人工智能ai肺结节筛查系统：基于人工智能随访预测肺结节增长的影响因素研究
人工智能ai肺结节筛查系统：基于人工智能随访预测肺结节增长的影响因素研究将患者医学数字成像和通信（DICOM）影像学资料导入InferRead CT Lung R 9.0肺癌智能筛查系统中，将患者临床资料〔年龄、性别、吸烟史（指一生中连续或累积吸烟6个月及以上）、癌症家族史（在家族中有两个及以上亲属患过癌症）〕、影像学信息〔肺结节单、多发情况，平均直径、体积、实性占比、部位、恶性概率（中危及高危）、有无表面征象（出现以下任一一种即为有表面征象：血管集束征、分叶征、毛刺征及空泡征等）、平均CT值、偏度、峰度〕加入AI随访系统，医师根据相关指南[3]设置随访时间，定时进行电话随访，观察结节增长的时间间隔〔从首次进行CT扫描、AI筛查后起，至检测出肺结节增大（直径增加≥2 mm或体积增长≥20%或实性占比增加≥1%）所用的时间〕，随访终点为结节增大，本研究随访截止日期为2021-10-31。采用东芝128层CT扫描系统完成LDCT检查，扫描参数参考《低剂量螺旋CT肺
本文引用：吴久纯 李甜 李晓东 卓越 张玉娇 刘敬禹. 基于人工智能随访预测肺结节增长的影响因素研究[J]. 中国全科医学 2022 25(17): 2115-2120. DOI: 10.12114/j.issn.1007-9572.2022.0005
Jiuchun WU Tian LI Xiaodong LI Yue ZHUO Yujiao ZHANG Jingyu LIU. Inflencing Factors for Pulmonary Nodular Growth Predicted by Artificial Intelligence-based Follow-up[J]. Chinese General Practice 2022 25(17): 2115-2120. DOI: 10.12114/j.issn.1007-9572.2022.0005
早期肺癌在CT影像学上多表现为肺结节，肺结节的检出率因不同的影像学检查方式而有所不同[1]，随着低剂量CT（low does CT，LDCT）在肺癌筛查中的普及和高分辨率CT（high resolution CT，HRCT）的广泛应用，肺结节的阳性检出率显著提高[2]。《肺结节诊治中国专家共识（2018年版）》[3]引入了肺结节分级诊疗的概念，即根据肺结节的直径、实性成分、单发或多发等多个因素综合评估后，结合患者的高危因素制订个性化分级治疗方案。直径>5 mm、缺乏特异性表现的结节，尤其是磨玻璃结节（ground glass nodules，GGN），通过手术病理证实绝大多数为肺癌或有恶变的潜在危险[4]，因其长期持续存在、呈惰性生长的性质，大多需要定期随访。目前，由于肺结节患者众多，传统的计算机辅助检测及诊断系统（computer aided detection and diagnosis system，CAD）很难对肺结节进行准确分割、精准对比且操作复杂[5]；医师对肺结节的直径、体积及实性占比的随访受人为因素影响较大；大量的随访人群使影像科及呼吸内科医师工作量增大，亟须人工智能（artificial intelligence，AI）辅助随访，动态观察不同时间点的CT图像变化。马景旭等[6]、刘娜等[7]及曹孟昆等[8]研究均提出AI在鉴别诊断肺结节的性质方面具有重要价值，尹泚等[9]指出AI对肺结节的检出率近100%，对肺结节良、恶性鉴别的灵敏度高于人工阅片（95.83% VS 87.36%），但特异度低于人工阅片（25.00% VS 72.17%）。然而目前关于应用AI随访的研究较少，故本研究探讨了AI随访肺结节增长的影响因素及临床应用价值，以期为肺结节有效随访提供参考依据。
1 对象与方法1.1 研究对象回顾性选取2019年4月就诊于锦州医科大学附属第三医院的175例肺结节患者作为研究对象，纳入标准：（1）符合《肺结节诊治中国专家共识（2018年版）》中相关诊断标准[3]，即直径≤3 cm的局灶性、类圆形、密度增高的实性或亚实性肺部阴影；（2）AI筛查结果为中、高危。排除标准：（1）肺结节<5 mm或AI筛查结果为低危；（2）肺结核病史，肺癌病史；（3）弥漫性GGN，疑似间质性肺疾病、纤维性改变或毛细支气管炎；（4）影像学资料不完整。
以人工智能（AI）为基础，联合CT扫描，摒弃以往AI阅片与人工阅片对比筛查肺结节的检出率或是鉴别诊断肺结节良恶性准确性的常规研究方向，多因素综合分析肺结节增长的影响因素，参考增长因素对肺结节进行有效管理。
（1）由于AI技术新颖，应用时间相对较短，且结节生长需要较长时间，尤其是纯磨玻璃结节（pGGN），本研究随访时间相对偏短。（2）大部分肺结节无病理诊断结果，无法进一步探讨结节增长影响因素与病理之间的具体关系。
1.2 分组肺结节常根据密度分为实性结节和亚实性结节，亚实性结节包括混合磨玻璃结节（mixed ground-glass nodules，mGGN）、纯磨玻璃结节（pure ground-glass nodules，pGGN）[10]，根据AI分类分为实性结节组和GGN组（包括mGGN和pGGN）。当患者有多个肺结节时，登记体积最大的肺结节影像学信息以及其单、多发情况。
1.3 研究方法1.3.1 胸部CT扫描方法采用东芝128层CT扫描系统完成LDCT检查，扫描参数参考《低剂量螺旋CT肺癌筛查专家共识》[11]：管电压120 kVp，管电流≤40 mA，扫描层厚5 mm，重建图像层厚为1 mm。肺窗：窗宽1 500 HU，窗位-600 HU；纵隔窗：窗宽350 HU，窗位40 HU。
1.3.2 AI系统CT图像分析将患者医学数字成像和通信（DICOM）影像学资料导入InferRead CT Lung R 9.0肺癌智能筛查系统中，将患者临床资料〔年龄、性别、吸烟史（指一生中连续或累积吸烟6个月及以上）、癌症家族史（在家族中有两个及以上亲属患过癌症）〕、影像学信息〔肺结节单、多发情况，平均直径、体积、实性占比、部位、恶性概率（中危及高危）、有无表面征象（出现以下任一一种即为有表面征象：血管集束征、分叶征、毛刺征及空泡征等）、平均CT值、偏度、峰度〕加入AI随访系统，医师根据相关指南[3]设置随访时间，定时进行电话随访，观察结节增长的时间间隔〔从首次进行CT扫描、AI筛查后起，至检测出肺结节增大（直径增加≥2 mm或体积增长≥20%或实性占比增加≥1%）所用的时间〕，随访终点为结节增大，本研究随访截止日期为2021-10-31。
1.4 统计学方法使用SPSS 25.0统计学软件进行数据分析，符合正态分布的计量资料以（x±s）表示，组间比较采用两独立样本t检验；不符合正态分布的计量资料以M（P25，P75）表示，组间比较采用非参数检验。计数资料以相对数表示，组间比较采用χ2检验。使用Kaplan-Meier（K-M）法分析随访期间肺结节的增长情况，对数秩检验（Log-rank test）比较两组肺结节增长变化情况；肺结节增长的影响因素分析采用单因素Cox比例风险回归分析和多因素Cox比例风险回归分析。以P<0.05为差异有统计学意义。
2 结果2.1 一般资料比较最终纳入175例肺结节患者，其中实性结节组82例、GGN组93例。两组年龄，性别，吸烟史，癌症家族史，结节单、多发情况，结节平均直径，结节体积，结节部位，恶性概率，表面征象，偏度，峰度比较，差异无统计学意义（P>0.05）；实性结节组的实性占比、平均CT值高于GGN组，差异有统计学意义（P<0.001），见表1。
随访期间共有34例患者实性结节增长，39例患者GGN增长。K-M法结果显示，实性结节1年内和2年内增长累积百分比分别为14.6%（12/82）和35.4%（29/82），GGN 1年内和2年内增长累积百分比分别为16.1%（15/93）和39.8%（37/93），两组随访期间结节增长累积百分比比较，差异无统计学意义（χ2=0.072，P=0.788），见图1。
| 图1 两组肺结节的时间-增长百分比曲线
Figure 1 Time-increase ratio curves of pulmonary nodules in the two groups |
以肺结节增长为因变量，14个相关因素为自变量（赋值见表2）进行单因素Cox比例风险回归分析，结果显示癌症家族史、结节平均直径、结节体积、恶性概率及表面征象是实性结节增长的影响因素（P<0.05），见表3。结节平均直径、结节体积、实性占比、恶性概率、表面征象、平均CT值及偏度是GGN增长的影响因素（P<0.05），见表4。
以单因素Cox比例风险回归分析中P<0.10的变量为自变量（赋值同上）进行多因素Cox比例风险回归分析，结果显示结节平均直径、结节体积、恶性概率、表面征象是实性结节和GGN增长的影响因素（P<0.05），实性占比及平均CT值是GGN增长的影响因素（P<0.05），见表3，表4。
3 讨论目前，为了尽早发现早期肺癌，各个医院大力开展了HRCT、LDCT、螺旋CT及多学科会诊等多种诊疗模式筛查肺结节，但仍存在漏诊、误诊及过度医疗等问题[12]。AI作为一种新型科学技术手段已广泛应用于各个行业，尤其在医疗方面，在乳腺疾病、眼部疾病及风湿性疾病等多个系统疾病均有涉及[13，14，15]。针对肺癌，AI早期开展项目主要应用于肺结节的检测、筛查以及良恶性的评估，而对于AI随访管理肺结节方面的研究尚未深入，故本研究探讨了AI随访肺结节增长的影响因素及临床应用价值，以期为肺结节有效随访提供理论依据。
本研究中运用的AI随访系统是以全国多家大型三甲医院胸部影像学资料及数十万训练数据集为基础形成的强大数据库[16]，可即时存储大量患者临床资料及影像学信息，输入患者及医师联系方式，设置随访时间后，AI随访系统会定期发短信告知患者来院复诊、提醒医师联系本周随访患者，简化了手写、整理纸质版资料的烦琐过程，有利于防止重要信息遗失。相关研究表明，肺结节体积的生长速度明显大于直径的生长速度[17]，表明体积比直径更能反映肺结节的生长，具有更高的灵敏度和准确性，故本研究将肺结节直径增加≥2 mm或体积增长≥20%或实性占比增加≥1%作为其增长标准，同时通过AI三维卷积神经网络深度学习模型[18]，利用CT号对患者的历史病历数据进行自动关联，并对同一病灶进行配准分析，在同一机器上、按同一标准、自动、精准计算肺结节影像学信息，快速识别肺结节关键指标变化情况，从而增加随访过程的准确性。
本研究结果显示，实性结节组的实性占比、平均CT值高于GGN组，提示基于AI肺结节密度在CT影像学中主要表现为实性占比和平均CT值的不同，表明AI对肺结节定性分类诊断具有指导意义，是数据化肺结节分类的重要指标，有利于肺结节患者的分类管理。K-M法分析结果显示，两组肺结节增长累积百分比无显著差异。多因素Cox比例风险回归分析结果显示，无论是实性结节还是GGN，结节平均直径、结节体积、恶性概率及表面征象均是肺结节增长的独立影响因素，这意味着平均直径、体积较大，具有表面征象及高危恶性概率的肺结节更容易增长；有研究表明结节较大及具有分叶征、毛刺征等表面征象的肺结节恶性可能性大[19]，本研究基于AI还发现恶性概率是肺结节增长的独立影响因素。蔡雅倩等[20]研究发现良、恶性肺结节的恶性概率差异有统计学意义，当恶性概率>80%时肺结节恶性的可能性较大，建议临床医师结合多个肺结节增长预测因素有目的、有方向地对肺结节进行严密监测和密切随访，以尽早发现早期肺癌并采取治疗措施。本研究结果显示，GGN中平均CT值和实性占比也是其增长的独立影响因素；LIN等[21]指出肺结节内实性成分代表纤维细胞的增殖或是肿瘤中的侵袭性成分，当GGN内新近出现或原有软组织密度影不同程度的增加时，应高度警惕恶性结节的可能；此外，张正华等[22]通过多因素Logistic回归分析AI定量参数时指出平均CT值（OR=1.009）是浸润性早期肺癌的独立影响因素；复旦大学教授洪群英曾在解读《肺结节诊治中国专家共识（2018年版）》时提到，GGN的平均CT值在鉴别肺结节良恶性方面具有重要参考价值，即结节密度高低与恶性概率呈正相关[23]，因此，对GGN进行随访时密切关注结节的平均CT值及实性占比至关重要。同时医师可参考AI随访系统纳入的多种肺结节诊治国际指南制订个性化治疗方案及适当的随访时间[24]。
本研究基于InferRead CT Lung R 9.0智能筛查系统对中高危肺结节进行密切随访，然而对于肺结节的研究应该是多层面的，从临床资料、影像学特征、分子标志物到基因水平均可能影响早期肺癌的发生发展[25]，因此肺结节的具体生长模式还需进一步研究。在周彩存教授倡导下，本院开展了肺癌自身抗体检测项目，包括p53、SOX2、PGP9.5及GAGE7等七种自身抗体，从分子层面对非稳定型高危肺结节进行筛查，这不仅减轻了患者的精神压力，而且减少了医疗费用、有利于避免过度医疗[26]，未来本院有望从基因层面出发对不同类型的肺结节进行多态性研究。
综上所述，AI随访系统可以分析肺结节增长的影响因素，有助于判断良恶性结节，同时有效管理肺结节患者信息，简化随访流程，在早期肺癌筛查中是一种必不可少的诊疗手段，有利于为预测肺结节增长、制订合适的随访时间提供参考依据。
本文无利益冲突。
本文表格略
参考文献略
基于人工智能随访预测肺结节增长的影响因素研究
