美国国家肺部筛查试验显示，低剂量CT筛查肺癌是一种可降低总死亡率的具有经济效益的检查手段。有研究表明，通过计算机辅助体积检测（CADv）软件评估的总结节体积测量及总结节倍增时间（DT）可用于结节的诊断及分类。此外，几项研究表明，与总结节大小相比，磨玻璃结节内实性成分的最大直径与肿瘤浸润性和预后的关联更为精确。因此，在国际上针对亚实性肺癌的国际癌症控制TNM分类的第八版中，CT所测量的肺结节内实性成分的大小已作为临床T因子用于肺癌的分期。

现阶段，包括卷积神经网络（CNN）在内的人工智能可对CT上所发现的结节进行检测、表征和鉴别。然而，据我们所知，尚未有关于使用CADv自动测量结节成分及体积评估的CNN实用性的相关报道。

近日，发表在Radiology杂志的一项研究探讨了改进CADv的深度学习方法在胸部CT上测量结节实性成分和磨玻璃密度影(GGO)体积、倍增时间(DT)和体积变化方面的效果，为临床早期诊断及预测可能为肺癌的肺结节提供了技术支持。

本研究回顾性评估了2014年1月至2016年12月期间CT诊断有肺结节的患者的图像。在有及没有卷积神经网络(CNN)情况下使用CADv自动确定每天的结节总体积变化和DT。比较有CNN和没有CNN的CADv中鉴别结节良恶性的所有指标、每个结节的曲线下面积(AUCs)和每个患者的诊断准确性。

CNN训练集包含217名患者共294个肺结节，验证集包含32名患者共41个肺结节，测试集包含188名患者共290个肺结节。来自170例患者的290个肺结节(平均大小±标准差，11mm±5;范围:4- 29mm)中，诊断为恶性结节的有132个，良性结节有158个。实性结节132例(46%)，亚实性结节106例(36%)，磨玻璃密度结节52例(18%)。测试集的诊断性能结果表明,有CNN的CADv每天结节总体积变化大于有CNN的CADv的DT(AUC, 0.94 [95% CI: 0.90, 0.96] vs 0.67 [95% CI: 0.60, 0.74]; P < .001)和没有CNN的CADv的DT (每天结节总体积变化: AUC, 0.69 [95% CI: 0.62, 0.75]; P < .001; DT: AUC, 0.58 [95% CI: 0.51, 0.65]; P < .001)。有CNN的CADv的每天结节总体积变化的准确性显著高于无CNN的CADv (P < .001)及有或没有CNN的CADv的DT (P < .001)。

 

表1 在290个肺结节的测试病例(n = 170)中，以每个结节为基础，比较有和没有CNN的CADv中每个指标的诊断性能。

 

表2 在290个肺结节的测试病例(n = 170)中，以每个结节为基础，比较有和没有CNN的CADv中每个参数的诊断性能。

本研究表明，卷积神经网络可用于提高薄层CT的计算机辅助体积（CADv）测量对结节检测及鉴别诊断的准确性。对使用CADv检测的结节进行评估时，以每天的结节总体积变化来判断是否为恶性比以结节倍增时间更为准确。本研究为临床提供了一个快速、可靠且可重复性强的评估肺结节的影像学手段，为人工智能在临床上的进一步应用拓宽了道路。

原文出处：

Yoshiharu Ohno,Kota Aoyagi,Atsushi Yaguchi,et al.Differentiation of Benign from Malignant Pulmonary Nodules by Using a Convolutional Neural Network to Determine Volume Change at Chest CT.DOI:10.1148/radiol.2020191740