温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,汇文网负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。
网站客服:3074922707
CT
结合
AI
结节
诊断
系统
鉴别
中的
应用
徐珂
2023 年 5 月第 30 卷第 5 期CT 结合 AI 肺结节诊断系统在肺结节诊断及分型鉴别中的应用徐珂,杨洁*,李秋实,王琦,郭孟珂,韩树亮(河南大学第一附属医院 医学影像科,河南 开封475000)【摘要】目的 探讨CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用效果。方法选取2021年9月至2022年9月我院收治的80例疑似肺结节患者,按照检查方法分为观察组与对照组。对照组采用CT检查诊断,观察组在对照组基础上采用AI肺结节诊断系统。比较两组诊断肺结节及分型的价值。结果病理检查结果显示80例患者共168个结节,其中恶性结节32个(1905)、良性结节136个(8095)。观察组结节检出率及恶性结节阳性检出率分别为9762、9688,高于对照组的8214、8125(P 005)。观察组在结节直径5 cm、8 10 cm及实性结节、磨玻璃结节、胸膜中部结节的检出率高于对照组(P 005)。结论CT结合AI肺结节诊断系统可提高肺结节检出率,且在鉴别结节分型方面价值较高。【关键词】CT;AI肺结节诊断系统;肺结节;分型鉴别中图分类号:R563文献标识码:Adoi:10.3969/j.issn.1674-4659.2023.05.0585Application of CT Combined with AI Pulmonary Nodule Diagnostic System in the Diagnosis and Typing Differentiation ofPulmonary NodulesXU Ke,YANG Jie*,LI Qiushi,WANG Qi,GUO Mengke,HAN Shuliang(Department of Medical Imaging,the First Affiliated Hospitalof Henan University,Kaifeng 475000,China;*Corresponding author:YANG Jie,E-mail:)AbstractObjective To explore the application effect of CT combined with AI pulmonary nodule diagnostic system in the diagnosisand typing differentiation of pulmonary nodules.Methods 80 patients with suspected pulmonary nodules admitted to our hospital fromSeptember 2021 to September 2022 were divided into observation group and control group according to the examination methods.Thecontrol group was diagnosed by CT,and the observation group used AI pulmonary nodule diagnostic system on the basis of the controlgroup.The value of diagnosis and typing differentiation of pulmonary nodules were compared between the two groups.Results Pathologicalexamination showed 168 nodules in 80 patients,including 32 malignant nodules(19.05%)and 136 benign nodules(80.95%).The detectionrate of nodules and the positive rate of malignant nodules in the observation group were 97.62%and 96.88%,respectively,higher than82.14%and 81.25%in the control group(P 0.05).The detection rate of nodule diameter of 5 cm and 8-10 cm,solid nodule,ground glassnodule and middle pleural nodule in the observation group was higher than that in the control group(P 0.05).Conclusions CT combinedwith AI pulmonary nodule diagnostic system can improve the detection rate of pulmonary nodules,and has higher value in the typingdifferentiation of pulmonary nodules.Key wordsCT;AI pulmonary nodule diagnostic system;Pulmonary nodules;Typing differentiation肺癌是最为常见的癌症疾病,多数患者早期无特异症状,确诊时已处于中晚期,故预后较差1。肺癌的早期筛查是早期干预、改善患者预后的重要方法。目前,CT扫描是临床用于肺结节筛查的首选手段2。在进行影像学图像分析时,必须在有效的时间内分析患者的图像,识别肺结节并记录结节病灶的影像学特征,据此明确结节的良恶性。此前影像学检查主要通过手动测量方式记录结节的大小、范围等,然而该测量方式的精确度较差,不利于肺癌的早期发现、诊断及精准治疗。基于CT图像的人工智能(AI)肺结节辅助检测系统是一种新型的技术,其主要通过软件计算,在肺结节诊断及性质鉴别方面已成为临床研究的热点3。本研究探讨CT结合AI肺结节诊断系统在肺结节诊断及分型鉴别中的应用效果,现报道如下。1资料与方法11一般资料选取2021年9月至2022年9月我院收治的80例疑似肺结节患者。纳入标准:年龄18岁;术前30 d内接受CT扫描提示肺结节。排除标准:合并恶性肿瘤;图像噪声过多或存在运动伪影;肺部弥漫性病变。80例患者中男性47例,女性33例,年龄20 68岁,平均(5489 421)岁。按照检查方法分为观察组与对照组,对照组采用CT检查诊断,观察组在对照组基础上采用AI肺结节诊断系统。12方法CT检查:采用Definition AS 64排螺旋CT(德国西门子)进行扫描。取仰卧位,屏气后扫描,从肺尖扫描至肺底。参数:管电压120 kV、管电流为自动管电流调制,层厚50 mm,层间距12 mm,重建层厚15 mm。采用肺窗进行图收稿日期:20221130基金项目:河南省医学科技攻关计划联合共建项目(LHGJ20220654)作者简介:徐珂(1993-),女,河南开封人,本科学历,住院医师,研究方向:肺良恶性病变影像诊断。*通讯作者:杨洁(1987),女,河南兰考人,本科学历,主治医师,研究方向:肺良恶性病变影像诊断;Email:bingjie1319163com。论著(临床工程)585C MY K2023 年 5 月第 30 卷第 5 期(责任编辑:常海庆)项目对照组结节大小510(3704)(mm)6743(8958)81030(7692)111553(9815)结节性质实性结节64(8649)周围及其他位置49(9800)2182712844734110095.8041042P0.0000092000703150.0160307部分实性11(10000)10480306磨玻璃结节63(7590)196800.000结节位置胸膜中部89(7542)29.9390.000观察组25(9259)47(9792)38(9744)54(10000)72(9730)47(9400)10(9091)82(9880)117(9915)n2748395474118311850像分析。图像分析:由两名放射科医师进行阅片。观察结节的数量及位置、大小、形态等。将患者图像导入AI辅助诊断系统,运行3次,记录3次运行结果中发现结节最多的1次作为最终结果。利用AI肺结节辅助系统对图像进行分析及检测。结节性质诊断:所有恶性结节均经病理检查证实,良性结节经治疗后复查或定期复查缩小或病灶消失。13统计学方法 采用SPSS 210统计软件处理数据。计数资料以n()表示,采用2检验,P 005为差异有统计学意义。2结果21结节诊断结果病理检查结果显示80例患者共168个结节,其 中 恶 性 结 节32个(1905)、良 性 结 节136个(8095)。见表1。表1结节诊断详细结果 n()22不同检查方式的结节检出率观察组结节检出率及恶性结节阳性检出率均高于对照组(P 005)。见表2。表2不同检查方式的结节检出率 n()23不同检查方式诊断结节特征的价值观察组在结节直径5cm、8 10 cm及实性结节、磨玻璃结节、胸膜中部结节的检出率高于对照组(P 005)。见表3。表3不同检查方式诊断结节特征的价值 n()3讨论AI为计算机科学的重要分支,最初用于简单的数据分析,无法识别非专门编程的模式。机器学习作为AI的分支领域,其算法可识别及学习复杂的数据模式,进而产生智能的预测。然而多数传统机器学习算法仍依赖于人工输入,可评估的模式仍相对简单。深度学习中的算法可被组织成多种基于人工神经网络的处理层,与人脑较为类似。深度学习在多种计算机视觉任务中展现出独特优势,其预测准确率较高。近年来,基于深度神经网络的肺结节检测与分类研究逐渐在临床广泛开展4,AI辅助的结节分割、检测及分类鉴别等取得较大进展,但在评估结节的机器学习方面尚处于起步阶段,仍需进一步探索。机器深度学习领域重要的观察指标分别为召回率及准确率。召回率与医学诊断中敏感性等同,准确率类似指标尚不明确。本研究结果显示,观察组肺结节检出率及恶性结节阳性检出率高于对照组,表明肺结节AI肺结节诊断系统可提高肺结节检出率,有助于早期明确结节性质。研究5表明,临床医师诊断肺结节的灵敏度及特异度低于AI模型,因此临床医师在进行肺结节诊断时可结合AI辅助诊断系统。结节分割、特征提取及将病变结节分类为非结节等是肺结节的传统计算机辅助算法6。传统计算机辅助系统选取特征的数量及学习模式需与辅助系统的类型相匹配,尽管计算机辅助系统在提高结节检出率方面取得较好的效果,但其不足为过度拟合。而采用深度学习算法可避免传统计算机辅助系统的不足。魏一娟等7的研究表明,深度学习的肺结节检测系统诊断的灵敏度及特异度均高于传统的AI系统。本研究结果显示,观察组在检出小结节、明确结节性质及位置方面优于对照组,表明AI肺结节诊断系统可提高肺结节分型的鉴别价值。综上所述,CT结合AI肺结节诊断系统可提高肺结节的检出率,且在鉴别结节分型方面价值较高。参考文献1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):965-968.2张志成,黄运杰,李沐盛.胸部低剂量CT对健康体检者肺结节及肺癌的筛查价值分析J.临床医学工程,2020,27(10):1285-1286.3许国安,朱良炎,徐靖,等.人工智能肺结节辅助诊断系统在肺磨玻璃结节病理浸润程度评估中的应用价值J.南昌大学学报(医学版),2022,62(4):53-56.4刘亚斌,周围,白琛,等.基于人工智能技术的肺部CT扫描在肺结节筛查及良恶性鉴别诊断中的应用分析J.中国CT和MRI杂志,2022,20(9):52-54.5南岩东,李玉娟,刘苗苗,等.人工智能在肺结节良恶性鉴别诊断中的价值分析J/CD.中华肺部