【摘要】 目的   探究人工智能影像辅助诊断系统阅片在鉴别肺结节性质中的价值，为临床诊断肺结节疾病提供参考依据。方法    回 顾性分析北大医疗潞安医院 2022 年 6 月至 2023 年 6 月收治的 82 例肺结节患者的临床资料， 所有患者均接受电子计算机断层扫描（CT ） 检查，获得的 CT 图像进行人工阅片和人工智能影像辅助诊断阅片，并进行定性诊断。以病理检查为金标准，分析比较两种阅片方式对 肺结节的检出情况及两种阅片方式对肺结节良、恶性的诊断效能。结果   82 例肺结节患者中共检出 245 个结节， 其中结节直径 <5 mm 者 154 个， 5 mm ≤结节直径≤ 10 mm 者 66 个，结节直径 >10 mm 者 25 个。与人工阅片相比，人工智能影像辅助诊断系统阅片对肺结节直 径 <5 mm、5 mm ≤直径≤ 10 mm 的检出率升高；与人工阅片相比， 人工智能影像辅助诊断系统阅片对肺结节恶性的诊断特异度降低， 灵 敏度、阴性预测值均升高（均 P<0.05 ）。结论   人工智能影像辅助诊断系统阅片对肺结节的检出率更高，并且诊断灵敏度、阴性预测值 较高，但其特异度较低，因此会存在一定的假阳性率，建议临床上将两种阅片方式进行结合，以提高对肺结节的诊断准确性。

　　【关键词】肺结节;  良恶性;  人工智能影像辅助诊断系统阅片;  人工阅片;  鉴别诊断

　　临床上将小于 3 cm 的肺部内圆形或不规则占位性病  变称为肺结节。随着医疗技术的发展和人们健康意识的提  高，越来越多肺结节在体检中被查出，肺结节可分为良性  和恶性，良性肺结节预后良好，而恶性肺结节会侵犯患者  肺部、皮肤、双侧肺门淋巴结等，若不加以干预，病情持  续进展会对患者身体健康及生命安全构成威胁。随着电子  计算机断层扫描（CT）技术的发展， CT 检查越来越多被应  用于临床各类疾病的检测中， CT 检查可根据其征象辅助鉴  别诊断肺结节良、恶性，但大量的 CT 图像增加了人工阅  片负担，在一定程度上影响肺结节的诊断准确性，受主观  意识的影响， 人工阅片易发生误诊、漏诊情况 [1-2]。人工  智能影像辅助诊断系统则通过提取肺结节影像图像上的主  要特征，进而判断肺结节良、恶性，且凭借强大图片识别  功能，不受人为因素干扰，可提高肺结节的诊断质量 [3-4]。基于此，本研究旨在分析人工智能影像辅助诊断系统阅片 在鉴别肺结节性质中的价值，为临床诊断肺结节疾病的良 恶性提供参考依据，现将研究结果报道如下。

　　1   资料与方法

　　1.1    -般资料    回顾性分析北大医疗潞安医院 2022 年 6 月至 2023 年 6 月收治的 82 例肺结节患者的临床资 料， 其中男性 31 例， 女性 51 例； 年龄 24~78 岁， 平 均（56.47±8.52）岁；单发 61 例、多发 21 例。纳入标 准：⑴符合《肺结节诊治中国专家共识（2018 年版）》[5]  中的相关诊断标准；⑵可接受 CT 检查；⑶生命体征平 稳；⑷入院前未接受相关诊治。排除标准：⑴合并其 他肺部疾病；⑵图像显示有金属伪影、呼吸运动伪影 干扰病变；⑶具有肺部陈旧性肺结核病灶；⑷继发性肺癌。此研究已由北大医疗潞安医院医学伦理委员会 批准。

　　1.2    检测方法   所有研究对象均进行胸部 CT 扫描，使  用 64 排螺旋 CT 机（美国 GE 公司，型号：LightSpeed  VCT）进行检查，患者保持仰卧位，设置参数为：管电压  120 kV，管电流=40 mAs，层距、层厚均为 5.0 mm，扫  描范围从肺尖到肺底，扫描结束行全肺肺窗薄层 CT 重  建，层厚 0.625 mm。对于获得的 CT 图像，通过常规人工  阅片和人工智能影像辅助诊断系统阅片进行分析诊断。人  工阅片：由 3 位工作经验丰富的影像学医生对检出肺结节  做定性诊断，若有异议，经讨论达成统一意见。人工智能  影像辅助诊断系统阅片：将 CT 图像导入肺部 CT 肺结节  人工智能辅助诊断系统（北京推想科技有限公司，型号： PSC-HC2S），提取结节大小、边缘状态、形态、结节内  实性成分位置、邻近胸膜变化特征等信息，对检出肺结节  做定性诊断。病理检查：经 CT 引导下手术穿刺取病理样  本，通过切割的方式获取病理标本，固定染色，置于高倍  显微镜下，由病理科医师行组织病理学检查，并以病理检  查结果为金标准。

　　1.3    观察指标    ⑴比较人工阅片与人工智能阅片方式  对肺结节的检出情况。⑵诊断结果。以病理结果为金标  准，比较人工阅片与人工智能阅片方式对良、恶性肺结节  的诊断效能。灵敏度 =[ 真阳性例数 /（真阳性 + 假阴性） 例数 ]× 100%；准确度 =[（真阳性 + 真阴性） 例数 / 总例  数 ]× 100%；特异度 =[ 真阴性例数 /（假阳性 + 真阴性） 例  数 ]× 100%；阴性预测值 =[ 真阴性例数 /（真阴性 + 假阴性） 例数 ]× 100%；阳性预测值 =[ 真阳性例数 /（真阳性 + 假阳  性）例数 ]× 100%。⑶对人工智能阅片的典型病例图片进行  分析。

　　1.4    统计学方法   应用 SPSS 22.0 统计学软件进行数据分 析，计数资料以 [ 例 (%)] 表示，采用χ2  检验。以 P<0.05 为差异有统计学意义。

　　2   结果

　　2.1    人工阅片与人工智能阅片方式对肺结节的检出情 况比较    82 例肺结节患者中共检出 245 个结节，其中 结节直径 <5 mm 者 154 个，5 mm=结节直径=10 mm 者 66 个，结节直径 >10 mm者 25 个。与人工阅片相比，人工智能阅片对肺结节直径 <5 mm、5 mm =直径=10 mm 的 检出率均更高，差异均有统计学意义（均 P<0.05），而两 种阅片方式对肺结节直径 >10 mm 的检出率比较，差异无 统计学意义（P>0.05），见表 1。

　　2.2    人工阅片与人工智能阅片方式对肺结节良、恶性评  定结果比较   245 个结节中，经病理结果显示，恶性结节  60 个，良性结节 185 个。人工阅片恶性检出率为 30.20%  （74/245），人工智能阅片检出率为 41.22%（101/245）。与  人工阅片相比，人工智能阅片对肺结节恶性诊断的特异度  降低，灵敏度、阴性预测值升高，差异均有统计学意义  （均 P<0.05），而两种阅片方式对肺结节恶性诊断的准确  度、阳性预测值比较，差异均无统计学意义（均P>0.05）， 见表 2、表 3。

　　2.3    典型病例分析    人工智能图像分析： 患者男性， 48 岁，右肺上叶、右肺中叶、右肺下叶、左肺上叶、 左肺下叶见多发实性结节，图中黄色线框是薄层序列  （0.625 mm）第 351 层左肺下叶外基底段距胸膜 3 mm 处  可见一大小约 7 mm×5 mm 类圆型结节， CT 值为 1  024~  265 HU，中心可见低密度影（约占 70.9%），病灶周边未  见毛刺，周边未见血管分支；无毛刺，肺癌概率 1.66%，见图 1-A。患者左肺术后苏木精 - 伊红染色图像（放大  200 倍） 显示，镜下可见成片异型细胞，以贴壁型为主， 符合高分化腺癌，见图 1-B。

　　3   讨论

　　肺结节是肺部发生病变的重要征象，引发肺结节的因 素较多，包括肺部炎症刺激、肺部肿瘤、环境影响等，故 难以根据患者临床表现作出判断。肺结节的治疗方案主要 是根据结节的良、恶性决定，因此，对肺结节良、恶性尽 早诊断，有助于指导临床治疗，避免患者错失最佳治疗时 机 [6]。病理检查是诊断肺结节良、恶性的的金标准，  但其诊 断时间较长， 且属于有创检测手段 [7]。随着影像学技术的迅 速发展， 胸部 CT 成为肺结节主要的检查手段，  但因阅片工 作量大，人工阅片容易因视力疲劳、主观意识等因素造成 误判、漏判，且随着对于肺结节筛查的大规模进行，单纯 依靠人工阅片也满足不了临床所需 [8]。

　　目前对于肺结节的诊断多是薄层 CT，产生的图像数据 量很大，影像医生的工作压力较大，长时间阅片容易出现 注意力不集中的情况，并且受到视力因素限制，对于密度 较低、直径较小的肺结节不易检出。相比人工阅片，人工 智能影像辅助诊断系统阅片可在数秒内检查出肺结节，能 够明显缩短阅片时间， 并且更易发现 5 mm≤直径≤ 10 mm 和直径 <5 mm 的小结节， 不会出现漏检情况，  因此， 在肺 小结节方面的检出率更高；且人工智能影像辅助诊断系统 阅片，通过切割、扭转等方式，会直接锁定肺结节核心特 征，短时间内标记肺结节位置、大小等， 大幅度降低人工阅 片的繁琐性， 故阅片的检出率相对较高 [9-10]。本研究结果发 现， 与人工阅片相比，  人工智能阅片对结节直径 <5 mm、 5 mm ≤直径≤ 10 mm 的检出率均更高，说明人工智能影 像辅助诊断系统阅片检出率更高。

　　另分析本研究结果还发现，与人工阅片相比，人工智 能阅片对肺结节恶性诊断的特异度显著降低， 灵敏度、阴性 预测值显著升高，这提示人工智能影像辅助诊断系统阅片 的诊断价值较高， 但可能存在一定的假阳性率。分析原因可 能为，人工阅片鉴别肺结节良恶性很多医生主要赖于自身临床经验，主观性较强，会对诊断结果造成一定影响。而 人工智能影像辅助诊断系统阅片主要是通过图像识别技术 处理获得图像数据，提取数据信息更加全面，相比人工阅 片，更具有客观性，其诊断价值较高；但人工智能影像辅 助诊断系统阅片可能会将局部肺实变、肺纤维化灶、交叉 血管等误诊成高危肺结节，临床上需加强人工智能影像辅 助诊断系统软件的数据集质量管理，从而进一步提高肺结 节诊断准确性，故建议临床上将两种阅片方式进行结合， 以提高对肺结节的诊断准确性 [12]。

　　综上，人工智能影像辅助诊断系统对肺结节的检出率 更高，并且诊断灵敏度、阴性预测值较高，但其特异度较 低， 因此会存在一定的假阳性率，  建议临床上将两种阅片方 式进行结合， 以提高对肺结节的诊断准确性。但本研究实施 过程中， 受到区域单一、样本量较少等因素影响，  研究结果 存在一定局限性，后续仍需进一步完善深入相关研究。

　　参考文献

　　[1]    LISA J, CHRISTIAN B, MALGORZATAP, et al. First performance evaluation of an artificial intelligence-based computer-aided detection system for pulmonary nodule evaluation in dual-source photon-counting detector CT at different low-dose levels[J]. Invest Radiol,2022, 57(2): 108-114.

　　[2]    刘亚斌 , 李庆 , 周围 , 等 . 胸部 CT 结合 AI 诊断系统对疑似肺结 节患者的诊断及对结节类型的评估价值 [J]. 现代生物医学进展 ,2022, 22(5): 955-959, 949.

　　[3]    刘亚斌 , 周围 ,  白琛 , 等 . 基于人工智能技术的肺部 CT 扫描在肺 结节筛查及良恶性鉴别诊断中的应用分析[J]. 中国CT 和MRI 杂 志 , 2022, 20(9): 52-54.

　　[4]    张怀瑢 , 孙潇 ,  田兴仓 ,  等 . 基于深度学习的人工智能诊断系统 在不同重建参数下对肺结节的识别研究 [J]. 临床放射学杂志 ,2020, 39(11): 2203-2206.

　　[5]    中华医学会呼吸病学分会肺癌学组 ,  中国肺癌防治联盟专家组 . 肺结节诊治中国专家共识 (2018 年版)[J].  中华结核和呼吸杂志 ,2018, 41(10): 763-771.

　　[6]    LIU B, CHI W H, LI X R et al. Evolving the pulmonary nodules diagnosis from classical approaches to deep learning-aided decision support: three decades' development course and future prospectt[J].J Cancer Res Clin, 2020, 146(1): 153-185.

　　[7]    钟宇 , 周姝 , 张立波 , 等 . 人工智能肺结节筛查系统结合能谱 CT 比较不同性质肺结节的检测效能 [J].  中国医科大学学报 , 2023,52(7): 624-627, 632.

　　[8]    许国安 , 朱良炎 , 徐靖 ,  等 . 人工智能肺结节辅助诊断系统在肺 磨玻璃结节病理浸润程度评估中的应用价值 [J]. 南昌大学学报 ( 医学版), 2022, 62(4): 53-56.

　　[9]    曹孟昆 , 姜杰 , 朱晓雷 ,  等 . 人工智能肺部结节辅助诊疗系统预 测肺结节的良恶性及浸润情况 [J]. 中国胸心血管外科临床杂志 ,2021, 28(3): 283-287.

　　[10]  李甜 , 李晓东 , 刘敬禹 . 人工智能辅助诊断肺结节的临床价值研 究 [J]. 中国全科医学 , 2020, 23(7): 828-831, 836.

　　[11]  邓灵波 , 朱熠 , 戴懿 ,  等 . 肺结节智能辅助诊断系统在肺磨玻璃结节诊断中的应用研究 [J]. 医学影像学杂志 , 2020, 30(11): 2014-2020.

　　[12]  耿然 . 基于深度学习的人工智能影像辅助诊断系统对肺结节的诊断效能评价 [J]. 新乡医学院学报 , 2022, 39(11): 1031-1035.

　　[13]  罗亚敏 , 赵林 , 江远亮 , 等 . 肺结节 CT 筛查中人工智能诊断系统应用价值评估 [J]. 华南国防医学杂志 , 2022, 36(7): 521-524.