人工智能识别结合DenseNet网络模型CT在亚实性肺结节诊断中应用

何舜东，胡子良，欧阳林，张梦珊

联勤保障部队第909医院（厦门大学附属东南医院）1放射诊断科，2肿瘤放疗科，福建 漳州363000

肺癌是全球发病率（11.6%）和死亡率（18.4%）第1位的恶性肿瘤，对肺癌病灶进行早期筛查是降低死亡率的主要方式［1］。目前每年通过胸片或CT检查发现肺部有结节的人群逐渐增多，亟需早期和准确诊断的新方法［2］。随着人工智能识别结合DenseNet网络模型CT的新技术应用于肺结节的筛查［3］，医生能更准确地检出微小肺结节，可在一定程度上避免对可疑肺结节的漏诊；但目前，回顾性分析患者肺结节诊断准确率这一方面尚需探讨。此外，DenseNet网络模型需要大量的培训数据、时间和开发资源，而不是简单但仍然有效的模型，我们仍需探索对下一代计算机辅助诊断将肿瘤信息与其他肺结构结合起来的需求的综合分析，这可能会对目标疗法和个性化药物产生重大影响。基于人工智能的肺癌评估方法能够进行整体分析，从涉及癌症发展的病理过程中获取信息人工智能模型，识别癌症发展的新型生物标志物，有助于发现病理过程中的新见解，并做出更准确的诊断以帮助选择治疗方案。通过深度学习算法能够提取影像图像上肺结节的主要特征，预测病变性质［4-5］。本文旨在探讨人工智能识别结合DenseNet网络模型CT在亚实性肺结节诊断中应用。

1 资料与方法

1.1 一般资料

回顾性分析2018年6月～2019年12月于本院经CT检查为亚实性肺结节的98例患者作为研究对象。纳入标准：符合亚实性肺结节诊断标准［6］；至少存在1个肺亚实性肺结节；接受CT检查前未进行病理活检、手术以及放疗等；CT图像尚未存在影响结节的明显伪影；有完整的临床病例与CT影像资料；排除标准：伴随肺不张以及胸腔积液等症状；薄层CT图像缺乏层厚≤1.00；CT图像存在金属伪影；弥漫性肺疾病患者；磨玻璃密度结节。

98例患者中，良性病变46例，恶性病变52例。直径≤10 mm组患者32例，年龄25～74（52.07±5.14）岁；10 mm＜直径≤20 mm组患者33例，年龄27～78（52.46±4.92）岁；直径＞20 mm 组患者33 例，年龄28～79（53.12±5.31）岁。患者一般资料的差异无统计学意义，具有可比性。本研究已通过医院伦理学审查，所有参与患者及家属均签署知情同意书。

1.2 方法

全部患者进行CT 平扫。使用层螺旋CT 机（GE Lightspeed 16）、Sliemens Somatom Sensation 64 层螺旋CT机以及宝石能谱CT模式进行平扫及增强扫描。范围从肺尖至肺底进行扫描，参数：层厚5.0～7.0 mm，层距8.0 mm，管电压120 kV，管电流110～450 mAs。扫描结束后，对病灶部位行肺窗薄层CT 重建，层厚0.75～1.00 mm。使用DenseNet-BC网络，通过随机实验对所有样本进行训练及测试。

1.3 观察指标

1.3.1 恶性概率的预测值 比较并分析人工智能对肺结节不同直径患者的恶性概率的预测值，测试诊断方面的敏感性、特异性以及符合率。

1.3.2 3组图像间亚实性肺结节的CT值、体积 比较并分析人工智能对肺结节不同直径患者的CT平扫、增强动脉期及延迟期中的CT值。

1.3.3 特异性、敏感度及符合率 比较并分析人工智能对肺结节不同直径患者测试诊断方面的敏感性、特异性及符合率。

1.4 统计学分析

采用SPSS20.0软件对数据进行统计分析，计量资料以均数±标准差表示，组间比较行F检验，各组CT值体积差异的比较行Wilcoxon非参数检验。对计数资料的所有数据进行加权，若样本量大于5，组间比较采用χ2检验；若样本量小于5，则采用Fisher精确检验，并对组间病变诊断其敏感度和特异性。以P＜0.05为差异有统计学意义。

2 结果

2.1 恶性概率的预测值

不同直径组各期的恶性概率比较，差异均有统计学意义（P＜0.05），3 组间比较差异均有统计学意义（P＜0.05），每组内平扫和动脉期、平扫和延迟期恶性概率预测值比较，差异无统计学意义（P＞0.05，表1）。

表1 3组间恶性概率的预测值比较Tab.1 The comparison of predictive value of malignant probability between 3 groups(%)

2.2 图像间亚实性肺结节的CT值比较

不同直径组各期的CT值比较，差异均有统计学意义（P＜0.001），3组间的差异均有统计学意义（P＜0.05，表2）。

表2 3组图像间SN的CT值比较Tab.2 Comparison of CT values of SN among the three groups of images(Hu,Mean±SD)

2.3 图像间SN的体积比较

不同直径组各期的SN的体积比较，差异有统计学意义（P＜0.05），3组组间差异均有统计学意义（P＜0.05，表3）。

表3 3组图像间SN的体积比较Tab.3 Comparison of volume of SN among the three groups of images(mm3,Mean±SD)

2.4 特异性、敏感度及符合率

直径≤10 mm 患者中，人工智能组的敏感度为94.61%，特异性（93.12%）和符合率（92.08%）均高于传统人工读片组（P＜0.05）；10 mm＜直径≤20 mm和直径＞20 mm患者中，人工智能组的诊断敏感度与人工读片组间差异无统计学意义（P＞0.05），但诊断特异性及符合率均高于人工读片组（P＜0.05，表4）。

表4 3组的特异性、敏感度及符合率Tab.4 Specificity,sensitivity and coincidence rate among the three groups(%)

3 讨论

图1 患者右肺上叶亚实性肺结节，人工智能识别结合DenseNet网络模型CT分别在平扫（A）、动脉期（B）以及延迟期（C）图像自动预测恶性概率为89.31%、78.34%以及69.98%Fig.1 The probability of automatic prediction of malignancy was 89.31%,78.34% and 69.98% respectively in plain scan (A),arterial phase (B) and delayed phase (C) images by artificial intelligence recognition combined with DenseNet network model CT.

人工智能技术（DenseNet网络模型CT）可以在短时间内处理和学习大量数据，并且可以模仿人类肉眼无法观察到的图像信号。研究报道，将人工智能纳入放射学领域可更早、更准确地检测疾病，从而改善预后［7-8］。人类肉眼对于直径较小且无明确指征的肺结节较难判断其良恶性，常会漏诊和误诊；而DenseNet网络模型CT具备分辨率高及对较小的肺结节识别率高等优势，可明显减少遗漏的癌症［9-11］。根据肺结节的密度可分为实性、亚实心及磨玻璃结节，不同的肺结节密度诊断为恶性肿瘤的概率不同，其中亚实性结节的诊断为恶性肿瘤的概率最高［12-14］。检测肺结节的主要方法是X光射线（主要是胸部CT）。在放射线摄影中，放射科医生会根据其理论知识和实际学习情况以及何时出现常见的恶性体征（如小叶、毛刺、胸膜牵拉等）来诊断肺结节。此外，恶性病变的诊断特征是出现低气压、气管支气管征、囊泡征和偏心的厚壁腔等）［15-17］。

本研究结果显示，CT扫描对肺结节不同直径患者CT值、体积以及恶性概率的预测值差异均有统计学意义（P＜0.05）；直径≤10 mm患者中，人工智能组的敏感性达94.61%，特异性（93.12%）和符合率（92.08%）均高于传统人工读片组；10 mm＜直径≤20 mm和直径＞20 mm的患者中，人工智能组的诊断敏感度与人工读片组之间差异无统计学意义，但诊断特异性及符合率均高于人工读片组。既往有研究将人工智能肺结节检出模型应用于不同参数的低剂量螺旋CT的阅片和结节检出，结果提示管电压分别在110 kVp 或130 kVp，两种方法的AUC的差异无统计学意义，提示模型的总体诊断效能并不亚于人工阅片方法。本研究结论与之相一致［18］。

恶性结节随着结节的增大，影像征象趋向明显、典型，经验丰富的医师较初级医师检出敏感度增高，而DenseNet网络模型CT同样具有良好的诊断敏感度［8,18-19］。既往研究表明，虽然高级医师组对直径＞20 mm结节的诊断符合率与人工智能组间的差异无统计学意义（P＞0.05），但其特异性不及人工智能组，可见人工智能组在对结节良恶性的判断上是优于医师组的［20-21］。本研究结果与之相一致。人工智能在大范围的肺部CT体检中较人工阅片方式具有更大的优势，能够降低假阳性率的发生。目前，人工智能识别结合DenseNet模型技术CT已成为国内外医学领域的研究热点，一项2017年的研究表明，基于深度学习的人工智能技术可以通过有经验的人更有效地检测肺中的亚固体结节［22］。但本研究有一定的局限性：本研究是回顾性研究，可能存在选择性偏倚；本研究没有针对不同的目标人群进行地理验证或验证（例如筛查）。

综上所述，DenseNet模型可以作为一种高度敏感和特异性的诊断工具，应用基于深度学习的人工智能技术可以有效地辅助影像医师对肺结节进行更加准确、可靠的诊断，缩短诊断时间，该模型有助于指导手术前对脊髓型颈椎病的切除策略。