浅谈基层社区医院放射科人工智能辅助诊断技术的应用

【摘要】

目的 探讨人工智能辅助诊断技术在肺实性小结节诊断方面的价值。方法 回顾性分析2023年6月至2023 年12月期间社区健康体检患者160例，按照经验丰富的高年资影像诊断评估将人工智能辅助诊断的实性结节分为实性结节组和实性非结节组，并记录结节的影像定量和定性参数进一步分析。

结果 单因素分析显示结节的位置、直径、形态、分叶征以及胸膜牵拉征在实性结节组和实性非结节组间的差异具有统计学意义（P＜0.05）；多因素回归分析显示结节的位置、形态以及直径是判断人工智能所筛实性结节的独立预测因素，该模型诊断实性小结节的受试者工作特征曲线下面积为0.927。

结论 综合AI诊断结果和结节的位置、形态以及直径可提高实性小结节诊断准确率、降低假阳性率，在缓解患者焦虑的同时可提升精准医疗以及个性化随访，对临床管理提供一定参考。

【关键词】人工智能；肺结节；辅助诊断；社区医院

1 前言

肺结节作为肺部疾病中一种常见的影像学表现，早期筛查、诊断对患者的临床管理至关重要[1]。人工智能（Artificial Intelligence，AI）辅助诊断技术的迅速发展为医学影像诊断带来了革命性的变革,其中涉及医学各个领域，以肺结节的早期筛查最为成熟[2]。众所周知，基于AI辅助诊断技术的计算机断层扫描（Computed Tomography, CT）筛查通过早期发现肺结节可降低死亡率，但存在很高的假阳性率问题[3, 4]。因此，如何帮助基层影像诊断医师合理应用AI辅助诊断技术，降低不必要的假阳性率至关重要。本研究旨在探讨如何提高基于AI辅助诊断技术的胸部CT筛查肺实性结节的准确性。

2 研究对象 

回顾性分析本社区2023年6月至2023年12月期间接受常规胸部CT检查的体检患者1657例。纳入标准为：（1）年龄≥18岁；（2）AI辅助诊断完成运算；（3）AI筛查为实性结节且直径＜1cm；排除标准为：（1）肺部肿瘤、感染、外伤；（2）肺气肿、肺纤维化; (3)磨玻璃结节；（4）图像质量差，伪影较重。最终入组患者160例，其中男性97例，女性63例，年龄为18～64岁，平均年龄为42.9±14.1岁。

3 研究方法

3.1 胸部CT扫描方案

采用东软63排CT螺旋扫描仪。患者仰面平卧双手环抱于头顶。扫描范围从锁骨水平至肺底。扫描条件：管电压100kV，管电流100~350mA，层厚5mm，螺距1.0，层间距1mm，扫描完成后数据自动上传至数坤小天使工作站进行自动运算。

3.2 影像学评估

由两名分别具有9年和15年丰富临床经验的影像诊断医生对所有AI辅助诊断筛出结节重新进行评估。主要包括结节的位置、形态、均匀度、是否有分叶、毛刺以及胸膜牵拉，当两者意见不统一时请示上级医生协商解决。

此外，两名医生采用双盲法分别测量结节的直径和密度，最后计算并记录两者测量的平均值。胸膜下结节定义为结节边缘距离胸膜10mm以内；实性非结节定义为结节状胸膜增厚和胸膜下小淋巴结。

3.3 数据分析及统计

统计学软件包：IBM SPSS 26.0。计量资料的正态性检验采用Kolmogorov-Smirnov,若服从正态分布则用独立样本t检验，以均数±标准差（x̄±sD）表示；不服从正态性分布则采取非参数检验，以中位数与四分位数间距[M(P25，P75)]表示。实性结节组和实性非结节组间的分类资料采用卡方检验及Fisher确切概率法。将单因素分析中P＜0.05的指标纳入多因素Logistic回归分析中，以P值＜0.05为两组间的差异具有统计学意义。

4 结果

共160例患者中，包括实性结节组124例,实性非结节组36例,两组间性别、年龄、结节的密度、均匀度以及毛刺征比较,差异均不具有统计学意义(P＞0.05)。表1中单因素分析结果显示：结节的位置、直径、形态、分叶征以及胸膜牵拉征在两组间的差异具有统计学意义。

Logistic多因素回归分析的结果见表2，显示结节位置、直径以及形态是诊断实性结节的独立预测因素。结合上述三种参数的模型诊断实性结节的受试者工作特征曲线下面积可达0.927。

5 讨论

肺结节是肺部最常见的疾病之一，病因尚未完全明确[5, 6]。近年来，随着人们健康意识的提高、医疗设备改进以及AI辅助诊断的应用，肺结节的检出率呈逐年上升趋势，朝着不断年轻化的发展势头，给人们的身心带来不必要的焦虑和恐慌[7, 8]。近期有学者研究[9]表明，3-5毫米的结节检出率为86.3%，6-10毫米结节检出率为95.7%。AI对肺结节的诊断具有重要价值和挑战。众所周知，AI通过分析CT扫描图像来识别和定位肺结节，快速生成结节的特征报告，提高诊断效率和准确性。然而，AI算法需要大量高质量的医学影像数据进行训练，而数据的获取和标注需要耗费大量人力和时间。因此，市面上的大多数肺结节AI筛查软件无法完全替代医生进行诊断，存在对肺结节敏感性高、特异性不足的问题。

本研究对160例AI筛查为实性结节患者进行回顾分析，经过两名经验丰富的影像诊断医生的重新评估，发现有实性结节120例，占总数75%，胸膜结节状增厚及胸膜下小淋巴结等实性非结节36例，占总数25%，即AI辅助诊断肺结节假阳性率依然很高，达25%。针对本研究中假阳性率高于日常工作中的情况，认为可能是由于本研究只纳入AI诊断为实性结节的患者，排除了磨玻璃结节的患者。研究结果发现，年龄、性别对AI诊断肺结节的准确率影响不大，而结节的位置、直径、形态以及边缘对AI诊断的影响较大，这也与肉眼识别肺结节的条件相似。胸膜下分布的结节容易与胸膜结节状增厚和胸膜下小淋巴结等混淆，而结节直径较小可能会与肺小血管及细支气管相似。此外，圆形或类圆形多认为是肺结节，胸膜下呈三角形多为小淋巴结。而边缘呈分叶状和胸膜牵拉多为实性结节所致，既往研究[10]也表明，AI的识别率与结节边缘有关。

AI在各个领域都有广泛的应用，尤其是医疗诊断领域[11]。AI是指通过模拟、延伸和扩展人类智能的理论、方法、技术和应用系统，以实现机器能够感知、理解、学习、推理、决策和行动的能力。AI的目标是使机器能够像人类一样具有智能，能够模拟人类的认知能力和行为，从而实现自主地完成各种复杂任务和问题解决。AI包括很多不同的技术和方法，包括机器学习、深度学习、自然语言处理、计算机视觉等。这些技术使得机器能够从数据中学习并做出预测、识别模式，从而实现智能化的决策和行为。总的来说，AI是一门研究如何使机器能够具有智能的学科，旨在模拟、延伸和扩展人类的智能能力，以实现更智能的机器和系统。医学诊断领域中，利用AI算法检测诊断肺结节是AI应用医学领域的重要部分，且展现出一定的优越性[12]。

肺结节作为肺内最常见病变之一，有些结节可能是早期肺癌的征兆[13]。肺结节早筛能够及时发现患者体内的肺结节，避免患者进展到晚期肺癌需要更加昂贵和复杂的治疗，为患者提供个性化的治疗方案，能够帮助患者获得更好的治疗效果和生存质量。此外，还可以预防和健康管理高风险人群。因此，肺结节早筛在肺癌防治中具有重要的临床和社会意义。目前，社区医院基于AI辅助诊断下胸部CT筛选提高了肺结节的诊断效率，但也存在假阳性率高和过度诊断的问题。日常工作中不难发现，肺结节的筛查逐步呈精细化、年轻化的趋势发展。结合临床工作经验和发现的问题，本研究通过回顾性分析AI诊断实性小结节与影像医生的诊断进行比较、分析，探讨AI诊断为实性结节存在假阳性的因素有哪些，可以为经验不足的低年资影像诊断医生提供一定的参考价值。

6 结论

综合AI诊断结果和结节的位置、形态以及直径可提高实性小结节的准确性、降低假阳性率，在缓解患者焦虑的同时可提升精准医疗以及个性化随访，对临床管理提供一定参考。 

表1实性结节与实性非结节的患者基线资料及影像学特征

*，P＜0.05.

表2区分实性结节与实性非结节的多因素logistic回归分析

OR，比值比；CI，置信区间；*，P＜0.05. 

图1 AI联合影像学参数诊断实性结节的ROC曲线

参考文献 

[1] ZHANG N, LIN J, HUI B, et al. Lung Nodule Segmentation and Recognition Algorithm Based on Multiposition U-Net [J]. Comput Math Methods Med, 2022, 2022: 5112867.

[2] CHEN Y, TIAN X, FAN K, et al. The Value of Artificial Intelligence Film Reading System Based on Deep Learning in the Diagnosis of Non-Small-Cell Lung Cancer and the Significance of Efficacy Monitoring: A Retrospective, Clinical, Nonrandomized, Controlled Study [J]. Comput Math Methods Med, 2022, 2022: 2864170.

[3] CHOI Y, QU J, WU S, et al. Improving lung cancer risk stratification leveraging whole transcriptome RNA sequencing and machine learning across multiple cohorts [J]. BMC medical genomics, 2020, 13(Suppl 10): 151.

[4] ZHENG D, ZHU Y, ZHANG J, et al. Identification and evaluation of circulating small extracellular vesicle microRNAs as diagnostic biomarkers for patients with indeterminate pulmonary nodules [J]. Journal of nanobiotechnology, 2022, 20(1): 172.

[5] LIU H, YAO X, XU B, et al. Efficacy and Safety Analysis of Multislice Spiral CT-Guided Transthoracic Lung Biopsy in the Diagnosis of Pulmonary Nodules of Different Sizes [J]. Comput Math Methods Med, 2022, 2022: 8192832.

[6] HUANG M, LI S, WU X, et al. An isolated pulmonary nodule secondary to Streptococcus intermedius infection in an otherwise healthy 10-year-old boy: A case report and literature review [J]. Frontiers in pediatrics, 2022, 10: 921258.

[7] JIANG J, LV Z M, LV F J, et al. Clinical and Computed Tomography Characteristics of Solitary Pulmonary Nodules Caused by Fungi: A Comparative Study [J]. Infection and drug resistance, 2022, 15: 6019-28.

[8] WANG S, SHI Y, CHEN H, et al. Pulmonary function protection by single-port thoracoscopic segmental lung resection in elderly patients with IA non-small cell lung cancer: A differential matched analysis [J]. Medicine, 2023, 102(17): e33648.

[9] SANCHEZ F, TYRRELL P N, CHEUNG P, et al. Detection of solid and subsolid pulmonary nodules with lung MRI: performance of UTE, T1 gradient-echo, and single-shot T2 fast spin echo [J]. Cancer Imaging, 2023, 23(1): 17.

[10] PAN W, FANG X, ZANG Z, et al. Diagnostic efficiency of artificial intelligence for pulmonary nodules based on CT scans [J]. American journal of translational research, 2023, 15(5): 3318-25.

[11] LI M, WANG Q, LU P, et al. Development of a Machine Learning-Based Prediction Model for Chemotherapy-Induced Myelosuppression in Children with Wilms' Tumor [J]. Cancers (Basel), 2023, 15(4).

[12] ZIEGELMAYER S, GRAF M, MAKOWSKI M, et al. Cost-Effectiveness of Artificial Intelligence Support in Computed Tomography-Based Lung Cancer Screening [J]. Cancers (Basel), 2022, 14(7).

[13] WANG Q, ZHOU Y, HUANG J, et al. Cascaded-Recalibrated Multiple Instance Deep Model for Pathologic-Level Lung Cancer Prediction in CT Images [J]. Computational intelligence and neuroscience, 2022, 2022: 9469234.