摘要
目的:本研究旨在探讨人工智能(AI，artificial intelligence)系统在肺结节筛查和鉴别中的应用价值。共三个研究目标:1、比较AI系统和医师读片对所有结节和不同类别的结节的检出效能，分析两种方法的漏诊、误判。2、评价AI系统对结节进行恶性风险评估的精确度。3、定量分析AI系统提取结节的特征参数，寻找特征参数的临界值，评价其在肺结节良恶性鉴别中的价值。 方法:回顾性纳入PACS系统(picture archiving and communication system)中的肺结节病例，入组病例全部导入LinkDoc系统，进行筛查并记录结果，医师双读模式筛查结果以影像诊断系统中存档的影像报告为准。1、将所有真性结节按照不同大小、不同类型、不同位置进行分类，分别比较AI系统和医师筛查对总体和三种不同分类标准结节的灵敏度、误判率、漏诊率、准确度，分析两种方法漏诊、误判的原因。2、将有病理结果的结节按良恶性分类，记录AI系统给出的恶性风险度，采用ROC曲线(Receiver Operating characteristic Curve)进行分析。3、记录AI系统提取的结节特征参数，先采用统计学方法对参数进行因子分析，再采用ROC曲线分析参数的诊断价值，对有价值的参数再采用二分类Logistic回归分析，寻找良恶性的临界值。 结果:本研究共纳入174例病例，制定金标准确定869个真性结节，有病理结果的结节180个。1、AI系统对总体结节的灵敏度90.2％、漏诊率9.8％、误判率2.8个/例、准确度58.0％，双读模式的灵敏度55.7％、漏诊率44.3％、误判率0.11个/例、准确度54.4％。对实性结节、mGGN(pure ground--glass nodules)、pGGN(pure ground-glass nodules)，AI系统灵敏度分别为95.0％、96.7％、76.4％，双读模式灵敏度70.0％、56.7％、30.1％。对胸膜下、血管旁、孤立性肺结节，AI系统灵敏度分别是89.9％、87.3％、92.6％，误判率是2.8个/例、3.8个/例、1.6个/例，双读模式灵敏度分别是64.7％、37.7％、61.1％，误判率依次为0.17个/例、0.06个/例、0.10个/例。对5mm以下、5到8mm、大于8mm的结节，AI灵敏度依次是91.1％、82.5％、96.7％，双读模式灵敏度为30.0％、70.4％、93.7％，以上差异均具有统计学意义(P＜0.05)。2、对180个有病理结果的结节分为良性组与恶性组，AI系统评估恶性风险分数为自变量，结节实际良恶性为因变量，作ROC曲线，AUC=0.687，P＜0.001，约登指数最大值0.299，对应恶性风险73.7％，灵敏度48.8％，特异度81.1％。3、记录AI系统提取的最大径、面积、体积、CT值、结节类型，对五个特征参数进行KMO检验及Bartlett's球形检验，KMO系数0.525，P＜0.001，不适合因子分析。对五个参数作ROC曲线，剔除性质参数，AUC分别为最大径0.683、面积0.819、体积0.665、CT值0.712，临界值分别为8.9mm、87.5mm2、1287.55mm3、-477.15Hu，差异具有统计学意义，P≤0.001。对四个量化参数作二分类Logistic回归，恶性的独立危险因素为面积和CT值，P＜0.05，模型预测准确度74.4％。 结论:1、AI系统对于整体、不同类型、不同位置、不同大小结节的筛查具有辅助检出价值，灵敏度均高于医师人工读片，假阳性率也明显高于医师人工读片。AI系统误判和医师漏诊主要是小于3mm的微结节。提倡采用“AI初筛+医师排除假阳性结节”的工作模式。2、AI系统对于肺结节恶性风险的评估具有参考价值，能够确定少部分恶性结节、排除少部分良性结节。3、AI系统所提取的特征参数中，CT值、最大面积为恶性结节的独立危险因素具有较高诊断价值，最大径和体积具有中度诊断价值，每个参数都具有特定的临界值，可辅助鉴别结节的良恶性。
NETL