随着低剂量CT的广泛普及，肺结节的检出率逐步提升。部分肺结节可能会进一步进展为肺癌^[1]，肺癌已经变成危害人类健康最常见的恶性肿瘤之一^[2]。肺结节的早期筛查、定期随诊有利于肺癌的早期干预，可以明显延长患者的生存年限。但是大量结节增加了影像医师的工作量，肺结节易漏诊及误诊^[3]。人工智能（artificial intelligence，AI）可以减轻医生工作量，减少漏诊率^[4-5]。但由于AI软件众多，其识别结节的准确性及同质性尚无明确定论^[6]。

本研究旨在探讨两种AI软件在≥5 mm肺结节检测中临床应用价值，寻找不同人工智能软件分析结节类型的准确指标，观察联合两种软件是否能提高结节检测及分类分析的能力。这也为软件制造商需要进一步加强软件数据集的同质化管理提供证据。

1.   资料与方法

1.1   研究对象

回顾性收集2021年6月至2021年10月在延安大学附属医院检出肺结节的92例患者，共筛查出肺结节483个。纳入标准：①符合《胸部CT肺结节数据集构建及质量控制专家共识（2021版）》^[7]相关诊断标准；②至少包含 1枚≥5 mm肺结节；③排除有肺炎和运动伪影的图像。

1.2   CT扫描技术

所有检查由联影UCT-760 128层进行扫描。扫描过程中，患者取仰卧位，从肺尖到肺底进行全肺扫描。扫描参数：管电压120 kV，自动管电流80 mAs，准直40 mm，螺距1.0875，转速0.5 s/r，旋转时间0.5 s，最小层厚0.625 mm，矩阵1024×1024，标准算法重建。

1.3   肺结节检测

使用人工智能软件A（图1）、软件B（图2）进行肺结节的自动检测。将92例胸部CT原始数据传输至工作站，软件自动批量进行肺结节的识别和标记。软件A（型号：MIDS-PNAB V1.2.0.1），算法由2D与3D深度卷积网络^[8]组成；软件B（型号：SW001.001），主要由计算机辅助诊断（computer aided diagnosis，CAD）算法组成，包括5大主要部分：肺分割、候选结节的产生、特征提取、分类、相关参数计算。

图  1  软件A肺结节识别界面

Figure  1.  The pulmonary nodule recognition interface of software A

下载: 全尺寸图片 幻灯片

图  2  软件B肺结节识别界面

Figure  2.  The pulmonary nodule recognition interface of software B

下载: 全尺寸图片 幻灯片

1.4   结节标准认定

由两名高年资影像学医师（从事影像诊断工作10年以上）对92例肺结节患者的胸部CT原始数据进行诊断，参照《胸部CT肺结节数据集构建及质量控制专家共识（2021版）》^[7]诊断标准进行识别，以两人的一致性意见作为结节参考标准。意见不统一时，由高级职称医师组织共同讨论，以此作为诊断金标准^[9]。

在人工智能软件中，结合CT平扫和三维重建来观察结节，以此来确定AI标记结果是否与肺内结节的定义一致，从而判断结节的数量和类型。结节根据密度的不同分为实性结节、磨玻璃结节（ground-glass nodule，GGN）、钙化结节（图3），其中磨玻璃结节包括纯磨玻璃结节（pure ground-glass nodule，pGGN）和部分实性结节（partial soild nodule，PSN）。纯磨玻璃结节指密度均匀一致的磨玻璃样改变，在胸部CT上，该结节中能够观察到支气管、血管的形态和走向；部分实性结节也称为混合磨玻璃结节，指病灶遮盖部分肺实质的结节，其为恶性结节的可能性最大^[10-11]。

图  3  肺结节的不同类型

Figure  3.  Different types of pulmonary nodules

下载: 全尺寸图片 幻灯片

1.5   统计学方法

采用SPSS 26.0进行统计学分析。符合正态分布的计量资料以$(\bar x\pm s)$表示，不符合正态分布的计量资料用$M(Q_1,Q_3)$表示。计数资料用 ％ 表示，两种AI软件与人工阅片比较采用卡方检验或Fisher确切概率法；AI结节检出率与人工阅片一致性评价采用Kappa检验；分别计算两种软件及两种软件联合对于肺结节的检出率、假阴性率、假阳性率。P＜0.05为差异具有统计学意义。

2.   结果

2.1   不同类型结节分布

经两位高年资影像医师人工阅片，92例患者胸部CT所检测出的结节共483个，其中实性结节295个（61.1％），PSN 6个（1.24％），mGGN 68个（14.1％），钙化结节114个（23.6％，表1）。

表  1  两种软件及两种软件联合对肺结节的检出情况

Table  1.  The detection of pulmonary nodules by two separate kinds of software and their combined effect

阅片方法	检出情况
	检出率/％	假阳性率/％	假阴性率/％
软件A	92.1	3.52	7.87
软件B	87.0	2.69	13.0
软件A联合软件B	97.1	1.04	2.91

下载: 导出CSV 

| 显示表格

2.2   两种AI软件对483个肺结节检出情况的比较

软件A结节检出率92.1％，软件A与人工阅片比有统计学差异，软件A与人工阅片的一致性一般（Kappa值=0.213）。软件B的结节检出率87.0％，软件B与人工阅片比有统计学差异（表2），软件B和人工阅片的一致性较弱（Kappa值=0.150）。软件A假阳性率较高（图4），软件B假阴性率较高（图5）。

表  2  两种AI软件及两种AI软件的联合对结节检出率的差异

Table  2.  The differences in nodule detection rate between the two artificial intelligence software and their combined effect

软件	N（％）	统计检验
		$\chi^2 $	P	Kappa
软件A-人工阅片	445（92.1）	25.519	0.000	0.213
软件B-人工阅片	420（87.0）	16.472	0.000	0.150
软件A联合软件B-人工阅片	469（97.1）	102.697	0.000	0.439

下载: 导出CSV 

| 显示表格

图  4  两种软件识别的假阳性结节

Figure  4.  False positive nodules identified by the two software

下载: 全尺寸图片 幻灯片

图  5  两种软件识别的假阴性结节

Figure  5.  False negative nodules identified by the two software

下载: 全尺寸图片 幻灯片

2.3   两种AI软件对不同类型结节检出情况比较

两种软件对于实性结节及磨玻璃结节的检出率有统计学差异（表3）；软件A与人工阅片比实性结节和钙化结节的检出有统计学差异；软件B和人工阅片在磨玻璃结节的检测上有统计学差异（表4）。

表  3  两种AI软件对不同类型结节的检出情况

Table  3.  The detection of different types of nodules by the two artificial intelligence software

变量	N	结节检测软件		P
		软件A（％）	软件B（％）
实性结节	295	279（94.6）	254（86.1）	0.030
部分实性结节	6	6（100.0）	3（50.0）	0.000
纯磨玻璃结节	68	56（82.4）	63（92.6）	0.079
钙化结节	114	104（91.2）	100（87.7）	0.098

下载: 导出CSV 

| 显示表格

表  4  两种AI软件及两种AI软件联合识别不同类型结节的差异

Table  4.  The differences between the two artificial intelligence software and their combined effect in identifying different types of nodules

变量	实性结节			部分实性结节			纯磨玻璃结节			钙化结节
	$\chi^2 $	P		$\chi^2 $	P		$\chi^2 $	P		$\chi^2 $	P
软件A-人工阅片	10.693	0.001		－	0.538		0.030	0.862		14.809	0.000
软件B-人工阅片	0.800	0.371		－	0.182		6.741	0.009		0.556	0.456
软件A联合软件B-人工阅片	0.381	0.537		－	0.464		0.271	0.603		0.000	1.000
注：－为Fisher确切概率法没有相应的统计量。

下载: 导出CSV 

| 显示表格

2.4   两种AI软件对于肺结节的联合检测

两种AI软件的联合增加了不同类型肺结节的检出率，尤其是实性结节和磨玻璃结节。两种软件的联合使不同类型结节的检出率与人工阅片相比无统计学差异（表4），两种软件的联合与人工阅片比结节检出数无统计学差异（表2），两种软件的联合与人工阅片之间的一致程度优于单独使用一种软件（Kappa=0.439）。

3.   讨论

CT的广泛使用使肺结节的检出率增加，但随着图像数量的增多，影像医师易受主观因素影响而容易对某些结节漏诊及误诊^[12]。以GGN为主的肺癌具有“惰性”发展、远处转移少的特点，且预后良好，5年生存率100％^[13-14]。所以，GGN的精确识别对于患者后续诊治非常重要。现有的GGN管理基于结节大小、特征和生长速度。AI软件能够有效筛查肺结节，协助医师发现早期肺癌并根据结节的大小及结节类型制定合理的随访时间并采取不同的干预措施。但由于日常工作中用于辅助诊断的AI软件不同，肺结节检测的准确性存在一定差异^[6]。本研究发现两种AI软件对于不同类型的结节诊断价值不同，尤其是实性结节及磨玻璃结节。基于此，本研究进一步研究了两种AI软件的联合诊断价值。

本研究发现两种AI软件联合使用会筛选出更多的阳性结节，减少了结节的漏诊，虽然在一定程度上增加了时间成本，但以往研究表明AI较人工阅片用时明显缩短，每张胸片平均用时约为0.28 s^[15]；即使在两种AI软件同时阅片的情况下，工作效率也较人工阅片明显提高，本文主要探讨了AI软件在≥5 mm肺结节的检测价值，两种软件的使用会增加结节的检出率，尤其是实性结节及磨玻璃结节，这更有助于早期肺癌的检出。因为只有在结节检出率提升的情况下，才能进一步对结节的良恶性性质进行判别。

李欣菱等^[16]及刘娜等^[17]的研究证明肺结节AI检测软件的假阳性率较高，这与我们的研究结果基本相符。本研究软件A将17个结节错识别为阳性结节，其中6个（35％）表现为增粗、聚集的血管^[16]，7个（41％）表现为肺内纤维索条影、瘢痕和实变影以及局限性肺不张，1个（6％）表现为肺门旁淋巴结，3个（18％）表现为突向肺野内的骨性结构、胸膜褶皱。两种AI软件对结节的检出具有差异性，可能由于样本量不足导致，也可能由于不同深度学习模型算法不同，软件A基于2 D与3 D卷曲神经网络算法，软件B基于CAD算法。王祥等^[18]研究表明三维卷积神经网络算法模型相较于传统CAD系统，肺结节检出灵敏度显著提升，但由于训练数据集的偏倚等问题，灵敏度仍有进一步提升的空间。因而后期软件需要进一步优化算法，加强各个软件对于结节识别的训练，保证不同软件对同一结节识别的同质性，便于临床对结节的随访及决策，避免临床工作中患者的过度检查，减轻患者的经济及心理负担。

左玲子等^[19]研究表明引起纯磨玻璃密度假阳性肺结节的常见原因有胸膜结节、索条影、血管增粗、分叉和肺小叶结构。本研究中软件B将3例部分实性结节被错识别为纯磨玻璃结节，这可能是由于结节本身性质、成像参数、AI软件诊断性能所导致的结果。

两种软件检出率较人工阅片比还有一定差距，因此，需要软件扩大样本量，减少漏诊及误诊，提高AI诊断的准确性^[19]。最后，在本研究中发现两种软件的联合使用可以明显提高不同类型肺结节的识别及检出率，特别是磨玻璃结节及实性结节，这有利于患者在低剂量CT基线扫描时早期肺癌的精准识别。

4.   总结

本研究的局限性：①本研究样本来源于健康体检人群，部分实性结节的例数较少，今后应纳入不同人群进行分析；②金标准的确定存在一定偏倚性；③两种软件的算法不同可能会影响结果，同等算法下肺结节的检出情况有待进一步研究。

综上所述，两种AI软件对肺结节类型的检出有差异，因此需要对AI软件进一步优化算法，加强其对于结节识别的同质性，并提升软件数据集的管理，便于临床对结节的随访及决策。两种AI软件联合诊断的方法是早期肺癌准确识别的一种可行优化方案。