人工智能 (AI) 輔助診斷技術在低劑量CT肺結節篩查中的應用及質控

石少林 葛娟 馮娟

【摘要】目前，低劑量CT是臨床篩查早期肺癌及高危人群的首選方法，其可及時發現肺癌患者，并予以及早治療，從而降低肺癌死亡率。近年來，隨著科技水平的快速發展，人工智能輔助診斷技術因其可提高臨床診斷準確性也開始在低劑量CT肺癌篩查中廣泛應用，但有研究認為，其仍存在訓練數據集質量不一等問題，臨床驗證方法尚無有效公信力，知識產權歸屬也不清楚，安全性、隱私性以及倫理規范上也存在一定問題。據此，筆者結合自身臨床經驗以及相關文獻內容，對人工智能輔助診斷技術在低劑量CT肺結節篩查中的應用及質控情況進行了分析，以供參考借鑒。

【關鍵詞】人工智能（AI）輔助診斷技術;低劑量CT;肺結節篩查;質控

目前，肺癌仍是所有惡性腫瘤中發病率、病死率居首的疾病，早篩查、早診斷、早治療是降低肺癌病死率的重點。早期肺癌以肺小結節為主要表現，臨床在進行高危人群篩查時首選胸部低劑量CT。近年來，隨著科技水平的提高，人工智能技術成了精準醫療的典范，將其應用于低劑量CT肺結節篩查中可有效降低高危人群漏診或誤診率，更利于肺癌患者及早得以診治。本文主要結合筆者個人臨床工作經驗與相關文獻報道分析了人工智能輔助診斷技術在低劑量CT肺結節篩查中的應用及質控情況，以供參考。

1 人工智能輔助診斷技術在肺結節篩查中的應用流程、不足之處

1.1 應用流程

人工智能（AI）輔助診斷技術僅起到輔助篩查作用，無法作為最終診斷標準，仍需醫師結合影像實際情況作出最終診斷，其輔助診斷流程具體為：使患者呈適宜體位;結合診斷方式、操作要求掃描規范;對圖像進行平滑、增強等預處理;經分割法分割肺部區域;按照現有肺結節外源訓練數據建立模型;檢測肺結節;定量測評肺結節，推測其良惡性;閱片診斷;按照人工智能輔助診斷技術結合二次閱片，并給出最終診斷結果。

1.2 不足之處

訓練數據集質量不統一，標注質量欠佳、圖像處理技術無統一標準;知識產權不明;臨床驗證技術、驗證方法、驗證標準缺乏科學性;倫理規范、隱私安全等嚴重不足。

2 人工智能輔助診斷技術在肺結節篩查中的質量控制

2.1 訓練數據應規范化、包含疾病多樣性

高質量訓練數據庫是人工智能輔助診斷技術發展的基礎，因此需臨床在構建肺結節人工智能輔助診斷技術訓練數據庫時達到如下要求：（1）影像數據格式與醫學數據成像和通信（DICOM）標準相符。（2）圖像層厚應在0.5mm-1.5mm間。（3）應有2名具備5年以上臨床工作經驗的醫學影像醫師共同對影像數據標識進行標注，一旦二者存在分歧則需經討論共同解決，若意見無法統一，還需再邀請1名影像專家進行核準、審定。（4）訓練數據庫內容應包括肺結節各密度、形態與影像學征象，比如毛刺、空泡等。（5）訓練數據庫內應包含血管軸位像、局部胸膜增厚等可引發肺結節假象的各種影像學征象。（6）若人工智能輔助診斷結果包含良惡性評估，則訓練數據庫病例還需內含臨床病理等診斷金標準。（7）需數據庫樣本具有一定規模，一般千例以上為宜，以應對不同算本，確保深度學習算法可應用與推廣。

2.2 數據閉環能力需完備

肺結節人工智能輔助診斷技術可否持續自我學習與其數據閉環能力有關，比如結構化報告、影像數據、病灶關鍵部位標注等均可有效提高人工智能輔助診斷技術的自主學習能力，因此需持續提高數據閉環能力的敏感度、精準度等，以確保為臨床診斷提供可靠數據。

2.3 臨床試驗驗證需系統

臨床經研究認為，規范的多中心臨床試驗、科學的臨床實踐驗證可對肺結節人工智能輔助診斷技術的診斷準確性予以反映，并可反映影像學醫師經人工智能輔助診斷技術下的診斷符合率與工作效率情況等。

以本文筆者為例，筆者所在體檢中心自2021年9月至2022年2月期間共經人工智能輔助胸部低劑量CT篩查10631人次，體健人員年齡在26-83歲。本次篩查共計檢出12172個結節，男、女性分別有7063個、5109個。結節特點：多見2-5mm，最大直徑18mm，單發、多發均有，常見為多發，經AI輔助精準篩查后，有5例確診肺癌。經確診的早期肺癌患者情況如下：

病例1，2021-09-04，男 61歲，右肺下葉見直徑9mm磨玻璃結節，江蘇省人民醫院手術病理原位腺癌。

病例2，2022-09-11，女 46歲，右肺上葉見類圓形磨玻璃結節，直徑16mm，江蘇省泰興人民醫院手術病理肺癌。

病例3，2021-10-28，女 67歲，右肺上葉磨玻璃結節，直徑10mm，南京鼓樓醫院手術病理原位癌。

病例4，2021-10-06，男 54歲，左肺下葉見直徑8mm磨玻璃結節，北京醫院手術病理原位癌。

病例5，2021-12-29，女 57歲，左肺下葉見直徑7mm磨玻璃結節，南京中大醫院手術病理原位癌。

具體檢測方法為：使用SIEMENS16排CT機胸部低劑量平掃，層厚1.5mm，應用“醫準智能的肺結節檢測系統”進行分析。經分析可見肺結節以實性結節，純磨玻璃結節、混雜結節等多見，部分存在分葉、毛刺、血管增粗等表現。

筆者總結認為，AI輔助低劑量CT，在肺結節精準篩查中不易漏診，尤其是在檢測3mm以下微結節上漏診率更低，不足之處在于：假陽性率偏高，多為條性或三角形實性結節;測量稍偏大，結節邊緣輪廓稍模糊;檢測為磨玻璃結節的復查后部分有吸收消失。

筆者認為：為降低肺癌致死率，應每年體檢，有利于早發現、早診斷、早治療;同時，對于已有結節患者應根據年齡、結節形態與密度大小等對比分析，并進行6-12個月的動態隨訪觀察。

4 結語

目前，人工智能輔助診斷已在臨床取得較好成績，但其在實際應用中仍存在不足之處，還需相關部門以及臨床不斷予以完善，包括數據集完善、標準化完善、相關制度與政策完善等，以確保其可在輔助診斷上發揮最大效果，為后續肺癌篩查提供更精準參考依據，從而提高肺癌診斷準確性。

參考文獻

[1]周其敏，吳志偉，鐘慶童，等.人工智能肺小結節檢測系統在低劑量CT肺篩查中的價值[J].醫學影像學雜志，2020，30（11）：2025-2028.

[2]陳中博，陸青云，王艷.人工智能在胸部低劑量CT體檢人群中應用的評價[J].影像研究與醫學應用，2020，4（7）：98-99.

[3]王爽，雷盛，谷濤，等.人工智能肺結節輔助診斷軟件在肺CT檢查結節分析中的臨床應用[J].中華肺部疾病雜志（電子版），2019，12（6）：757-759.5340E90A-50DB-4104-B30B-093496BD9935