2020年全球癌症数据报告显示, 肺癌为最常见的恶性肿瘤, 全球发病率居第2位, 死亡率居第1位。死亡率的下降趋势是癌症筛查与控制进步的黄金标准, 近年来, 肺癌死亡率的降幅已创下历史最高纪录^[1]。癌症早期筛查技术的发展, 让更多的癌症患者及时发现并给予干预和治疗, 行手术切除患者早期肺癌10年生存率约为72%^[2]。年度低剂量CT (low-dose computed tomography, LDCT) 成为肺癌筛查的有效手段, 使患者死亡率约降低20%^[3]。近年来, 人工智能系统(artificial intelligence, AI) 在医学影像领域广泛应用, 尤其是在肺结节辅助诊断方面, AI明确了结节的位置、性质、大小、CT值及危险程度等相关信息, 提高了工作效率及诊断准确率^[4]。

能谱CT采用能量瞬时切换, 同源、同时、同角度采集多种能量X线数据, 进一步获得多组单能量图像, 这种单能量图像相对混合能量的普通CT能够有效降低硬化效应, 图像CT值也更为纯粹和可靠^[5]。由于低能量X线吸收多, 衰减大, 可以获得更好的组织对比度及图像灵敏度, 所以低能量图像较高能量图像及混合能量图像在小病灶的检出及反映结节的性质方面更加优越^[6]。本研究旨在探讨AI肺结节辅助诊断系统(简称AI肺结节系统) 与能谱CT多组单能量图像结合, 比较不同单能量下对肺结节的诊断效能, 并按肺内结节性质进行分类, 筛选出AI肺结节系统检测不同性质肺内结节的最佳单能量图像。

1 材料与方法 1.1 临床资料

收集本院2021年11月至2022年1月应用能谱CT检查肺结节患者的影像资料。图像纳入标准: (1) 图像中至少存在1枚肺内结节；(2) 有薄层CT图像, 且原始数据图像连续完整。排除标准: (1) 肺部继往行手术治疗；(2) 弥漫性肺疾病、间质性肺疾病、广泛肺炎等严重影响图像识别的肺部疾病；(3) 异物、严重呼吸运动伪影等影响识别与标注的图像。本研究最终共纳入28例患者, 其中男20例, 女8例, 平均年龄为57.1岁。本研究已获得我院伦理委员会批准。

1.2 影像检查方法

采用GE Lightspeed VCT 64宝石能谱CT扫描仪(GE Discovery 750 HD), 嘱患者每次扫描屏气程度一致, 于其吸气末屏气扫描。扫描范围: 胸廓入口至膈下, 管电压为80、140 kVp瞬时切换, 自动管电流调节, 最大管电流为260 mA, 螺距0.984∶l, 转速0.5 s/r, 床进78.75 mm/s, 图像噪声指数(noiseindex, NI) 预设为12, 扫描层厚为5 mm, 进一步分解为图像层厚0.625 mm。扫描结束后将原始图像重建单能量图像。

1.3 肺内结节检测及图像分析

由北部战区总医院放射科具有5年以上胸部阅片经验的2名住院医师, 背靠背采用基于AI肺结节系统[深睿AI辅助诊断系统(Dr. Wise Lung Analyzer, V1.0.0.0)]对28例胸部能谱CT数据图像70 keV序列(相当于120 kVp序列) 进行肺内结节标注, 出现独立判断结果不一致时由具有15年以上经验主任医师裁定并给出最终结果作为判定结节的金标准。标注结节并按肺内结节性质进行分类, 包括实性结节、亚实性结节(包括部分实性结节、纯磨玻璃密度结节)和钙化结节3类。采用AI肺结节系统分别对28例能谱CT的40、60、80和100 keV单能量图像进行筛查, 记录结节数量及单个结节的性质, 将结果与医师判定结节金标准进行比对, 分析不同单能图像、不同性质肺内结节的检出效能。

1.4 统计学分析

采用SPSS 23.0软件进行统计分析。对比判定结节金标准, 统计不同单能量图像中真阳性结节、假阳性结节及假阴性结节数量, 计算比较灵敏度、阳性预测值及假阳性率。其中真阳性结节定义为识别并准确判定结节性质的肺内结节。假阳性率定义为假阳性结节数/CT扫描数。R×C列表Pearsonχ²检验比较不同单能量图像和不同性质肺结节检测的灵敏度及阳性预测值。P < 0.05为差异有统计学意义。

2 结果 2.1 AI肺结节筛查系统的诊断效能

收集28例患者的能谱CT图像, AI肺结节系统结合放射科医师共标注231个肺内结节作为“金标准”, 其中, 亚实性结节45例, 实性结节177例, 钙化结节9例。AI肺结节系统共检测到201个肺内结节, 参照“金标准”, AI肺结节检测系统标注真阳性结节190个, 假阳性结节11个, 假阴性结节41个, 灵敏度为82.25%, 阳性预测值为94.53%, 假阳性率为39.29%。

2.2 AI肺结节筛查系统检测不同单能量图像在不同性质肺内结节间性能比较

采用AI肺结节系统分别对28例能谱CT的40、60、80、100 keV单能量图像进行筛查, 分别检出144、174、199、209个结节, 真阳性结节126、166、187、198个, 见表 1。4组单能量间检测肺内结节的灵敏度和阳性预测值均有统计学意义(P < 0.05), 其中, 40 keV灵敏度低于其他单能量组, 80 keV灵敏度最高, 60 keV阳性预测值高于其他单能量组。

2.3 AI肺结节筛查系统检测不同性质肺内结节在单能量图像间性能比较

将不同单能量间对AI肺结节系统检测的3类不同性质肺内结节, 分别统计其检出结节及真阳性结节数量, 计算灵敏度及阳性预测值并进行比较, 见表 2、3。各组单能量中, 不同性质的肺内结节灵敏度有统计学差异(P均 < 0.05), 40 keV组检测不同性质结节阳性预测值差异无统计学意义(P = 0.130), 其他能量组检测不同性质结节阳性预测值差异有统计学意义(P均 < 0.05)。实性结节中, 4组单能量间灵敏度及阳性预测值差异有统计学意义(P均 < 0.001), 80 keV以上组灵敏度显著高于40及60 keV, 60 keV以上组阳性预测值显著高于40 keV。亚实性结节中, 4组单能量间灵敏度及阳性预测值差异无统计学意义。钙化结节中, 4组单能量灵敏度均为100%, 阳性预测值差异无统计学意义。

3 讨论

近年来, 肺癌早期筛查与控制的进步使死亡率呈逐年下降趋势。早期肺癌CT影像常表现为不典型肺内结节, 体积小、密度不均、形态不规则、对比度低^[7], AI在肺结节辅助诊断方面得到广泛应用, 能够明确结节位置、性质、大小、CT值及危险程度等相关信息, 有效提升诊断准确率。能谱CT可获得更好的组织对比度及灵敏度, 低能量组织对比度较大, 小病灶检出更为优越, 高能量组织对比度较小, 噪声减低, 能谱CT为检测结节性质, 小病灶及多发病灶检出、微小病灶鉴别诊断、准确定位及定性肿瘤提供了更多的可能。

本研究将AI肺结节系统结合能谱CT, 比较不同单能量对肺结节的诊断效能, 筛选不同性质结节最佳单能量。有研究^[8-9]表明70 keV图像有较高的信噪比及对比噪声比, 本研究80 keV以上组具有较高的肺结节检出灵敏度(80.60%), 60 keV阳性预测值(95.40%) 较高。同时要关注AI肺结节系统的假阳性率, 本研究40 keV假阳性率最高, 分析原因“真阳性结节”认为是AI检出且正确判断性质的结节, 虽然低能量组织对比度较大, 但判断结节性质存在一定偏差, 尤其是钙化结节, 部分结节低能量判定为钙化, 当能量升高后改判为实性, 40 keV中18例假阳性结节, 原14例判定钙化结节, 60 keV改判实性结节。同时要关注AI肺结节系统假阴性率, 本研究钙化结节100%被检出, 部分实性及亚实性结节存在漏诊, 其中, 20例亚实性结节全部能量均未被检出, 分析原因为钙化结节密度高, 与周围组织形成良好对比而易被检出, 未被检出结节为体积较小、密度较低的纯磨玻璃结节, 以及实性成分体积比相对较少的部分实性结节, 临近胸膜或气管血管束断面。有研究^[10]表明亚实性结节中实性部分体积占比直接影响肿瘤的侵袭、预后及复发, 因此临床应用中要不断优化AI系统的检出, 提高准确性。

同一能量检出不同性质肺结节的灵敏度有统计学差异, AI系统检出钙化结节灵敏度高达100%, 检出实性结节的阳性预测值高于亚实性及钙化结节, 有研究^[11]表明与肺结节检测模型训练集中实性结节占多数相关, 获得的模型更易于捕捉实性结节的影像表现。本研究结果显示, 实性结节不同检出能量的灵敏度及阳性预测值均有统计学差异, 随着能量升高, 检出灵敏度升高。亚实性及钙化结节中不同检出能量的灵敏度、阳性预测值均无统计学差异。对于实性结节, 80 keV以上组具有较高检出灵敏度, 且图像信噪比及对比噪声比良好, 因此本研究AI肺结节系统与80 keV以上能量结合检测肺实性结节最优。

本研究也存在一定局限性。随机抽样可能存在选择偏倚, 样本量相对有限, 不同性质肺内结节样本量差异较大；对于亚实性结节未能进一步分类为部分实性结节及纯磨玻璃结节。