人工智能+医学影像在肺结节检测中的应用研究

人工智能+医学影像在肺结节检测中的应用研究

王杜春，任 龙，刘宁川，杨 柳，何 杰

（南充市高坪区人民医院放射科 四川 南充 637100）

【摘要】目的：研究人工智能能否替代CT影像诊断医生的巨大工作量，且能为临床医生在肺结节早期诊断、良恶性判断、治疗策略及手术方式选择等方面提供重要的指导意义。方法：通过128层螺旋CT胸部低剂量扫描方式，进行多面重组（MPR）、容积重现（VR）等三维重建后处理，对比分析人工阅片检出肺结节的敏感度、符合率及消耗时间；运用σ-Discover Lung智能肺结节检测系统检出肺结节、自动分割病灶、自动测量参数、自动分析良恶性、自动结构式报告等的敏感度、符合率及消耗时间；运用统计学方法对比分析人工阅片与σ-Discover Lung智能肺结节检测系统检测肺结节的敏感度、符合率、消耗时间及优劣势。结果：项目组在研究中发现σ-Discover Lung半分钟内就能够完成所有肺结节的诊断，经过对比分析、统计，其对肺结节诊断的敏感性达到95.6%，良恶性判断的准确率达到89.5%，假阳性率25.5%。人工阅片与AI阅片相互补充、相互映证，提高了肺癌早期诊断的符合率，为临床在肺结节早期诊断、良恶性判断、治疗策略及手术方式选择等方面提供重要的指导意义。结论：人工阅片与σ-Discover Lung智能阅片可以相互补充、相互映证，从而提高肺癌早期诊断的符合率，指导临床医生治疗方案的选择。【关键词】人工智能；σ-Discover Lung系统；肺小结节【中图分类号】R445 【文献标识码】A 【文章编号】2096-3807（2019）16-0039-03Application of artificial intelligence and medical imaging in the detection of pulmonary nodulesWang Duchun,Ren Long,Liu Ningchuan,Yang Liu,He Jie.Department of Radiology,People's Hospital of Gaoping District,Nanchong,Sichuan 637100,China【Abstract】Objective To study whether artificial intelligence can replace the huge workload of CT imaging diagnostic doctors,and provide important guidance for clinicians in early diagnosis of pulmonary nodules,benign and malignant judgment,treatment strategies and surgical options.Methods By means of 128-slice spiral CT low-dose thoracic scanning, three-dimensional reconstruction post-processing such as MPR and VR were carried out, and the sensitivity, coincidence rate and consumption time of detecting pulmonary nodules by manual reading were compared and analyzed;pulmonary nodules were detected by σ-Discover Lung intelligent pulmonary nodule detection system, automatic segmentation of lesions, automatic measurement parameters and automatic analysis were performed.Sensitivity,coincidence rate and consuming time of malignant and automatic structured reports were compared and analyzed by statistical methods. Sensitivity, coincidence rate, consuming time, advantages and disadvantages of manual film reading and σ-Discover Lung intelligent pulmonary nodule detection system were compared and analyzed.Results The project team found that σ-Discover Lung could complete the diagnosis of all pulmonary nodules in half a minute.Through comparative analysis and statistics, the sensitivity of σ-Discover Lung to the diagnosis of pulmonary nodules reached 95.6%,the accuracy of benign and malignant judgment reached 89.5%, and the false positive rate was 25.5%.Artificial film reading and AI film reading complement each other and reflect each other's evidence, which improves the coincidence rate of early diagnosis of lung cancer, and provides important guidance for clinical diagnosis of pulmonary nodules, benign and malignant judgment, treatment strategy and choice of surgical methods. Conclusion Artificial film reading and σ-Discover Lung intelligent film reading can complement and reflect each other, thus improving the coincidence rate of early diagnosis of lung cancer and guiding the choice of treatment options for clinicians.【Key words】Artificial intelligence;σ-Discover Lung system;Pulmonary nodules肺癌是我国发病率、死亡率最高的恶性肿瘤之一，总体5年生存率不到15%，而ⅠA期患者手术切除后长期生存率高达80%。早期肺癌筛查工作目前是由影像科医生人

工读片完成，由于整体医疗水平和培训水平的限制，医生水平具有较大的区域差异性，整体影像诊断的误诊漏诊率难以达到临床需求，随体检人数的快速增长，人工处理越

Review and Meta-Analysis[J].Journal of Alzheimer\"s Disease,2015,46(4): 1049-1070.

[6] Ball MJ,Fisman M,Hachinski V,et al.A new definition of Alzheimer's disease: A hippocampal dementia[J].The Lancet,1985,1(8419):14-16.

[7] Scheltens P,Leys D,Barkhof F,et al.Atrophy of medial temporal lobes on MRI in \"probable\" Alzheimer's disease and normal ageing: diagnostic value and

neuropsychological correlates[J].Journal of Neurology Neurosurgery & Psychiatry,1992,55(10):967-977.

[8]王治国，战莹，武晓丹，等.血浆和脑脊液Aβ42、tau水平对阿尔茨海默病患者的早期诊断价值[J].检验医学与临床，2018，15(03):314-316.

通讯作者：马强（1970.12-），男，汉，辽宁大连人，硕士，主任，研究方向：老年性痴呆及相关疾病和脑血管病。

39

论 著影像研究与医学应用 2019年8月 第3卷第16期

来越难以胜任此项任务。通过σ-Discover Lung智能肺结节检测系统分析128层螺旋CT的低剂量肺部CT图的研究，探讨人工智能在肺结节检测中敏感性、快速性以及良恶性结节判断的准确性，探讨人工智能能否替代CT影像诊断医生的巨大工作量，能否为临床医生在肺结节早期诊断、良恶性判断、治疗策略及手术方式选择等方面提供重要指导。

1󰀁󰀁资料与方法

1.1 一般资料

选择我院2017年5月—2019年5月肺部CT扫描的500例患者作为研究对象（其中男266例，女234例；年龄分布范围为30岁～90岁）。由4位有经验的CT诊断医师（至少一位为高级医师），对所有病例的图像采用双盲法进行观察、分析，观察内容包括：是否发现结节，结节数目、形态、大小、密度、边缘及边界、周围情况、随访复查有无变化等。

1.2 材料与设备

全部病例采用GE Optima CT660 64排螺旋CT扫描仪；图像后处理工作站aw4.6；σ-Discover Lung智能肺结节检测系统。

1.3 方法

检查前对患者进行吸气屏气训练，以取得患者的合作，让患者在检测过程中做到一致性的屏气程度。采用GE 128层螺旋CT机，患者仰卧，双手上举，采取吸气末单次屏气扫描，扫描范围为肺尖至肋膈角尖端水平。低剂量扫描参数：100kV，50mAs，Pitch1.0，ASIR迭代重建，RDT 0.625mm，RT 5mm，RI 5mm，扫描矩阵512×512，图像重建算法采用ASIR迭代重建技术。将扫描原始层厚0.625mm、层间距0.625mm的薄层重建图像传输到GE AW4.6工作站。由影像诊断医师对所有病例的图像采用双盲法进行观察、分析。将所有纳入病例的原始薄层图像导入σ-Discover Lung智能肺结节检测系统，利用图像识别技术对患者的影像图像进行识别，标注结节关键信息，给出结节良恶性风险值、随访建议等；并基于深度学习模型通过大量已有的影像数据和临床诊断信息不断优化人工智能检测系统。

技术路线图：

1.4统计学分析

采用SPSS20.0统计学分析软件进行数据处理，计

量资料采用（x-±s）表示，比较采用t检验，计数资料用（%）表示，采用χ2检验，P＜0.05表示差异具有统计学意义。

40

2󰀁󰀁结果

σ-Discover Lung肺结节智能检测系统能快速自动识别结节、分割结节并根据结节特征做出良恶性判断，一键生成结构式报告，其速率明显快于人工读片，能够帮助医生更加快捷的做出诊断，大大减轻医生在早期肺癌筛查中的工作量。经过对比分析、统计，其对肺结节诊断的敏感性达到96%，良恶性判断的准确率达到89.5%，但是假阳性率25.5%。

表 人工阅片与人工智能阅片结果对比分析（%）

阅片对象敏感度假阴性率假阳性率用时影像医师90.011.03.03分钟/例人工智能

95.6

4.0

25.5

0.5分钟/例

典型案例：3月前常规肺部CT扫描发现右肺上叶前段部分实性结节，大小约9×7.6mm（图1-A），该病例3月后随访见结节稍增大，大小约10×9.5mm，实性成分稍增多（图1-B）。项目负责人运用σ-Discover Lung自动检测分析该病例（图1-C）并一键生成结构式报告（图2），结果提示结节类型为混合性、结节大小约11.8×7.5mm、恶性风险度90%、Lung-RADS分类为3；术后经病理证实结节为早期肺癌。

图1 肺结节检测

图2 结构式报告

影像研究与医学应用 2019年8月 第3卷第16期 论 著

3󰀁󰀁讨论

对比人工阅片与AI阅片，人工阅片具有较低的假阳性率，不易把一些细小的支气管血管束断面误认为异常肺小结节，但是人工阅片的漏诊率高于AI阅片。σ-Discover Lung智能肺结节分析系统能完成多个结节自动检测任务，包括肺部分割、结节检测、结节标识、结节分割、结节随访与检索、结节定量定性分析（如判断结节的种类、良恶性），以及一键结构式报告，具有非常高的诊断效率，辅助医学影像诊断医生对医学图像进行分析，从而有效地提高医疗效率和诊断准确率。但是AI阅片具有较高的假阳性率，经常把一些细小的支气管血管束断面自动分析为异常肺小结节，所以任然需要影像诊断医师对其诊断结果把关。因此要人工阅片与σ-Discover Lung智能阅片相互补充、相互印证，从而提高肺癌早期诊断的符合率，指导临床医生治疗方案的选择，改善术后生存质量，进而可以更好地延长患者生存时间，减轻社会经济负担。

综上所述，图玛深维采用人工智能及深度学习技术的σ-Discover Lung系统可以高效的帮助医生检出肺结节，并能够以百分比的形式标注出肺结节癌变的可能性，一键生成结构式报告，能够辅助影像诊断医生更加方便快捷和准确地对肺结节做出诊断，减轻医生在肺病筛查中的工作量。但是由于其具有较高的假阳性率，任然需要与人工阅片相互补充、相互印证。当前的AI医学影像技术犹如蹒跚学步的儿童，需要进一步的优化提升。此项技术在优化医师资源配置、减轻医疗资源紧张及提高临床诊断水平方面已显示出巨大的应用前景，AI医学影像符合未来智能医学的发展方向，相信也将成为推动医学影像学科发展的划时代技术。【参考文献】

[1]周清华，范亚光，王颖，等.中国肺部结节分类、诊断与治疗指南（2016年版）[J].中国肺癌杂志，2016，19(12):793-798.

[2]舒立群，申坡.64例孤立性肺结节影像分析[J].川北医学院学报，2017，32(2):260-263.

[3] Alpert JB,Lowry CM,Ko JP,et al.Imaging the solitary pulmonary nodule[J]. Clin Chest Med,20l5,36(2):161-l78.

[4]徐新峰，高峥嵘，张俊，等.128层CT三维重组技术对实性肺结节的诊断价值研究.中国现代医生，2017，55(5):89-91.

[5]中华医学会放射学分会心胸学组.肺亚实性结节影像处理专家共识[J].中华放射学杂志，2015，49(4):254-258.

[6]陈真诚，倪利莉，王红艳，等.人工智能技术在医学影像

专家系统中的应用及发展[J].国外医学生物医学工程分册，2001，24(5):201-206.

[7] National Lung Screening Trial Research Team.Reduced lung-cancer mortality with low-dose computed tomographic screening[J].N Engl J Med,2011,365(5):395-409.

[8] Wiemker R,Dharaiya ED,Bülow T.Informatics in radiology: Hesse rendering for computer-aided visualization and analysis of anomalies at chest CT and breast MR imaging[J].Radiographics,2012,32(1):289-304.

[9] Lakhani P,Sundaram B.Deep Learning at Chest Radiography: Automated Classification of Pulmonary Tuberculosis by Using Convolutional Neural Networks[J]. Radiology,2017,284(2):574-582.

[10] Hainc N,Federau C,Stieltjes B,et al.The Bright, Artificial Intelligence-Augmented Future of Neuroimaging Reading[J].Front Neurol,2017,8:489.

[11] Berg HE.Will intelligent machine learning revolutionize orthopedic imaging?[J].Acta Orthop,2017,88(6):577.

[12] Slomka PJ,Dey D,Sitek A,et al.Cardiac imaging: working towards fully-automated machine analysis & interpretation[J].Expert Rev Med Devices,2017,14(3):197-212.

[13] Yasaka K,Akai H,Kunimatsu A,et al.Liver Fibrosis: Deep Convolutional Neural Network for Staging by Using Gadoxetic Acid-enhanced Hepatobiliary Phase MR Images[J]. Radiology,2018,287(1):146-155.

[14]金征宇.前景与挑战：当医学影像遇见人工智能[J].协和医学杂志，2018，9(1):2-4.

[15]王霄英.人工智能在医学影像中的进展—2017年RSNA参会感受[J].放射学实践，2018，33(2):101-103.

[16]周舒畅，王玉锦，胡琼洁，等.2017年RSNA胸部影像学[J].放射学实践，2018，33(3):229-237.

[17]刘凯，张荣国，涂文婷，等.深度学习技术对胸部X线平片亚实性结节的检测效能初探[J].中华放射学杂志，2017，51(12):918-921.

[18]江一峰，叶剑定，丁晓毅，等.64层螺旋CT低剂量扫描检测肺小结节敏感性的实验研究[J].实用放射学杂志，2010，26(1):115-119.

基金项目：南充市科技局基金（18YFZJ0007）

Fund Project:Nanchong Science and Technology Bureau Fund (18YFZJ0007)

作者简介：王杜春（1984.2-），男，汉，四川南充，本科，主治医师，主要研究人工智能与医学影像在肺结节的诊断分析。 41