周 围,胡富碧,刘亚斌,朱 静,吴少平
成都医学院第一附属医院 放射科 (成都 610500)
近年来,随着人们生活水平和健康意识的不断提高及胸部低剂量CT扫描的广泛应用[1],越来越多的肺磨玻璃结节(ground-glass nodule,GGN)被发现,但对其定性诊断仍很困难。人工智能(artificial intelligence, AI)辅助诊断系统可快速自动识别和标记肺内GGN并进行定量分析。既往研究[2-4]证实AI具有较高的肺结节检出价值,能有效提高医师的工作效率。如果能够利用AI定量参数分析预测恶性GGN的侵袭性,将有利于患者的术前评估和预后判断,具有重要的临床意义。
回顾性分析2018年1月至2019年8月经成都医学院第一附属医院放射科CT表现为GGN并经手术病理证实为肺腺癌患者48例,共计54枚GGN,包括不典型瘤样增生(denomatous atypical hyperplasia, AAH)、原位癌(adenocarcinoma in situ, AIS)、浸润腺癌(minimal invasive adenocarcinoma, MIA)和浸润性腺癌(invasive adenocarcinoma, IAC)。按照2011年国际多学科推出的肺腺癌分类标准[5],将54枚GGN分为非浸润性腺癌组(AAH/AIS组,n=21)和浸润性腺癌组(MIA/IAC组,n=33)。纳入标准:1)至少包含1枚磨玻璃密度结节并≤3 cm;2)具有符合AI诊断的胸部CT薄层图像原始数据,图像层厚≤1.5 mm。排除标准:不符合AI诊断的胸部CT图像。48例患者中女34例,男14例,年龄(58±9)岁,单个患者GGN数量最多3个。
将54枚GGN导入由深睿医疗公司提供的基于深度学习模型的AI软件(Dr.wise,版本:1.19.2.16)中,AI自动对GGN进行识别、标记和特征定量分析,记录每个GGN定量参数分析结果,包括:GGN的平均CT值(Hu)、3D长径(mm)、体积(mm3)、表面积(mm2)、最大面面积(mm2)、紧凑度、球形度。
采用MedCalc软件包(19.0.4)进行数据分析。各组间定量参数满足正态分布则采用独立样本t检验,如果不满足正态分布则采用Mann-WhitneyU检验。……