切换至 "中华医学电子期刊资源库"

中华肺部疾病杂志(电子版) ›› 2020, Vol. 13 ›› Issue (06) : 760 -763. doi: 10.3877/cma.j.issn.1674-6902.2020.06.009

论著

人工智能在肺结节良恶性鉴别诊断中的价值分析
南岩东1,(), 李玉娟1, 刘苗苗1, 金发光1, 张涛1   
  1. 1. 710038 西安,空军(第四)军医大学唐都医院呼吸与危重症医学科
  • 收稿日期:2020-05-07 出版日期:2020-12-25
  • 通信作者: 南岩东
  • 基金资助:
    陕西省重点研发计划(2019SF-009)

Analysis of the value of artificial intelligence in differential diagnosis of benign and malignant pulmonary nodules

Yandong Nan1,(), Yujuan Li1, Miaomiao Liu1, Faguang Jin1, Tao Zhang1   

  1. 1. Department of Respiratory and Critical Care Medicine, Tangdu Hospital, Air Force Military Medical University, 710038, China
  • Received:2020-05-07 Published:2020-12-25
  • Corresponding author: Yandong Nan
引用本文:

南岩东, 李玉娟, 刘苗苗, 金发光, 张涛. 人工智能在肺结节良恶性鉴别诊断中的价值分析[J/OL]. 中华肺部疾病杂志(电子版), 2020, 13(06): 760-763.

Yandong Nan, Yujuan Li, Miaomiao Liu, Faguang Jin, Tao Zhang. Analysis of the value of artificial intelligence in differential diagnosis of benign and malignant pulmonary nodules[J/OL]. Chinese Journal of Lung Diseases(Electronic Edition), 2020, 13(06): 760-763.

目的

评价人工智能(artificial intelligence, AI)风险评估对肺结节良恶性鉴别诊断的价值。

方法

收集2018年8月至2019年12月唐都医院行胸部CT检查,发现肺结节患者310例,将患者CT影像数据DICOM文件拷贝输入到"FACT人工智能"软件系统对结节进行分析,获得结节的部位、数量、特征(磨玻璃、亚实性、实性)、大小、密度、以及恶性风险概率AI值和Lung-rads分级;其中39例肺结节经过多学科讨论,建议采用外科手术、经皮肺穿刺或者支气管镜下活检等,271例患者进行随访。

结果

31例肺结节病理诊断良性14例,分别为结核8例,隐球菌2例,炎性结节4例;恶性25例,分别肺鳞癌2例,腺癌23例。进一步分析,恶性病变的AI风险概率明显高于良性病变(P<0.05);结节AI风险概率与肺结节特点(磨玻璃、亚实性、实性)显著相关(P<0.05),而与数量及边缘毛刺征无显著相关性(P>0.05);肺结节特点(磨玻璃、亚实性、实性)在良恶性之间存在显著性差异(P<0.05),而密度和体积之间在在良恶性之间无显著性差异(P>0.05)。肺结节Lung-rads分级与AI风险概率之间具有显著的相关性(P<0.05)。

结论

依据人工智能自动分析良恶性概率AI值对肺结节良恶性鉴别诊断具有一定的价值,值得临床借鉴。

Objective

To evaluate the value of risk assessment of artificial intelligence (AI) in the differential diagnosis of benign and malignant pulmonary nodules.

Methods

All of 310 patients with pulmonary nodules by the Chest CT examination in Tangdu Hospital from August 2018 to December 2019 were collected in this study. A copy of the patient′s CT image with DICOM format was input into the "FACT artificial intelligence" software system to and the pulmonary nodules was analyzed. The pulmonary nodules characteristics, including the location, quantity, featutes (ground glass, subsolid and solid), size, density and AI values and Lung-rads grade were obtained. After multidisciplinary discussion, 39 cases of pulmonary nodules were suggested to be diagnosed by surgery, percutaneous lung puncture or bronchoscopic biopsy and 271 patients were followed up.

Results

Among 31 cases of pulmonary nodules, 14 cases were benign, including tuberculosis (8 cases), cryptococci (2 cases), inflammatory nodule (4 cases), and 25 cases were malignant, including squamous cell carcinoma (2 cases) and adenocarcinoma (23 cases). Further analysis showed that the AI risk probability of malignant lesions was significantly higher than that of benign lesions (P>0.05), and the AI risk probability of nodules was significantly correlated with the characteristics of pulmonary nodules (ground glass, subsolid and solid) (P>0.05), but not with the numbers and the marginal burr sign (P>0.05). There were significant differences in the characteristics of pulmonary nodules (ground glass, subsolid, and solid) between benign and malignant (P<0.05), but there was no significant difference in density or volume between benign and malignant (P>0.05). In addition, Lung-rads grade significantly correlated with AI risk probability of pulmonary nodules (P<0.05).

Conclusion

The automatic analysis of benign and malignant probability of pulmonary based on AI has a certain value in the differential diagnosis of pulmonary nodules and could be used in clinic.

表1 39例患者一般资料结果
表2 AI风险概率与肺结节特征、数量、毛刺征之间的相关性分析
表3 AI风险概率与肺结节特征、数量、毛刺征之间的相关性分析
1
钱桂生. 肺癌不同病理类型发病率的变化情况及其原因[J/CD]. 中华肺部疾病杂志(电子版), 2011, 4(1): 1-5.
2
夏君燕,朱 平,伍学强. 分子靶向药物与肿瘤[J]. 世界肿瘤研究,2015, 5(4): 65-73.
3
江鑫辉,寿伟臻. 非小细胞肺癌免疫治疗研究进展[J]. 医学诊断,2016, 6(1): 15-20.
4
张洪岩,邹庆华,杜宝昌. 抗血管生成药物治疗小细胞肺癌研究进展[J]. 人民军医,2018, 61(6): 554-558, 561.
5
李时光,古宏晖,刘晓童,等. 大数据背景下的中医药临床研究——基于数据挖掘分析欧阳郴生名中医治疗肺癌的用药规律[J]. 中医学,2020, 9(4): 332-341.
6
Detterbeck FC, Chansky K, Groome P, et al. The IASLC lung cancer staging project: methodology and validation used in the development of proposals for revision of the stage classification of NSCLC in the forthcoming (Eighth) edition of the TNM classification of lung cancer[J]. J Thorac Oncol, 2016, 11(9): 1433-1446.
7
萧 毅,刘士远. 肺结节影像人工智能技术现状与思考[J]. 肿瘤影像学,2018, 27(4): 249-252.
8
谭明瑜,赵 伟,马伟玲,等. 基于薄层CT的三维影像组学在预测亚厘米磨玻璃样肺腺癌浸润程度的价值[J]. 放射学实践,2020, 35(8): 960-966.
9
李欣菱,郭芳芳,周 振,等. 基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 中国肺癌杂志,2019, 22(6): 336-340.
10
邱 露,方向明,陈宏伟. 人工智能辅助CT肺结节良恶性鉴别的研究进展[J]. 临床放射学杂志,2019, 38(12): 2453-2456.
11
刘晓鹏,周海英,胡志雄,等. 人工智能识别技术在T1期肺癌诊断中的临床应用研究[J]. 中国肺癌杂志,2019, 22(5): 319-323.
12
单文莉,柏根基,王亚婷,等. Lung-RADS分级和CT征象诊断孤立性肺结节的价值[J]. 放射学实践,2019, 34(3): 293-297.
13
明 星,吴 非. 肺磨玻璃结节CT征象对早期肺腺癌的诊断价值[J]. 国际医学放射学杂志,2017, 40(1): 37-40.
14
张海宽,贾 宁,冷艾泠. 高分辨CT、胸部平片及病理学诊断肺磨玻璃结节临床分析[J/CD]. 中华肺部疾病杂志(电子版), 2020, 13(3): 360-364.
15
吴梦香,刘挨师. 人工智能医学影像在胸部应用的机遇与挑战[J]. 影像研究与医学应用,2020, 4(2): 11-13.
16
李小雪,蒲 红,尹芳艳,等. 肺部结节的诊疗新进展[J]. 放射学实践,2019, 34(5): 578-582.
17
印宏坤,黄 皓,林 强,等. 拓展医疗人工智能的新疆界[J]. 人工智能,2018, 11(4): 88-96.
18
裴艳丽,许建名,徐冰凌,等. 肺癌危险因素及早期筛查方法研究进展[J]. 癌症进展,2020, 18(10): 973-976.
19
吕 晴. 基于人工智能的肺癌辅助诊断系统的设计与实现[D]. 中国科学院大学(中国科学院沈阳计算技术研究所), 2020: 23-46.
20
傅孙亚,张玉琴,吴明杰,等. 人工智能与放射科医师判断孤立性肺结节良恶性效果比较[J]. 中国乡村医药,2020, 27(12): 18-19.
21
杨尚文,胡安宁,徐亚运,等. CT图像分辨率对人工智能肺结节辅助诊断系统诊断准确性的影响[J]. 医学影像学杂志,2020, 30(6): 965-968.
22
高 晨,王世威,许茂盛. 肺癌影像的人工智能研究[J]. 中国中西医结合影像学杂志,2020, 18(3): 219-223.
23
王 爽,雷 盛,谷 涛,等. 人工智能肺结节辅助诊断软件在肺CT检查结节分析中的临床应用[J/CD]. 中华肺部疾病杂志(电子版), 2019, 12(6): 757-759.
24
张正华,蔡雅倩,韩 丹,等. 基于深度学习的肺结节筛检和定性诊断分析[J]. 肿瘤防治研究,2020, 47(4): 283-287.
25
张治佳,植萱奇,黎联弟. AI识别技术在早期肺癌诊断中的应用价值分析[J]. 中国实用医药,2020, 15(22): 58-60.
26
李 倩,刘 颖,张宇威,等. 人工智能在肺部肿瘤影像诊断中的研究进展[J]. 中国肿瘤临床,2020, 47(2): 55-59.
27
谭培兰,张晓林,柏 辉,等. 计算机辅助CT图像特征在磨玻璃结节早期肺癌诊断中的应用[J]. 癌症进展,2019, 17(16): 1946-1948.
28
刘晓林. 人工智能CT定量分析肺磨玻璃密度结节的研究[J]. 中西医结合心血管病电子杂志,2019, 7(34): 112.
29
王冠华,燕俊竹,张 林. 人工智能技术对肺癌早期不同密度肺结节的诊断能力探究[J]. 影像研究与医学应用,2020, 4(14): 145-146.
30
陈疆红,钟朝辉,江桂莲,等. 人工智能肺结节辅助诊断系统预测亚实性肺结节恶性概率[J]. 中国医学影像技术,2020, 36(4): 535-539.
31
Chung K, Jacobs C, Scholten E. T, et al. Malignancy estimation of Lung-RADS criteria for subsolid nodules on CT: accuracy of low and high risk spectrum when using NLST nodules[J]. European Radiology, 2018, 41(1): 113.
[1] 李洋, 蔡金玉, 党晓智, 常婉英, 巨艳, 高毅, 宋宏萍. 基于深度学习的乳腺超声应变弹性图像生成模型的应用研究[J/OL]. 中华医学超声杂志(电子版), 2024, 21(06): 563-570.
[2] 叶莉, 杜宇. 深度学习在牙髓根尖周病临床诊疗中的应用[J/OL]. 中华口腔医学研究杂志(电子版), 2024, 18(06): 351-356.
[3] 赵林娟, 吕婕, 王文胜, 马德茂, 侯涛. 超声引导下染色剂标记切缘的梭柱型和圆柱型保乳区段切除术的效果研究[J/OL]. 中华普外科手术学杂志(电子版), 2024, 18(06): 634-637.
[4] 熊鹰, 林敬莱, 白奇, 郭剑明, 王烁. 肾癌自动化病理诊断:AI离临床还有多远?[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 535-540.
[5] 李伟, 宋子健, 赖衍成, 周睿, 吴涵, 邓龙昕, 陈锐. 人工智能应用于前列腺癌患者预后预测的研究现状及展望[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 541-546.
[6] 黄俊龙, 李文双, 李晓阳, 刘柏隆, 陈逸龙, 丘惠平, 周祥福. 基于盆底彩超的人工智能模型在女性压力性尿失禁分度诊断中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(06): 597-605.
[7] 莫淇舟, 苏劲, 黄健, 李健维, 李思宁, 柳建军. 智能控压输尿管软镜碎石吸引取石术在直径10~25 mm上尿路结石中的应用[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2024, 18(05): 497-502.
[8] 杨轲, 丁增巴姆, 马静, 李盼盼, 陈婷. 全程无缝隙肺康复训练在单孔胸腔镜肺叶切除术中的临床应用[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 801-804.
[9] 钱春蕊, 周燕, 张晶, 蔡笃财, 门慧, 王松海, 黎莉, 邢龙. 高分辨率CT 与多层螺旋CT 在肺结节及早期肺癌中的应用[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 827-830.
[10] 犹成亿, 尤恒, 叶东樊, 张雯, 刘禹, 王仁宇, 苏琳茜, 甘慧, 徐智. 基于3D Res U-Net-Faster RCNN 技术和CT 影像学特征的肺结节性质预测模型的建立[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 673-679.
[11] 井发红, 李丽娜, 高婷, 高艳梅, 杨楠, 李卓, 慕玉东. 肺癌立体定向放疗血清SAP 和MMPs 表达及临床意义[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 707-713.
[12] 邢嘉翌, 龚佳晟, 祝佳佳, 陆群. 肺癌化疗患者继发肺部感染的病原菌耐药性及炎症因子变化分析[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 714-718.
[13] 张卫锋, 张天翼, 赵正维, 王海强, 尹逊亮. VE /VCO2 斜率对肺癌肺叶切除术后心血管并发症的预测意义[J/OL]. 中华肺部疾病杂志(电子版), 2024, 17(05): 725-730.
[14] 袁雨涵, 杨盛力. 体液和组织蛋白质组学分析在肝癌早期分子诊断中的研究进展[J/OL]. 中华肝脏外科手术学电子杂志, 2024, 13(06): 883-888.
[15] 孙铭远, 褚恒, 徐海滨, 张哲. 人工智能应用于多发性肺结节诊断的研究进展[J/OL]. 中华临床医师杂志(电子版), 2024, 18(08): 785-790.
阅读次数
全文


摘要