Application of artificial intelligence-assisted pulmonary nodule screening and qualitative diagnosis
-
摘要:目的 探讨人工智能(AI)辅助诊断软件在胸部低剂量CT肺结节筛查及定性诊断的临床研究与应用价值。方法 回顾性分析病理确诊的103例肺结节患者的临床资料，将103例肺结节患者术前的胸部低剂量CT图像导入杏脉锐影肺结节AI分析软件中，采用AI及放射医师阅片的方法筛查肺结节并进行良恶性诊断，将AI辅助诊断软件与放射医师对肺结节的筛查情况进行比较，并以病理诊断为金标准，分析AI辅助诊断软件与放射医师诊断的准确性。结果 103例患者胸部低剂量CT共筛查出258个结节, AI辅助软件与放射医师检出肺结节的敏感度分别为96.12%、89.53%, 阳性预测值分别为95.00%、100.00%; AI辅助诊断软件筛查检出肺结节的假阳性率为5.00%, 放射医师未检查出假阳性肺结节。AI辅助诊断软件与放射医师对肺结节的筛查能力比较，差异有统计学意义(P < 0.05)。103例肺结节患者病理检查共诊断出108个肺结节, AI辅助诊断软件及放射医师诊断肺结节的敏感度分别为95.35%、91.86%，特异度分别为72.73%、81.82%。结论 AI辅助诊断软件在肺结节筛查检出及恶性结节诊断方面具有较高的准确性，但肺结节良恶性鉴别准确率低于放射医师。因此, AI辅助诊断软件可作为一种辅助手段与放射医师诊断相结合来提高肺结节的总体诊疗效能。
-
关键词:
- 人工智能辅助诊断软件 /
- 低剂量计算机断层扫描 /
- 肺结节 /
- 良恶性 /
- 筛查 /
- 定性诊断
Abstract:Objective To explore the clinical research and application value of artificial intelligence (AI) aided diagnosis software in lung nodule screening and qualitative diagnosis of CT screening of chest low-dose CT.Methods The clinical data of 103 patients with pulmonary nodules diagnosed by pathology were analyzed retrospectively. The preoperative chest low-dose CT images of 103 patients with pulmonary nodules were imported into the AI analysis software of apricot pulse sharp shadow pulmonary nodules. The methods of AI and radiologists′film reading were used to screen pulmonary nodules and make benign and malignant diagnosis. The AI aided diagnosis software was compared with the screening of pulmonary nodules by radiologists, and the pathological diagnosis was taken as the gold standard, the accuracy of AI aided diagnosis software and radiologist diagnosis was analyzed.Results A total of 258 nodules were detected by chest low-dose CT in 103 patients. The sensitivity of pulmonary nodules detected by AI assistant software and radiologist were 96.12% and 89.53%, respectively, the positive predictive values were 95.00% and 100.00%, respectively, the false positive rate of pulmonary nodules detected by AI assisted diagnostic software was 5.00%, and radiologists did not detect false positive pulmonary nodules. There was significant difference between AI aided diagnosis software and radiologists in screening ability of pulmonary nodules (P < 0.05). A total of 108 nodules were diagnosed by pathological examination in 103 patients with pulmonary nodules, the sensitivity of AI aided diagnosis software and radiologists in diagnosing pulmonary nodules were 95.35% and 91.86%, respectively, and the specificities were 72.73% and 81.82%, respectively.Conclusion AI aided diagnosis software has high accuracy in the screening and detection of pulmonary nodules and the diagnosis of malignant nodules, but the accuracy of differentiating benign from malignant pulmonary nodules is lower than that of radiologists. Therefore, AI aided diagnosis software as an auxiliary approach can be combined with diagnosis of radiologists to improve the overall diagnosis and treatment efficiency of pulmonary nodules. -
直肠癌是常见的消化系统恶性肿瘤，具有较高的发病率，患病人群主要集中在中老年人群[1]。近年来，中国直肠癌的发病情况呈逐年上升化、年轻化的趋势，这可能是由脂肪摄入量不断上升造成的[2]。研究[3]表明不良的饮食习惯和错误的饮食结构是导致直肠癌发生的重要原因。腹腔镜手术因具有创伤小、术后疼痛轻、术后恢复快等优点而被广泛应用于临床治疗，腹腔镜直肠癌全系膜切除术结合了微创手术的优越性，因此被定义为直肠癌手术治疗的金标准[4-5]。然而，患者术后排尿功能障碍等相关并发症会给手术的治疗效果及术后恢复造成不良影响[6]。本研究分析腹腔镜直肠癌全系膜切除术后排尿功能障碍的危险因素，现报告如下。
1. 资料与方法
1.1 一般资料
回顾性分析2018年10月—2022年10月收治的92例直肠癌患者的临床资料，其中男49例，女43例，年龄33~71岁，平均(56.73 ±7.68)岁，平均体质量指数(BMI)为(24.74±3.35) kg/m2。采用随机数字法将患者以3∶1的比例分为训练集69例和验证集23例，分别用于构建术后排尿功能障碍的预测模型和模型验证。训练集患者平均年龄(56.34±7.25)岁，平均BMI为(24.98±3.51) kg/m2, 根据术后膀胱残余尿量情况又分为排尿功能障碍组22例和排尿功能正常组47例。验证集患者平均年龄(57.12±7.81)岁，平均BMI为(24.50±3.11) kg/m2。训练集与验证集患者一般资料比较，差异无统计学意义(P > 0.05)。纳入标准: ①符合直肠癌诊断标准者[7]; ②采用腹腔镜直肠癌全系膜切除术治疗者; ③术前排尿功能正常者。排除标准: ①中转开腹的患者; ②合并其他恶性肿瘤的患者; ③肿瘤远端转移并侵犯临近脏器的患者。
1.2 方法
1.2.1 手术方法:
手术采取传统5孔法进行，即脐上(观察孔)，左、右腹直肌外(操作孔)，左侧麦氏点(牵引结肠)以及右侧麦氏点处(主操作孔); 建立人工气腹，根据直肠癌全系膜切除术原则分离肠系膜，期间注意保护神经丛和输尿管，将Denonvilliers筋膜与肿瘤病灶全部切除，切除范围不低于肿瘤远端直肠系膜5 cm。
1.2.2 观察指标:
收集患者的一般资料，包括性别、年龄、BMI、病程、是否患有高血压及糖尿病，术前是否进行放疗、是否存在淋巴结转移、直肠前壁分离，同时记录肿瘤位置、肿瘤直径、病理类型、病理分期、淋巴结切除数量、盆腔自主神经受损情况、手术方式、术中视野、出血量、手术时间、术后拔尿管时间以及是否发生吻合口瘘。
1.2.3 排尿功能评价:
术后2周时，依据膀胱残余尿量评估患者排尿功能[8]。残余尿量 < 50 mL为排尿功能正常，残余尿量≥50 mL为排尿功能障碍。
1.3 统计学分析
采用SPSS 23.0统计软件进行数据分析，计量资料以均数±标准差表示，组间比较采用t检验; 计数资料采用[n(%)]表示，组间比较采用χ2检验。采用多因素Logistic回归模型确定患者术后排尿功能障碍的独立风险预测因子。构建列线图模型，采用受试者工作特征(ROC)曲线和校准曲线对列线图预测模型进行检验。采用递归分割分析(RPA)法建立危险分层系统，并通过不同手术方式进行亚组分析。在不同手术方式内，采用Kaplan-Meier法绘制排尿功能障碍发生率曲线，并采用Log-rank检验对排尿功能障碍发生率曲线进行比较。检验水准α=0.05, P < 0.05为差异有统计学意义。
2. 结果
2.1 临床资料比较
训练集69例患者中, 22例(31.88%)术后排尿功能障碍; 分析结果显示，术后排尿功能障碍与性别、年龄、糖尿病、术前放疗、肿瘤位置、淋巴结切除数量、盆腔自主神经受损情况、手术方式有相关性(P < 0.05)。见表 1。
表 1 训练集中排尿功能障碍与正常患者的临床资料的单因素分析(x±s)[n(%)]临床资料 分类 排尿功能障碍组(n=22) 排尿功能正常组(n=47) t/χ2 P 性别 男 18(81.82) 20(42.55) 9.338 0.002 女 4(18.18) 27(57.45) 年龄 > 55岁 17(77.27) 21(44.68) 6.433 0.011 ≤55岁 5(22.73) 26(55.32) 体质量指数/(kg/m2) 24.79±3.09 25.17±3.24 0.668 0.505 病程/月 2.47±1.24 2.62±1.33 0.647 0.519 高血压 是 6(27.27) 18(38.30) 0.803 0.370 否 16(72.73) 29(61.70) 糖尿病 是 18(81.82) 22(46.81) 7.539 0.006 否 4(18.18) 25(53.19) 术前放疗 是 12(54.55) 11(23.40) 6.540 0.011 否 10(45.45) 36(76.60) 淋巴结转移 是 3(13.64) 6(12.77) 0.010 0.920 否 19(86.36) 41(87.23) 直肠前壁分离 是 7(31.82) 14(29.79) 0.029 0.864 否 15(68.18) 33(70.21) 肿瘤位置 高位 8(36.36) 35(74.47) 9.266 0.002 中低位 14(63.64) 12(25.53) 肿瘤直径 > 5 cm 5(22.73) 9(19.15) 0.119 0.731 ≤5 cm 17(77.27) 38(80.85) 病理类型 高分化腺癌 4(18.18) 10(21.28) 0.091 0.956 中低分化腺癌 15(68.18) 31(65.95) 黏液腺癌 3(13.64) 6(12.77) 病理分期 Ⅰ期 4(18.18) 9(19.15) 0.656 0.883 Ⅱ期 9(40.91) 15(31.91) Ⅲ期 7(31.82) 19(40.43) Ⅳ期 2(9.09) 4(8.51) 淋巴结切除数量/个 12.07±2.13 9.24±1.54 8.891 < 0.001 盆腔自主神经受损 是 19(86.36) 19(40.43) 12.781 < 0.001 否 3(13.64) 28(59.57) 手术时间/min 180.86±6.67 182.49±6.83 1.348 0.180 手术方式 Dixon术 8(36.36) 37(78.72) 11.854 0.001 Miles术 14(63.64) 10(21.28) 出血量/mL 284.46±6.55 282.73±6.49 1.487 0.139 术中视野 模糊 9(40.91) 21(44.68) 0.087 0.768 良好 13(59.09) 26(55.32) 术后拔尿管时间 > 5 d 11(50.00) 13(27.66) 3.297 0.069 ≤5 d 11(50.00) 34(72.34) 吻合口瘘 发生 2(9.09) 9(19.15) 1.131 0.288 未发生 20(90.91) 38(80.85) 2.2 多因素分析
将单因素分析中有统计学意义的指标纳入多因素分析，结果显示性别、年龄、糖尿病、术前放疗、肿瘤位置、淋巴结切除数量、盆腔自主神经受损情况、手术方式均是患者术后排尿功能障碍的独立影响因素(P < 0.05), 见表 2。
表 2 多因素Logistic回归分析变量 β SE Wald χ2 OR(95%CI) P 性别 0.197 0.627 1.923 6.075(1.779~20.744) 0.004 年龄 0.199 0.587 1.729 4.210(1.331~13.309) 0.014 糖尿病 0.185 0.625 1.748 5.114(1.501~17.418) 0.009 术前放疗 0.328 0.550 2.331 3.927(1.338~11.531) 0.013 肿瘤位置 0.297 0.555 2.492 5.104(1.719~15.156) 0.003 淋巴结切除数量 0.183 0.687 1.933 7.841(2.040~30.145) 0.003 盆腔自主神经受损 0.196 0.689 2.136 9.333(2.420~35.997) 0.001 手术方式 0.324 0.569 2.991 6.475(2.124~19.740) 0.001 2.3 模型构建
将多因素Logistic回归分析中有统计学意义的变量纳入列线图预测模型，通过每个变量对应得分，计算个体风险评分总分，并预测个体患者术后排尿功能障碍发生概率，见图 1。例如，某例患者为男性、年龄>55岁、未合并糖尿病、术前未接受放疗、肿瘤位置为低位、淋巴结切除数量较少、盆腔自主神经受损、手术方式为Dixon术，对应的总分为18+15+0+0+52+0+79+0=164分，列线图风险预测值约为78%。
2.4 模型评价
2.4.1 区分度评价:
训练集和验证集的曲线下面积(AUC)分别为0.843(95%CI: 0.788~0.898, P < 0.001)和0.801(95%CI: 0.740~0.862, P < 0.001), 曲线的特异度分别为92.94%、92.56%, 敏感度分别为92.37%、91.86%, 表明本模型的区分度良好，见图 2。
2.4.2 校准度评价:
绘制校正曲线，结果显示训练集和验证集的一致性指数(C-index)分别为0.896(95%CI: 0.841~0.944, P < 0.001)和0.874(95%CI: 0.819~0.923, P < 0.001), 见图 3。
2.5 危险分层系统
采用RPA以产生树型结构模型，树形算法在建模队列中展开，将所有患者分为4个危险分组: 极低风险组(总分 < 138分)、低风险组(总分138~ < 216分)、中风险组(总分216~ < 274分)和高风险组(总分≥274分)，见图 4。在不同手术方式中验证该危险分层系统，结果显示在2种手术方式内，该危险分层系统均能对患者术后排尿功能障碍概率进行区分(P < 0.05), 见图 5。
3. 讨论
直肠癌的发生发展与不健康的生活方式、不良饮食习惯、肥胖及遗传等因素密切相关[9], 其早期临床症状不明显，当发生肿瘤感染或破裂时，会出现便血等临床表现[10]。若不及时接受手术治疗，会严重威胁患者的身体健康和生命安全。腹腔镜直肠癌全系膜切除术是目前临床上治疗直肠癌的首选方案[11], 但术后极易引发排尿功能障碍等并发症，而长期排尿功能障碍则会引起患者肾脏病变，不利于患者术后康复[12]。
本研究结果显示，性别、年龄、是否患有糖尿病、术前是否进行放疗、肿瘤位置、淋巴结切除数量、盆腔自主神经受损情况、手术方式均是影响患者术后排尿功能障碍的独立危险因素。与女性盆腔相比，男性盆腔更狭窄，且盆丛神经更接近直肠，手术操作难度更大，术中造成盆丛神经损伤的风险更高，因而术后排尿功能障碍的发生率高于女性[13-14]。随着患者年龄的增长，机体排尿功能发生退行性改变，从而导致术后排尿功能障碍的发生率上升，同时高龄患者免疫力减弱，术后发生并发症的概率更高[15]。有研究[16-19]指出，合并糖尿病的直肠癌患者术后发生排尿功能障碍的风险明显升高，其原因可能是糖尿病造成的机体高血糖状态容易对盆腔神经组织造成损伤，降低盆腔自主神经敏感性，而盆腔自主神经受损又会造成患者排尿感知减退，是导致患者术后排尿功能障碍的主要原因。研究[20-22]表明，放疗会导致膀胱、前列腺、尿道括约肌等组织纤维化，对患者排尿功能产生不良影响。术中淋巴结清扫数量多、范围大也是导致盆腔自主神经损伤的重要原因[23]。肿瘤位置也是影响患者术后排尿功能的重要因素，肿瘤位置越低，手术切除范围越靠近盆底，对盆丛神经造成损伤的可能性越大，同时肿瘤位置也是决定手术方式的重要因素，肿瘤位置距离肛缘较远的患者一般可以采用Dixon术进行保肛治疗，以减轻对盆腔自主神经的损伤[24-25]。与Miles术相比, Dixon术可较好地保留完整肛管、会阴，对患者排尿反射系统影响较小，尽可能减少对盆腔自主神经功能的损伤，以降低排尿功能障碍的发生率[26-28]。
本研究在单因素、多因素分析的基础上，针对上述危险因素建立列线图预测模型。ROC曲线以及校准曲线分析结果显示，该预测模型的区分度和准确度均较高，可为临床预测患者术后排尿功能障碍情况提供帮助。危险分层系统将所有患者分为4个危险分组，即极低风险组(总分 < 138分)、低风险组(总分138~ < 216分)、中风险组(总分216~ < 274分)和高风险组(总分≥274分)。不同手术方式对危险分层系统区分度的验证结果显示，该危险分层系统区分度良好，对预测患者术后排尿功能障碍有积极作用，并且对临床上采取相应措施保护患者正常的排尿功能具有一定的指导作用。
本研究也有不足之处，例如影响直肠癌全系膜切除患者术后排尿功能障碍的因素较多，本研究纳入的影响因素尚不全面，得到的结果也可能因为样本量不足而产生偏差，还需扩大样本量并纳入更多的可能影响因素以进行更为全面的分析。
综上所述，性别、年龄、是否患有糖尿病、术前是否进行放疗、肿瘤位置、淋巴结切除数量、盆腔自主神经受损情况、手术方式是腹腔镜直肠癌全系膜切除术后排尿功能障碍的影响因素。本研究建立的列线图预测模型能有效预测直肠癌全系膜切除患者术后排尿功能障碍的情况，且基于该模型的危险分层系统对区分患者术后排尿功能障碍情况具有一定的临床价值。
-
![]()
图 1 典型病例CT图像
A: 左肺上叶舌段血管聚集处(男，44岁, AI诊断为假阳性); B: 左肺上叶舌段胸膜增厚(女, 46岁, AI诊断为假阳性); C: 右肺下叶磨玻璃结节(女, 51岁，结节直径约4 mm, 放射医师漏诊，由AI检出); D: 左肺斜裂侧壁胸膜近血管旁结节(直径约4 mm, 放射医师漏诊，由AI检出)。
![]()
图 2 典型病例CT图像、HE染色病理图
A、B: 右肺下叶良性结节(女，48岁, AI辅助软件误诊为高危，病理学检查确诊为错构瘤, HE染色病理图放大40倍); C、D: 左肺上叶恶性结节(女, 68岁, AI辅助软件诊断准确，病理学检查确诊为腺癌, HE染色病理图放大40倍)。
表 1 AI与放射医师对真性肺结节筛查能力的比较[n(%)]
阅片方式 阳性 阴性 AI辅助诊断软件阅片 248(96.12) 10(3.88) 放射医师阅片 231(89.53)* 27(10.47)* 与AI阅片比较, *P < 0.05。 
下载: 导出CSV
表 2 AI与放射医师对肺结节诊断效能比较
% 阅片方式 敏感度 特异度 阳性预测值 阴性预测值 χ2 P AI辅助诊断软件阅片 95.35 72.73 93.18 80.00 0.100 0.752 放射医师阅片 91.86 81.82 95.18 72.00 0.364 0.547
下载: 导出CSV
-
[1] CHRISTIE J R, LANG P, ZELKO L M, et al. Artificial intelligence in lung cancer: bridging the gap between computational power and clinical decision-making[J]. Can Assoc Radiol J, 2021, 72(1): 86-97. doi: 10.1177/0846537120941434
[2] TANDON Y K, BARTHOLMAI B J, KOO C W. Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules[J]. J Thorac Dis, 2020, 12(11): 6954-6965. doi: 10.21037/jtd-2019-cptn-03
[3] JOY MATHEW C, DAVID A M, JOY MATHEW C M. Artificial Intelligence and its future potential in lung cancer screening[J]. Excli J, 2020, 19: 1552-1562.
[4] MOLDOVANU D, DE KONING H J, VAN DER AALST C M. Lung cancer screening and smoking cessation efforts[J]. Transl Lung Cancer Res, 2021, 10(2): 1099-1109. doi: 10.21037/tlcr-20-899
[5] MESA- GUZMÁN M, GONZÁLEZ J, ALCAIDE A B, et al. Surgical outcomes in a lung cancer-screening program using low dose computed tomography[J]. Arch Bronconeumol, 2021, 57(2): 101-106. doi: 10.1016/j.arbres.2020.03.026
[6] SATHYAKUMAR K, MUNOZ M, SINGH J, et al. Automated lung cancer detection using artificial intelligence (AI) deep convolutional neural networks: a narrative literature review[J]. Cureus, 2020, 12(8): e10017.
[7] OUDKERK M, LIU S Y, HEUVELMANS M A, et al. Lung cancer LDCT screening and mortality reduction-evidence, pitfalls and future perspectives[J]. Nat Rev Clin Oncol, 2021, 18(3): 135-151. doi: 10.1038/s41571-020-00432-6
[8] PINSKY P. Artificial intelligence and data mining to assess lung cancer risk: challenges and opportunities[J]. Ann Intern Med, 2020, 173(9): 760-761. doi: 10.7326/M20-5673
[9] ATHER S, KADIR T, GLEESON F. Artificial intelligence and radiomics in pulmonary nodule management: current status and future applications[J]. Clin Radiol, 2020, 75(1): 13-19. doi: 10.1016/j.crad.2019.04.017
[10] 戴正行, 胡春洪, 王希明, 等. 基于DenseNet网络深度学习法CT图像人工智能分析技术判断肺结节良恶性[J]. 放射学实践, 2020, 35(4): 484-488. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202004020.htm [11] BINCZYK F, PRAZUCH W, BOZEK P, et al. Radiomics and artificial intelligence in lung cancer screening[J]. Transl Lung Cancer Res, 2021, 10(2): 1186-1199. doi: 10.21037/tlcr-20-708
[12] 王亮, 许迪, 孙丹丹, 等. 人工智能辅助软件可提升疲劳状态下放射科规培医师对肺结节的检测效能[J]. 放射学实践, 2021, 36(4): 475-479. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS202104017.htm [13] 彭志强, 郭静波, 邓晓, 等. 人工智能在肺小结节诊断中的临床研究与应用[J]. 中国医学装备, 2021, 18(9): 42-46. https://www.cnki.com.cn/Article/CJFDTOTAL-YXZB202109011.htm [14] 李欣菱, 郭芳芳, 周振, 等. 基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 中国肺癌杂志, 2019, 22(6): 336-340. https://www.cnki.com.cn/Article/CJFDTOTAL-FAIZ201906002.htm [15] PRAYER F, RÖHRICH S, PAN J, et al. Künstliche Intelligenz in der Bildgebung der Lunge[Artificial intelligence in lung imaging][J]. Radiologe, 2020, 60(1): 42-47. doi: 10.1007/s00117-019-00611-2
[16] 蔡雅倩, 张正华, 韩丹, 等. AI对肺磨玻璃结节筛查及定性的临床应用研究[J]. 放射学实践, 2019, 34(9): 958-962. https://www.cnki.com.cn/Article/CJFDTOTAL-FSXS201909008.htm [17] 赵呈华. 人工智能辅助诊断系统联合CT检查肺结节的诊断价值[J]. 实用临床医药杂志, 2020, 24(19): 9-11. doi: 10.7619/jcmp.202019003
计量
- 文章访问数: 369
- HTML全文浏览量: 193
- PDF下载量: 54
苏公网安备 32100302010246号
