论文部分内容阅读
[目的]本研究旨在探讨人工智能（Artificial Intelligence,AI）影像诊断系统对亚厘米磨玻璃结节（Ground Glass Nodules,GGN）自动识别得到的计算机断层扫描（Computed tomography,CT）特征与亚厘米GGN病理类型的相关性,最后研究基于AI影像的CT特征对亚厘米GGN腺体前驱病变和腺癌两种病理类型的诊断价值和最佳阈值,为亚厘米GGN的诊治提供个性化指导,以此避免GGN的过度治疗。[方法]回顾性收集2021年1月至2021年11月就诊于昆明医科大学第一附属医院老年胸外科经过高分辨率断层扫描（High resolution computed tom ography,HRCT）检查明确为亚厘米GGN,且通过手术治疗证实病理诊断为肺上皮性肿瘤的患者,依据患者病理类型分为腺体前驱病变（Precursor Glandul ar lesions,PGL）（包括非典型腺瘤样增生（atypical Adenomatous hyperplasia,A AH）和原位腺癌（adenocarcinoma in situ,AIS））和腺癌（包括微浸润腺癌（minimall y invasive adenocarcinoma,MIA）和浸润性腺癌（invasive adenocarcinoma,IAC））两种病理类型,最终纳入244名患者（包括185例pGGN和59例mGGN）,其中pGGN组包括腺体前驱病变64例（AAH16例、AIS48例）和腺癌121例（MIA 100例、IAC 21例）,女性146例,男性39例,平均年龄49±11岁;而mGGN组包括腺体前驱病变12例（AAH 3例,AIS 9例）和腺癌47例（MIA26例,IAC21例）,女性42例,男性17例,平均年龄50+11岁。将患者的亚厘米GGN CT图像导入AI影像诊断系统,并以AI自动识别有无实性成分将结节分类为纯磨玻璃结节（pure Ground Glass Nodules,pGGN）组（实性成分=0%）和混合磨玻璃结节（mixed Ground Glass Nodules,mGGN）组（0＜实性成分＜100%）,使用AI影像诊断系统自动识别亚厘米GGN的CT特征包括影像表征（直径、分叶征、毛刺征、血管集束征、支气管充气征、胸膜牵拉征、空泡征、瘤肺界面特征）以及CT定量参数（恶性概率、质量、最大层面面积、表面积、体积、最大CT值、最小CT值、平均CT值、正常肺组织相应CT值以及计算得到的肺结节与正常肺组织CT值的比值和差值）,通过统计学相关方法研究基于AI影像诊断系统的亚厘米pGGN与mGGN两组的CT特征与病理类型的相关性,最终使用受试者工作曲线（Receiver operating characteristic curves,ROC）筛选出在亚厘米pGGN或mGGN中判断为腺体前驱病变或腺癌时CT特征的最佳临界值。[结果]1.肺结节AI CT值与正常肺组织AICT值呈正相关;2.在AI影像学表征方面,pGGN组中结节直径、分叶征、毛刺征、血管集束征在两种病理类型中比较有统计学意义（P＜0.05）,而胸膜牵拉征、空泡征、支气管充气征、瘤肺界面特征无统计学意义;mGGN组中结节直径、血管集束征在两种病理类型中比较有统计学意义,而毛刺征、胸膜牵拉征、分叶征、空泡征、支气管充气征、边缘特征无统计学意义（P＜0.05）;3.在AICT定量参数方面,pGGN组中质量、最大层面面积、体积、3D长径、表面积、CT值方差、AI平均CT值、AI最大CT值、平均CT值差、平均CT值比、最大CT值差、最大CT值比在两种病理类型分布中具有统计学意义（P＜0.05）,而恶性概率、AI最小CT值、峰度在两种病理类型数据分布中无统计学意义;mGGN组中质量、最大层面面积、3D长径、表面积在两种病理类型分布中有统计学意义,而恶性概率、CT值方差、AI平均CT值、AI最大CT值、平均CT值差、平均CT值比、最大CT值差、最大CT值比则无统计学意义（P＜0.05）;4.对pGGN与mGGN两组测量得到的CT特征首先进行单因素有序logistic回归,将有统计学意义的因素进行因子分析、提取,使用主成分-多因素有序logistic回归分析,最终得出pGGN组考虑为腺癌的独立危险因素是血管集束征、结节直径、F1（体积、3D长径、表面积、质量）、F2(AI平均CT值、平均CT值差、平均CT值比（P＜0.05）;而mGGN组考虑为腺癌的独立危险因素是血管集束征、F1（体积、3D长径、表面积、质量、结节直径、最大层面面积）（P＜0.05）。5.对pGGN与mGGN两组有序logistic回归中得到的危险因素作ROC曲线分析后得出:5.1 pGGN组中腺体前驱病变和腺癌的最佳临界值:结节直径8.5mm（AUC=0.624,P=0.005）,质量 43.0mg（AUC=0.677,P=0.000）,体积 139.89mm3（AUC=0.615,P=0.010）,3D长径9.89mm（AUC=0.633,P=0.003）,表面积132.2mm2（AUC=0.637,P=0.002）,AI平均 CT 值-663.0HU（AUC=0.681,P=0.00）,平均 CT 值差 295.95HU（AUC=0.683,P=0.000）,平均 CT 值比 0.69（AUC=0.684,P= 0.000）。另外,综合上述指标与血管集束征共同预测后,可明显提高预测价值（AUC=0.777,P=0.000）;5.2 mGGN组中腺体前驱病变和腺癌的最佳临界值:直径8.5mm（AUC=0.75,P=0.01）、质量 112.95mg（AUC=0.87,P=0.000）、最大面面积 49.37mm2（AUC=0.77,P=0.000）、3D 长径 9.53mm（AUC=0.73,P=0.002）,体积是 258.92mm3（AUC=0.80,P=0.000）,表面积 209.43mm2（AUC=0.79,P=0.000）。另外,综合上述指标与血管集束征共同预测后,可明显提高预测价值（AUC=0.856,P=0.000）。[结论]1.基于AI影像自动识别亚厘米pGGN或mGGN提示的恶性概率指标在腺体前驱病变和腺癌两种病理类型间无统计学意义,表明单纯依靠AI影像诊断系统提示的恶性概率指标做出临床决策并不可靠;2.基于AI影像判定为亚厘米pGGN（实性成分=0%）时,当pGGN合并血管集束征且定量指标小于临界值（结节直径8.5mm、质量43.0mg、3D长径9.89mm、体积 139.89mm3、表面积 132.24mm2、AI 平均 CT 值-663.0HU、平均CT值差295.50HU）,或者定量指标大于平均CT值比0.69时,病理类型更倾向于腺体前驱病变,应对此类亚厘米pGGN予以密切关注,但单独依靠单一指标准确性不高,需综合CT特征提高对亚厘米pGGN不同病理类型的鉴别能力;3.基于AI影像判定为亚厘米mGGN（0%＜实性成分＜100%）时,当mGGN合并血管集束征且定量指标小于临界值（直径8.5mm、质量112.95mg、最大面面积 49.37mm2、3D 长径 9.53mm、体积 258.92mm3、表面积 209.43mm2）时,病理类型更倾向于腺体前驱病变,应对此类亚厘米mGGN予以密切关注,但单独依靠单一指标准确性不高,需综合CT特征提高对亚厘米mGGN不同病理类型的鉴别能力;4.基于AI影像的亚厘米pGGN与mGGN的CT特征对鉴别不同病理类型具有重要的参考作用,但临床实践中应用AI影像对亚厘米GGN进行决策时,仍需慎重考虑。