切换至 "中华医学电子期刊资源库"
高级检索
中华肺部疾病杂志(电子版)

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
全文 ( ) 下载PDF ( ) 导出引用
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]. 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]. 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。

关键词: 人工智能, 肺结节, 支气管肺癌, 早期诊断
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.

Key words: Artificial intelligence, Lung nodules, Lung cancer, Early diagnosis
表1 39例患者一般资料结果
临床资料 分组 例数(%)
年龄 >60岁 14(35.9)
  ≤60岁 25(64.1)
性别 男 20(51.3)
  女 19(48.7)
吸烟史 有 19(48.7)
  无 20(51.3)
家族史 有 3 (7.7)
  无 36(92.3)
5年以上胸部肿瘤史 有 0 (0.0)
  无 39(100.0)
既往确诊为肺气肿 是 11(28.2)
  否 28(71.8)
结节特点 磨玻璃 3 (7.7)
  亚实性 26(66.7)
  实性 10(25.6)
毛刺征 有 8 (20.5)
  无 31(79.5)
Lungrads分级 3级 7(18.0)
  4A级 9(23.1)
  4B级 23(58.9)
病理类型 良性病变 14(35.9)
  腺癌 23(58.9)
  鳞癌 2 (5.1)
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
临床指标 分类 例数 AI风险概率 F/t值 P值
结节特征 磨玻璃 3 29.03±55.00 8.950 0.001
  亚实性 26 83.73±22.55    
  实性 10 54.80±24.77    
结节数量 单个结节 16 71.94±31.83 0.172 0.843
  2～3个结节 14 73.57±25.39    
  >3个结节 9 78.78±25.79    
边缘毛刺征 有 8 80.50±8.96 0.778 0.442
  无 31 72.45±28.66    
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
分　级 级别 例数 AI风险概率 F值 P值
  3级 6 49.50±12.68 119.977 0.000
Lung Rads 4A级 9 54.33±11.65    
  4B级 24 90.29±2.20    
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] 张梅芳, 谭莹, 朱巧珍, 温昕, 袁鹰, 秦越, 郭洪波, 侯伶秀, 黄文兰, 彭桂艳, 李胜利. 早孕期胎儿头臀长正中矢状切面超声图像的人工智能质控研究[J]. 中华医学超声杂志（电子版）, 2023, 20(09): 945-950.
[2] 唐玮, 何融泉, 黄素宁. 深度学习在乳腺癌影像诊疗和预后预测中的应用[J]. 中华乳腺病杂志(电子版), 2023, 17(06): 323-328.
[3] 赵之栋, 李众利. 骨关节炎早期诊治的研究进展[J]. 中华关节外科杂志(电子版), 2023, 17(05): 689-693.
[4] 范帅华, 郭伟, 郭军. 基于机器学习的决策树算法在血流感染预后预测中应用现状及展望[J]. 中华实验和临床感染病杂志(电子版), 2023, 17(05): 289-293.
[5] 李智铭, 郭晨明, 庄晓晨, 候雪琴, 高军喜. 早期乳腺癌超声造影定性及定量指标的对比研究[J]. 中华普外科手术学杂志(电子版), 2023, 17(06): 639-643.
[6] 李晓阳, 刘柏隆, 周祥福. 大数据及人工智能对女性盆底功能障碍性疾病的诊断及风险预测[J]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(06): 549-552.
[7] 胡博文, 戴英波. 泌尿外科机器人手术新趋势[J]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(04): 418-421.
[8] 李腾成, 狄金明. 2023 V1版前列腺癌NCCN指南更新要点解读[J]. 中华腔镜泌尿外科杂志(电子版), 2023, 17(04): 313-318.
[9] 邢晓伟, 刘雨辰, 赵冰, 王明刚. 基于术前腹部CT的卷积神经网络对腹壁切口疝术后复发预测价值[J]. 中华疝和腹壁外科杂志(电子版), 2023, 17(06): 677-681.
[10] 梁开地, 缑文斌, 莫居容. 肺癌组织中细胞角蛋白18的表达及与预后的相关性[J]. 中华肺部疾病杂志(电子版), 2023, 16(05): 688-690.
[11] 任茂玲, 孙晓容, 何晓丽. CT引导下微波消融术在肺部结节治疗中的应用及术后并发症的危险因素分析[J]. 中华肺部疾病杂志(电子版), 2023, 16(05): 718-720.
[12] 雷漫诗, 邓锶锶, 汪昕蓉, 黄锦彬, 向青, 熊安妮, 孟占鳌. 人工智能辅助压缩感知技术在上腹部T2WI压脂序列中的应用[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 551-556.
[13] 韩冰, 顾劲扬. 深度学习神经网络在肝癌诊疗中的研究及应用前景[J]. 中华肝脏外科手术学电子杂志, 2023, 12(05): 480-485.
[14] 顾睿祈, 方洪生, 蔡国响. 循环肿瘤DNA检测在结直肠癌诊治中的应用与进展[J]. 中华结直肠疾病电子杂志, 2023, 12(06): 453-459.
[15] 李京珂, 张妍春, 武佳懿, 任秀瑜. 深度学习在糖尿病视网膜病变筛查、评级及管理中的研究进展[J]. 中华眼科医学杂志(电子版), 2023, 13(04): 241-246.
阅读次数
全文


摘要

版权所有 中华医学会 中华医学电子音像出版社有限责任公司  京ICP备14006079号-1  网络出版服务许可证：(署)网出证(京)字第075号