面軸位投影相似，非常容易漏診;其次可能在于影像醫(yī)師對(duì)肺結(jié)節(jié)的診斷標(biāo)準(zhǔn)僅僅依靠于視覺上的經(jīng)驗(yàn)，具有一定的主觀性，而且由于閱片時(shí)間有限或注意力無法保持全程集中，僅滿足于較大及實(shí)性病變的檢測(cè)，對(duì)于較小及磨玻璃樣病變沒有引起足夠重視或根本沒有發(fā)現(xiàn)[9-10]。見封三圖4。

第二，閱片時(shí)間得以大大縮短，只有原來的1/3左右。其原因在于CT斷層圖像過多，臨床影像資料較復(fù)雜，影像醫(yī)師需要仔細(xì)觀察分析肺部的血管、氣管等影像，大量的觀察分析工作使其容易產(chǎn)生視覺疲勞，因而閱片時(shí)間較長(zhǎng)[11]。而AI輔助診斷系統(tǒng)是基于深度神經(jīng)網(wǎng)絡(luò)方法的研究，通過對(duì)原始數(shù)據(jù)進(jìn)行抽象總結(jié)[12]，從而達(dá)到對(duì)影像數(shù)據(jù)的歸類。僅用數(shù)秒鐘即可對(duì)所有影像資料進(jìn)行數(shù)據(jù)分析和診斷，并不會(huì)發(fā)生視覺疲勞及診斷水平不齊等問題，具有非常高的閱片效率[13]。

3.2 應(yīng)用AI輔助系統(tǒng)后診斷肺結(jié)節(jié)的假陽性率有所提高，但在可接受范圍內(nèi)

本研究結(jié)果顯示，AI的總體結(jié)節(jié)檢測(cè)假陽性率較高，尤其易誤診于小葉核心結(jié)構(gòu)，其他主要誤診原因?yàn)椋孩倥c氣管相關(guān)，包括增厚、擴(kuò)張的細(xì)支氣管，氣管及細(xì)支氣管內(nèi)分泌物等;②與血管相關(guān)，包括增粗、迂曲、交叉的血管，肺門增粗的血管等，正常或異常的肺結(jié)構(gòu)如小葉核心結(jié)構(gòu)、增厚的小葉間隔及小葉內(nèi)間隔;各時(shí)期的感染性病灶如索條、瘢痕、樹芽、片狀實(shí)變及磨玻璃密度影;③其他原因，如局部凸向肺野的骨性結(jié)構(gòu)、局限性氣體潴留、胸膜斑塊等[14-15]。造成假陽性的原因可能與AI設(shè)定的檢出結(jié)節(jié)大小的閾值極低有關(guān)[16]。而此時(shí)影像醫(yī)生則可以根據(jù)對(duì)影像資料的認(rèn)真分析和鑒別，依靠豐富的臨床經(jīng)驗(yàn)，使假陽性率控制在正常范圍內(nèi)[17]。因此，將AI診斷系統(tǒng)與基層影像醫(yī)師結(jié)合是基層臨床工作的最佳選擇，極大地提高了CT圖像診斷敏感度并大大縮短閱片時(shí)間。相信隨著科學(xué)技術(shù)的不斷發(fā)展，AI技術(shù)將會(huì)得到進(jìn)一步的提升，也將更好地服務(wù)于醫(yī)療事業(yè)，并將為人類的健康做出更多貢獻(xiàn)。

本研究的局限性有二：①數(shù)據(jù)樣本量不足，結(jié)節(jié)數(shù)量較少，因此結(jié)果可能存在一定的選擇性偏倚;②沒有進(jìn)行多中心研究。

綜上所述，與無人工智能輔助相比，配備人工智能的基層影像醫(yī)生對(duì)厚層圖像4 mm以上肺結(jié)節(jié)的標(biāo)記時(shí)間更短，診斷敏感度更高。雖然存在一定的假陽性率，但相對(duì)更高的敏感度可以確保結(jié)節(jié)檢出率的提升，能極大地降低漏診的發(fā)生率，并能提高基層影像醫(yī)生的工作效率。在基層醫(yī)療機(jī)構(gòu)，對(duì)于厚層胸部CT中篩查4 mm以上肺結(jié)節(jié)，建議使用AI輔助診斷系統(tǒng)以達(dá)到相對(duì)理想的檢出率。

[參考文獻(xiàn)]

[1] Schwyzer M，F(xiàn)erraro 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.基于人工神經(jīng)網(wǎng)絡(luò)的肺癌識(shí)別[J].電子技術(shù)與軟件工程，2018，29（20）：240-241.

[3] 唐威，王建衛(wèi)，吳寧，等.計(jì)算機(jī)輔助檢測(cè)系統(tǒng)在低劑量肺癌篩查結(jié)節(jié)檢出中的應(yīng)用價(jià)值[J].中華放射學(xué)雜志，2012，46（7）：619-623.

[4] 李志勇，李鵬偉，高小燕，等.人工智能醫(yī)學(xué)技術(shù)發(fā)展的聚焦領(lǐng)域與趨勢(shì)分析[J].中國(guó)醫(yī)學(xué)裝備，2018，15（7）：136-145.

[5] 鄭光遠(yuǎn)，劉峽壁，韓光輝.醫(yī)學(xué)影像計(jì)算機(jī)輔助檢測(cè)與診斷系統(tǒng)綜述[J].軟件學(xué)報(bào)，2018，29（5）：1471-1514.

[6] 李欣菱，郭芳芳，周振，等.基于深度學(xué)習(xí)的人工智能胸部CT肺結(jié)節(jié)檢測(cè)效能評(píng)估[J].中國(guó)肺癌雜志，2019，22（6）：336-340.

[7] 張曉菊. 《肺結(jié)節(jié)診治中國(guó)專家共識(shí)（2018版）》解讀[J].中華實(shí)用診斷與治療雜志，2019，33（1）：1-3.

[8] 胡瓊潔，陳沖，王玉錦，等.實(shí)習(xí)醫(yī)師以共同閱片和第二閱片者模式使用計(jì)算機(jī)輔助檢測(cè)系統(tǒng)在低劑量CT中的應(yīng)用研究[J].放射學(xué)實(shí)踐，2018，（10）：1022-1028.

[9] 吳光耀，伍建林.基于CT的計(jì)算機(jī)輔助檢測(cè)與診斷肺結(jié)節(jié)技術(shù)研究進(jìn)展[J].中國(guó)醫(yī)學(xué)影像技術(shù)，2018，（7）：1114-1117.

[10] 蕭毅，夏晨，張榮國(guó)，等.人工智能技術(shù)在醫(yī)學(xué)影像中的應(yīng)用討論[N].第二軍醫(yī)大學(xué)報(bào)，2018，8（13）：813-818.

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

[12] 谷雨，呂曉琪，楊立東，等.基于CT影像的肺結(jié)節(jié)計(jì)算機(jī)輔助檢測(cè)技術(shù)進(jìn)展[J].重慶醫(yī)學(xué)，2017，46（6）：839-842.

[13] 金文忠，陸耀，汪陽.基于人工智能的胸部CT智能輔助診斷系統(tǒng)在LDCT數(shù)據(jù)集上的應(yīng)用研究[J].中國(guó)醫(yī)學(xué)計(jì)算機(jī)成像雜志，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] 蕭毅，劉士遠(yuǎn).客觀看待人工智能在醫(yī)學(xué)影像中的作用[J].放射學(xué)實(shí)踐，2018，33（10）：992-994.

[16] 李甜，李曉東，劉敬禹.人工智能輔助診斷肺結(jié)節(jié)的臨床價(jià)值研究[J].中國(guó)全科醫(yī)學(xué)，2020，23（7）：828-831.

[17] 楊興云，宋立江，王濤，等.多層螺旋CT圖像后處理技術(shù)在肺部結(jié)節(jié)鑒別診斷中的應(yīng)用研究[J].中國(guó)醫(yī)學(xué)裝備，2019，16（4）：33-36.

（收稿日期：2020-07-29）