Radiology：人工智能工具在评估CT不确性肺结节中的价值

不确定的肺结节（IPNs）定义为直径为3厘米或更小的圆形不透明结节，周围是通气的肺实质，由于缺乏明显的良性特征，因此给临床医生带来了诊断上的挑战。作为常规临床护理的一部分，IPNs通常在胸部CT扫描中通常为偶然发现，而且越来越多的IPNs在肺癌筛查中被发现。

由于大多数IPNs是良性的，因此临床医生必须准确评估恶性风险，对恶性病变进行准确早期的诊断及治疗，同时避免对良性结节患者进行不必要的检查和手术。然而，先前的研究表明，在对IPNs进行风险分层时，放射科医生的意见差异较大，胸部临床医生对实践指南的遵守也不一致。

最近，临床上开发出了使用原始CT数据的放射组学工具，以帮助临床医生进行IPNs的恶性或良性分类。肺癌预测卷积神经网络（LCP-CNN）是一个基于人工智能的计算机辅助诊断（CAD）模型，是利用国家肺部筛查试验的数据得出并进行内部验证，在两个偶然发现IPNs的患者队列中得到了外部验证。在这些队列中，LCP-CNN模型提供的恶性肿瘤风险估计值比Brock和Mayo的风险预测模型都有更大的区分度。然而，要使LCP-CNN等CAD工具具有实际的临床效用，它们必须为临床医生判析IPN的胸部CT成像结果提供额外的诊断效益。

近日，发表在Radiology杂志的一项研究评估了LCP-CNN CAD工具对放射科医生和胸部临床医生在胸部CT扫描中对IPNs进行风险分层的效果，并评估了LCP-CNN CAD对临床医生对偶然发现或肺癌筛查发现的IPN的风险分层和管理的影响。

本项研究在2020年6月和7月期间对存在IPNs的胸部CT研究进行了回顾性多读者多病例研究。阅片员只使用CT成像数据，为每个没有和有CAD的病例提供恶性肿瘤风险估计和管理建议。使用Obuchowski-Rockette和Dorfman-Berbaum-Metz方法评估了CAD对读者平均诊断表现的影响，以计AUC、敏感性和特异性的估计值。多方Fleiss κ统计用于衡量观察者之间对恶性肿瘤风险和管理建议的一致性。

12位阅读者（6位放射科医生，6位肺科医生）共审查了300张最大直径为5-30毫米（50.0%为恶性）的IPN的胸部CT扫描（患者中位年龄，65岁；IQR，59-71岁；164[55%]男性）。读者的平均AUC从0.82提高到0.89（P < .001）。在恶性肿瘤风险阈值为5%和65%时，使用CAD的平均敏感性分别从94.1%提高到97.9%（P = .01）以及从52.6%提高到63.1%（P < .001）。读者平均特异性分别从37.4%提高到42.3%（P = .03）和从87.3%提高到89.9%（P = .05）。对于小于5%（Fleiss κ，0.50 vs 0.71；P < .001）和大于65%（Fleiss κ，0.54 vs 0.71；P < .001）的恶性肿瘤风险类别，读者的观察者间一致性随着CAD的发展而提高。读者对管理建议类别（不采取行动、CT监测、诊断程序）的总体观察者间一致性也随着CAD的发展而提高（Fleiss κ，0.44 vs 0.52；P = .001）。

图 研究中具有带表现的示例。A 恶性结节，肺癌预测评分为10；B 良性结节，肺癌预测评分为2

本研究发现，基于人工智能的计算机辅助诊断（CAD）工具改善了放射科医生和胸部临床医生在评估胸部CT扫描不确定肺结节（IPNs）的恶性风险时的表现，并改善了极低风险和高风险IPN类别的一致性，为使CAD工具更接近于临床实施IPN风险分层提供了重要支持。

原文出处：

Roger Y Kim,Jason L Oke,Lyndsey C Pickup,et al.Artificial Intelligence Tool for Assessment of Indeterminate Pulmonary Nodules Detected with CT.DOI:10.1148/radiol.212182