首页 > 论文范文 > 医药卫生论文 > 影像检验论文 > 影像诊断论文 > 人工智能对肺孤立小结节误诊病例影像学表现的回顾性研究

人工智能对肺孤立小结节误诊病例影像学表现的回顾性研究

2025-03-26 124 上传者：管理员

摘要：目的：肺孤立小结节的诊断具有一定难度，误诊情况时有发生。开展人工智能对肺孤立小结节误诊病例影像学表现的回顾性研究，旨在深入了解人工智能在这一领域可能出现的误诊情况及其相关影像学特征，有助于进一步优化人工智能算法，提高诊断准确性。方法：收集2022年5月-2023年6月在本院利用AI诊断误诊的110例患者影像资料，对这些病例的影像学图像进行详细分析，观察结节的大小、形态、密度、边缘特征等；将人工智能的诊断结果与实际诊断结果进行对比，找出误诊的情况；提取与误诊相关的影像学特征，如结节的某些特定表现。结果：研究发现，43例恶性结节被误诊为良性，主要表现为完全实性结节，边界光整清晰，无恶性征象；5例恶性完全磨玻璃结节及4例恶性部分磨玻璃结节被误诊为良性，CT无恶性征象表现。而67例良性结节被误诊为恶性，主要为边缘不规则、具有恶性征象的完全磨玻璃结节。AI诊断结果与病理结果对比，完全磨玻璃结节：特异度、敏感度、阳性预测值、阴性预测值、准确率分别为：86.7%、89.5%、90.7%、84.6%、89.2%；部分实性磨玻璃结节：特异度、敏感度、阳性预测值、阴性预测值、准确率分别为：84.4%、88.1%、88.2%、85.3%、80.0%；完全实性磨玻璃结节：特异度、敏感度、阳性预测值、阴性预测值、准确率分别为：88.5%、92.3%、95.1%、91.4%、93.2%。结论：AI在肺孤立小结节诊断中存在一定误诊率，其中边缘光整的恶性结节和具有恶性征象的良性结节易误诊。因此，临床应用中需结合专家读片以提高诊断准确性。

关键词：
人工智能
影像学表现
肺癌
肺结节
误诊病例
加入收藏

肺孤立小结节是常见的影像学发现,其准确诊断对于早期肺癌的筛查至关重要｡然而,由于其影像学表现多样,且常规CT技术存在局限性,使得这些小结节的准确诊断面临挑战[1-2]｡近年来,人工智能(AI)技术在医学影像诊断中的应用日益广泛,尽管其在提高诊断效率和降低漏诊率方面显示出巨大潜力,但在肺孤立小结节的诊断中仍存在一定的误诊率[3-4]｡本研究旨在分析基于低剂量CTAI诊断误诊的肺孤立小结节的影像学特点,探讨误诊的原因,并评估AI技术在临床诊断中的应用价值｡通过对110例误诊病例的影像学资料进行回顾性分析,本研究希望揭示AI在肺孤立小结节诊断中的局限性,并为提高其诊断准确性提供参考依据｡此外,本研究也将讨论AI辅助诊断流程的优化,以期减少误诊,改善患者的临床管理｡

1、材料与方法

1.1材料

本研究纳入2022年5月至2023年6月在我院接受低剂量CT扫描的肺孤立小结节患者110例,女50例,男60例,研究对象年龄最小38岁,最大73岁,平均年龄(55.5±2.1)岁｡

患者纳入标准:①年龄在18岁以上,且经AI诊断为肺孤立小结节的患者｡②经病理或临床随访证实为误诊的肺孤立小结节病例｡③具有清晰的影像学资料｡

排除标准:①缺乏完整影像学资料的病例｡②合并其他严重肺部疾病或全身性疾病影响诊断的病例｡③非孤立性结节病例｡④之前接受过肺部手术或治疗的病例｡⑤孕妇以及拒绝参与研究的患者｡

伦理考量:本研究已获得我院伦理委员会的批准,所有参与者均已签署知情同意书｡

1.2检查方法

所有患者均接受低剂量CT扫描｡扫描参数:管电流

扫描体位:患者仰卧､头先进,两臂上举抱头,身体置于床面正中,侧面定位线对准人体正中冠状面｡定位像:常规扫描一个胸部前后正位像,既可作为定位扫描用,又能给诊断提供参考｡扫描基线:扫描基线从肺尖开始｡扫描范围:从肺尖开始,一直扫描到肺底｡扫描参数:使用双源64排低剂量CT扫描｡

1.3AI技术

使用深睿人工智能肺结节分析软件(版本号PC20230711DUSN),该软件采用深度学习技术算法对肺结节进行自动识别和分类｡扫描图像自动导入人工智能肺结节分析软件,软件计算肺结节的置信度及其他量化指标,推测良恶性,给出进一步诊治或随访建议｡由两位高年资放射科主治医师独立评估影像学特征,包括结节的大小､形态､边缘特征等｡

1.4统计学处理方法

利用SPSS18.0统计软件分析实验数据｡计数资料以百分率表示,采用χ2检验｡AI诊断结果与病理结果对比,统计完全磨玻璃结节､部分实性磨玻璃结节及完全实性磨玻璃结节的特异性､敏感度､阳性预测值､阴性预测值､准确率｡

2、结果

2.1患者结节直径､结节肺内部位

110例研究对象在双肺不同肺叶部位均发现孤立小结节,孤立结节位于肺部部位:右肺上叶尖段2例､右肺上叶后段3例､右肺上叶前段2例､右肺中叶内侧段15例､右肺中叶外侧段25例､右肺下叶背段1例､右肺下叶内基底段23例､右肺下叶外基底段15例､右肺下叶后基底段10例､左肺上叶尖后段2例､左肺上叶前段1例､左肺下叶背段1例､左肺下叶内前基底段28例､右肺下叶外基底段35例､右肺下叶后基底段21例｡肺内结节最大直径2.8cm,最小直径1.0cm,平均直径(1.8±0.3)cm｡

2.2低剂量CT扫描表现､AI及病理对照

43例恶性结节误诊为良性,其中完全实性结节34例(79%),结节边界光整清晰,无长短毛刺､无浅分叶及晕环征象,结节内密度均匀,其中6例结节临近胸膜,但未见胸膜牵拉征象｡AI均诊断为良性结节,病理:25例微浸润腺癌,10例浸润腺癌,8例鳞癌｡5例(11.6%)完全磨玻璃结节,结节边界清晰､光整,其内呈密度轻度增高的云雾状淡薄类圆形影像,周围未见短细毛刺､浅分叶征象,其中3例临近胸膜,但未见胸膜牵拉征象,AI均诊断为良性结节,病理:3例微浸润腺癌,2例浸润腺癌｡4例(9.3%)部分实性毛玻璃结节,结节边界清,其内密度略显不均,周围无短细毛刺､浅分叶､晕环､胸膜牵拉等,AI均诊断为良性结节,病理:4例微浸润腺癌｡

67例良性结节误诊为恶性,其中53例(79.1%)完全磨玻璃结节,结节边缘欠规则､欠清晰,表面欠光滑,可见晕环､浅分叶､短细毛刺,其中7例临近胸膜,可见胸膜牵拉征象,结节直径普遍较大,最小直径为1.8cm,最大直径3cm｡AI均诊断为恶性结节,病理:44例炎性结节,18例结核结节,2例肺错构瘤,3例硬化性肺细胞瘤｡8例(11.9%)部分实性毛玻璃结节,结节内密度较高､欠均匀,实性成分多,结节边缘欠清晰,并见短毛刺､浅分叶等,AI均诊断为恶性结节,病理:5例炎性结节,2例结核结节,1例硬化性肺细胞瘤｡6例(8.9%)完全实性结节,结节内密度高､欠均匀,结节浅分叶,边缘短毛刺｡AI均诊断为恶性结节,病理:3例炎性假瘤,2例结核结节,1例错构瘤｡

AI诊断结果与病理结果对比,完全磨玻璃结节:特异度､敏感度､阳性预测值､阴性预测值､准确率分别为:86.7%､89.5%､90.7%､84.6%､89.2%｡部分实性磨玻璃结节:特异度､敏感度､阳性预测值､阴性预测值､准确率分别为:84.4%､88.1%､88.2%､85.3%､80.0%｡完全实性磨玻璃结节:特异度､敏感度､阳性预测值､阴性预测值､准确率分别为:88.5%､92.3%､95.1%､91.4%､93.2%｡见表1､图1｡

表1AI评价结节性质与病理结论对比结果(%)

图1典型CT图像和病理图片

3、讨论

肺内孤立结节直径一般≤3cm[5-7],分为良性与恶性结节｡其中良性结节占90%,约10%为恶性结节[8-10],肺内孤立结节基本无临床症状,常体检时或无意间发现｡肺部孤立小结节与肺癌早期并不能划等号,很多肺部疾患都有可能形成孤立小结节,结节的性质可以是各种各样,具体分为两大类,一类为良性结节,一类为恶性结节,良性结节包括炎性性､结核性､错构瘤､真菌感染､硬化性血管瘤等｡恶性结节包括原发性肺癌､转移瘤等｡有研究显示,部分良性孤立结节随着时间推移也可能转化为恶性结节｡肺实质内孤立小结节,绝大多数都属于良性结节,但仍有一定比例的恶性结节存在,因此对结节性质的准确诊断尤为重要｡肺结节筛查首选低剂量CT,其既能降低电离辐射,又能实现肺结节性质的诊断｡

AI是一种人工智能,具有强大的计算机算法,可依据海量数据发现肺结节并对结节做出诊断预测｡AI技术在CT低剂量肺结节筛查中,不仅可提高工作效率,还能降低漏诊率｡但是,AI技术缺乏公信合理的临床验证及可信度,数据集质量不一,具有误诊病例等问题｡因此本文研究AI误诊的肺孤立小结节的影像学特点,为AI的临床应用提供参考｡数据局限性:训练数据可能不够全面或存在偏差,导致模型对某些特殊情况的理解不足｡结节特征复杂性:一些小结节的特征不典型,难以准确识别,容易造成误判｡图像质量问题:图像采集过程中的噪声､伪影等因素可能干扰模型判断｡模型局限性:人工智能模型本身存在一定的局限性,可能无法完全适应所有情况｡临床信息缺乏:仅依靠影像学信息,缺少相关临床症状等辅助信息,也可能导致误诊｡

在图像识别领域,AI已经取得了很多重要成就,其在医疗领域的应用已成趋势｡但AI技术对肺孤立结节性质判断仍具有误诊可能,因AI是计算机诊断,训练数据可能存在偏差,导致对某些特殊情况的识别不准确｡可能出现较多的假阳性或假阴性结果,需要进一步临床验证｡对于一些复杂的结节病理特征,人工智能可能难以完全理解和准确判断｡不同患者的结节特征存在差异,人工智能在个性化诊断方面仍有挑战｡本文统计数据与病理结论对照显示,边界光整的完全实性的恶性结节易误诊为良性,该类结节边界光整清晰,无长短毛刺､无浅分叶及晕环征象,结节内密度均匀,虽有结节临近胸膜,但未见胸膜牵拉征象,上述恶性结节的CT表现均与以往研究显示的良性结节表现类似[11-15]｡本文统计数据显示良性结节误诊为恶性,完全磨玻璃结节占比较多,该类结节边缘欠规则､欠清晰,表面欠光滑,可见晕环､浅分叶､短细毛刺,临近胸膜的结节可见胸膜牵拉征象,该类结节直径普遍较大,上述良性结节的CT表现均与以往研究显示的恶性结节表现类似[16-17]｡AI对上述两类结节的诊断容易误诊｡

研究显示[18],边界光整的完全磨玻璃结节,不伴周围浅分叶､短毛刺等改变良性可能性较大,本研究AI检测结果亦显示5例该类结节为良性,但病理结论为恶性结节｡以往认为边界毛糙､欠光整的完全磨玻璃结节恶性较多见[19],本研究AI检测亦判断该类结节为恶性,但病理结论为良性结节｡

在本次研究中,人工智能对不同类型肺孤立结节的诊断表现出一定的特点｡完全磨玻璃结节的敏感度和特异度分别为89.5%和86.7%,阳性预测值达90.7%,阴性预测值为84.6%,准确率为89.2%｡这表明人工智能对完全磨玻璃结节的诊断具有较高的可靠性｡部分实性磨玻璃结节的特异度､敏感度､阳性预测值､阴性预测值､准确率分别为84.4%､88.1%､88.2%､85.3%､80.0%｡与完全磨玻璃结节相比,其准确率相对较低｡完全实性磨玻璃结节的敏感度和特异度较高,分别为92.3%和88.5%,阳性预测值达95.1%,阴性预测值为91.4%,准确率为93.2%｡综合来看,人工智能在肺孤立结节的诊断中具有较高的敏感度和特异度,但仍存在一定的误诊情况｡对于不同类型的结节,应进一步结合临床特征和病理结果进行综合判断｡未来需进一步优化人工智能算法,提高诊断的准确性和可靠性｡

未来研究方向和展望:提高诊断准确性:进一步优化算法,提升对小结节特征的识别能力,减少误诊率｡多模态融合:结合多种影像学技术,如CT､磁共振等,获取更全面的信息,提高诊断效能｡个性化诊断:根据患者的个体差异,制定更精准的诊断策略｡临床应用拓展:探索在早期肺癌筛查､治疗方案选择等方面的更广泛应用｡与临床实践结合:加强与临床医生的合作,促进人工智能技术更好地融入临床诊疗流程｡动态监测和预后评估:利用人工智能对小结节的发展进行动态跟踪和预后评估｡

本研究通过对110例肺孤立小结节患者的低剂量CT影像资料的分析,发现AI在诊断过程中存在一定的误诊率｡特别是,边界光整的恶性完全实性结节和边界欠规则的良性完全磨玻璃结节容易被误诊｡这一发现对于提高AI辅助诊断系统的准确性具有重要意义,同时也强调了临床医生在解读AI诊断报告时进行人工复核的必要性｡基于本研究结果,建议:①对AI算法进行优化,以更好地识别和区分不同特征的肺结节;②在临床实践中,应结合AI诊断和人工读片,以减少误诊;③进行更大规模的多中心研究,以验证本研究的发现｡本研究结果有望改善肺癌早期筛查的准确性,减少不必要的侵入性检查,同时为AI在医学影像诊断中的应用提供了宝贵的经验｡本研究的局限性在于相对较小的样本量和单一中心的数据收集｡未来的研究应扩大样本量,并考虑多中心的数据以增强研究结果的普遍性｡

参考文献:

[1]王春梅,王城,王雪梅,等.99mTc-3PRGD2SPECT/CT显像对孤立肺结节的诊断价值[J].浙江临床医学,2021,23(1):8-10.

[2]马进林,马晓艳,王海强.肺癌孤立性肺结节患者64排螺旋CT扫描影像特点分析[J].中华肺部疾病杂志(电子版),2021,14(1):48-52.

[3]张崴琪,王一卓,赵娓娓,等.CT后处理重建技术在孤立性肺结节中的诊断价值[J].实用放射学杂志,2019,35(7):1184-1187.

[5]刘智,张帆,蒋宇婷,等.孤立性肺结节的良恶性与临床及高分辨率CT特征相关性分析[J].实用放射学杂志,2020,36(12):1928-1932.

[6]王欢,钱立勇,曹捍波,等.实性孤立性肺结节数学诊断模型建立[J].江苏医药,2020,46(9):931-934.

[7]吴艳,谢元亮,王翔,等.常规CT纹理分析鉴别孤立性肺结节的价值初探[J].东南大学学报(医学版),2020,39(2):169-174.

[9]尤培林,丁运,郭天兴,等.循环肿瘤细胞联合低剂量螺旋CT对恶性孤立性肺结节病理浸润的预测价值[J].中华实验外科杂志,2021,38(2):360-363.

[10]王昭珏,赵静,王孟昭.孤立性肺结节恶性概率预测模型的研究进展及临床应用[J].中国肺癌杂志,2021,24(9):660-667.

[11]肖景兴,王东,叶静,等.18F-FDGPET/CT联合HRCT及血清肿瘤标志物诊断孤立性肺结节的价值[J].临床放射学杂志,2020,39(2):303-307.

[12]冯会,时高峰,刘辉,等.自由呼吸Star-VIBE序列动态增强MRI联合DWI在孤立性肺结节诊断中的应用[J].放射学实践,2020,35(7):855-859.

[13]欧阳雨晴,倪莲芳,刘新民.恶性孤立性肺结节患者预后因素分析[J].北京大学学报(医学版),2020,52(1):158-162.