Artificial Intelligence-assisted Diagnosis in Detecting Lung Nodules and Differentiating Benign from Malignant Nodules
-
摘要:
目的：探讨人工智能辅助诊断系统在肺结节的检测及良恶性判断中的应用价值。方法：选择2022年3月至2023年3月行胸部CT检查，跟踪随访明确肺结节病理结果的患者作为研究对象，并制定真阳性结节标准。比较AI软件与影像医师对真阳性结节的检出价值及结节良恶性的判断价值。结果：113名患者中AI软件检出1337个结节，医师检出774个结节，经验证共存在1079个真阳性结节。AI软件对于真阳性结节的检出率（98.98％）高于医师（71.27％），漏检率（1.02％）较医师（28.27％）低，误检率（23.91％）较医师（0.46％）高。AI软件对直径＜5 mm及5～10 mm真阳性结节的检出率（98.69％，100.00％）均高于医师（60.59％，80.25％）；对于直径＞10 mm真阳性结节的检出率（98.08％）稍高于医师（94.87％），但差异不具有统计学意义，需进一步选取临床大样本验证。AI软件对磨玻璃、实性、混合磨玻璃及钙化结节的检出率（98.47％，98.79％，100.00％，100.00％）均高于医师（75.52％，68.02％，72.73％，84.66％）。在结节良恶性判断方面，113名患者中共有115个结节经病理检查确诊，医师对结节良恶性判断的灵敏度（97.47％）、特异度（80.56％）、准确度（92.17％）均较AI（93.67％，66.67％，85.22％）高，但灵敏度和特异度的差异不具有统计学意义，可能与样本选择偏差有关；AI与病理结果对照取得了高度一致性（Kappa值为0.637），医师实现了几乎完全一致（Kappa值为0.811）。结论：AI辅助诊断对肺结节有较高的检出率，能大大降低漏检率，但误检率也随之上升；在肺结节良恶性鉴别中可为临床诊断提供辅助参考，但其准确性无法取代影像医师。
Abstract:Objective: To investigate the applicability of artificial intelligence-assisted diagnosis system in detecting pulmonary nodules and distinguishing benign and malignant nodules. Methods: Patients who underwent chest computed tomography (CT) from March 2022 to March 2023 at our hospital and who were followed-up with CT-guided needle biopsy or surgical procedures to determine the pathological nature were included in the study. The criteria for identifying true positive nodules were identified on the basis of the image analysis based on AI and two radiologists who identified suspicious lesions and referred to multiplanar reconstruction and three-dimensional reconstruction and other images to determine the existence of lung nodules; the findings from the two reports were consistent. The detection value of benign and malignant nodules obtained from AI and radiologists for true-positive nodules were compared. Results: AI detected 1337 nodules in 113 patients; radiologists detected 774 nodules, and verified the coexistence of 1079 true-positive nodules. The detection rate of true positive nodules (98.98%) by AI software was higher than that of radiologists (71.27%), the missed diagnosis rate (1.02%) was lower than that of radiologists (28.27%), and the misdiagnosis rate (23.91%) was higher than that of radiologists (0.46%). The true positive detection rate of AI for nodules with diameters <5 and 5~10 mm (98.69%; 100.00%) was higher than that of radiologists (60.59%; 80.25%); the detection rate of true positive nodules with diameters >10 mm (98.08%) was slightly higher than that of radiologists (94.87%), but the difference was not statistically significant. Further large-sample clinical studies are needed to verify our findings. The detection rates of mixed ground-glass and calcified nodules (98.47%; 98.79%; 100.00%; 100.00%) from AI imaging were higher than those of the radiologists (75.52%; 68.02%; 72.73%; 84.66%). In the identification of benign and malignant nodules, 115 nodules in 113 patients were confirmed by pathological examination, of which 98 nodules were obtained by interventional surgery or CT-guided biopsy in our hospital, and 17 nodules were determined by follow-up diagnosis and during treatment at other hospitals. The sensitivity (97.47%), specificity (80.56%), and accuracy (92.17%) of the radiologists for the identification of benign and malignant nodules were higher than those of AI (93.67%, 66.67%, and 85.22%, respectively); however, the difference in sensitivity and specificity was not significant and might have been caused by sample selection bias. AI achieved high agreement with pathological results (Kappa value, 0.637), and radiologists achieved almost complete agreement (Kappa value, 0.811). Conclusion: AI-assisted diagnosis has a high detection rate and sensitivity for pulmonary nodules, which can greatly reduce the missed diagnosis rate, but increases the misdiagnosis rate. It can serve as an auxiliary aid for clinical diagnosis in identifying benign and malignant pulmonary nodules, but it cannot replace radiologists.
-
Keywords:
- artificial intelligence /
- CT /
- pulmonary nodules /
- application value
-
原发性小肠淋巴管扩张症（primary intestinal lymphangiectasia，PIL）是一种小肠黏膜和黏膜下多发淋巴管扩张，导致蛋白由肠黏膜丢失，从而出现低白蛋白血症、低淋巴细胞血症和低免疫球蛋白血症的一种罕见的蛋白丢失性肠病，其发病原因不明[1-4]。病理学上，PIL表现为小肠黏膜和黏膜下多发迂曲扩张的淋巴管[5-6]。PIL患者的主要临床症状为乏力、腹痛、体重减轻，甚至部分患者出现脂肪泻，主要体征为肢体肿胀、腹泻和浆膜腔积液[1-3,6-10]。由于PIL缺乏特异性症状，且与其它消化系统疾病、营养不良性疾病的症状相似，故常常导致漏诊或误诊。PIL的确诊依据是内镜下的组织病理学检查，然而该检查是侵入性的，且只能评价小肠肠壁粘膜局部病变[11-13]，而对于腹腔内是否存在异常扩张淋巴管，以及该异常淋巴管的部位、范围和分布则不能评价[6,13-14]，这不利于PIL疾病的精准诊断，更不利于合理治疗方式的选择。
淋巴循环影像学是近年来的研究热点[15-18]。既往研究表明，直接淋巴管造影可动态评价淋巴循环的整体情况，CT淋巴管成像（CT lymphangiography，CTL）与内镜相结合，则可对PIL的小肠、肠系膜以及机体其它部位淋巴循环的异常进行综合评价[16,18-21]。然而，对于PIL的分型和分类尚无明确报道研究，这不利于对发病机制的探讨和治疗方式的选择。
因此，本研究通过回顾性分析首都医科大学附属北京世纪坛医院PIL的临床和影像学资料，基于CTL特征性影像学征象首次提出PIL的影像学分型方法，基于此分型比较不同类型PIL的影像和临床征象的差异，用于进一步探讨PIL的发病机制，选择合理化的治疗方式。
1. 资料与方法
1.1 一般资料
本研究通过医院伦理委员会批准，回顾性分析2016年1月至2019年12月入我中心确诊为PIL进行诊疗的患者。
入组标准：①以反复发作的肢体肿胀、低蛋白血症、腹泻等为主要表现，经内镜下和病理组织证实为PIL的患者；②入院后 1月内行CTL和核素淋巴管显像者；③既往未经手术和侵入性操作破坏淋巴循环的患者。排除标准：①小肠原发病变，如结核、炎症性肠病、结缔组织病、系统性红斑狼疮等自身免疫性肠病等；②各种原因导致的低蛋白血症，包括：营养不良性、蛋白合成功能障碍性、肾脏和/或其它部位蛋白丢失导致的低蛋白血症；③继发性淋巴循环异常，如肿瘤、手术、外伤、放化疗等导致患者淋巴循环异常者；④未行肠镜和 CTL检查者。
1.2 CTL成像
CTL的检查步骤[16,18-19]。①浅表淋巴管的标记与染色：患者取仰卧位，将无肿胀或肿胀程度较轻侧的肢体的双足暴露，取染色剂2 mL（利多卡因与亚甲蓝混合液，比例1︰1），注射于第1和第2足趾间皮下及皮内组织，观察局部淋巴管染色标记成功；②浅表淋巴管的穿刺：显微镜下由淋巴外科医师穿刺已染色的淋巴管，注入大分子对比剂碘化油（Lipiodol UF，Guerbet公司），总量约8～20 mL，流率4～6 mL/h；③动态观察淋巴循环过程：在DSA间断动态记录整个淋巴循环的回流过程，即记录对比剂由起点至终点的全过程（足淋巴管至胸导管末端），观察对比剂由胸导管末端回流入血的情况；④CTL：观察对比剂由胸导管末端入血后的20 min至2 h内，对患者行CT检查，扫描范围从颈部至盆腔，扫描参数：80～120 kVp，100～120 mAs，重建层厚2 mm，间隔1.8 mm。所有图像经过后处理重建，横断面、冠状面、矢状面和MIP等多角度观察，最终得出整体淋巴循环的评价。
1.3 影像学评价与分型
所有CTL图像由两名医师（副主任医师，工作14年和17年）分别阅片。评价内容：①小肠病变，包括肠壁环状增厚和肠系膜密度增高，其中肠壁厚度≥3 mm为增厚，肠系膜密度增高定义为与相应节段无水肿的皮下脂肪密度相比，CT值提高20 HU以上，且所取测量区域无浆膜腔积液表现；②浆膜腔积液，包括胸腔、腹腔及心包积液；③异常淋巴管分布的部位与范围，是指小肠肠壁、肠系膜、腹膜后、结肠、直肠和/或实质脏器等出现异常分布的不规则线条状、团片状、簇状对比剂，提示局部存在异常扩张的淋巴管；④淋巴返流，是指对比剂沿扩张淋巴管由乳糜池、腰干返流至注射对侧的淋巴管，主要表现为双侧盆腔及髂血管旁多发对比剂；⑤淋巴瘘，表现为对比剂分布于肠管内和/或腹盆腔内，提示淋巴液没有回流入正常的淋巴循环，而随着局部瘘口流入肠腔和/或浆膜腔；⑥淋巴结，腹腔、肠系膜、盆腔内出现短径大于1 cm的淋巴结；⑦颈部异常对比剂分布，表现为颈部、腋下出现多发异常对比剂分布，部分甚至出现潴留样改变[18-19]。
基于对比剂是否出现于小肠肠壁和/或肠系膜这一特异性征象，本组将PIL分为Ⅰ型（CTL阳性组）与Ⅱ型（CTL阴性组）。当出现评价结果不一致时，由两名医师再次共同读片，达成一致后，记录最终评价结果。
1.4 统计结果分析
分别比较两组PIL患者的临床资料与影像征象，包括年龄、性别、首次发病年龄、临床症状与体征、白蛋白等，影像征象比较包括肠壁增厚、肠系膜密度增高、浆膜腔积液、异常淋巴管分布的部位范围、淋巴返流、淋巴瘘、腹腔内淋巴结和颈部异常对比剂分布。定量资料采用独立样本t检验，计数资料采用卡方检验，取P＜0.05具有统计学意义。
2. 结果
2.1 临床资料分析
本研究最终入组PIL患者共34例（女/男，17/17例，年龄范围1～27岁，平均年龄（11.4±7.7）岁。主要临床表现为不同程度的腹泻，下肢和/或全身淋巴水肿及低蛋白血症，其中Ⅰ型15例，Ⅱ型19例。Ⅰ型患者的首次发病年龄高于Ⅱ型（15.3±9.4 vs. 8.3±3.8），临床症状中腹泻的发生率高于Ⅱ型，而肢体和/或颜面部肿胀的比例低于Ⅱ型，其性别比与血清白蛋白含量（g/L）则无明显差异。两组PIL临床特征的比较分析见表1。
表 1 不同类型PIL的临床特征比较分析Table 1. Comparison of clinical characteristics in different types of PIL临床特征 类型 统计检验 Ⅰ型（n=15） Ⅱ型（n=19） t/χ2 P 首次发病年龄 15.3±9.4 8.3±3.8 2.995 ＜0.010 性别比（女/男） 7/8 10/9 0.119 0.730 腹泻 11（73.3％） 6（31.6％） 5.846 0.016 颜面和/或肢体肿胀 8（53.3％） 19（100％） 11.165 ＜0.010 血清白蛋白/（g/L） 17.1±4.4 18.6±6.3 -0.935 0.357 2.2 影像特点的比较分析
Ⅰ型PIL对比剂异常分布主要位于十二指肠、空肠和回肠，8例患者病变广泛，表现为腹腔内腹膜、肠系膜、多组小肠、结肠均出现异常分布对比剂（图1）。Ⅱ型PIL主要影像学征象为肠壁增厚、肠系膜弥漫密度增高、且肠系膜和肠壁没有对比剂分布（图2）。两组PIL影像征象的比较结果见表2，结果表明：Ⅰ型出现腹膜后淋巴管扩张和淋巴瘘的比例高于Ⅱ型，而出现肠系膜密度增高和腹腔淋巴结的比例明显低于Ⅱ型。两组患者在小肠壁增厚、浆膜腔积液、返流样表现（图2）和颈部异常扩张淋巴管（图3）方面的比例差异无统计学意义（表2）。
![]()
图 1 Ⅰ型PIL，多发对比剂异常分布Figure 1. Type Ⅰ PIL with diffusive abnormal contrast media in abdomen表 2 不同类型PIL的影像特征比较分析Table 2. Comparison of CTL imaging features in different types of PIL影像特征 类型 统计检验 Ⅰ型（n=15） Ⅱ型（n=19） χ2 P 小肠改变 肠壁环形增厚 2（13.3％） 1（5.3％） 0.679 0.410 肠系膜密度增高 7（46.7％） 18（94.7％） 9.952 0.002 浆膜腔积液 仅腹腔积液 1（6.7％） 3（15.8％） 0.672 0.412 腹腔+胸腔积液 1（6.7％） 4（21.1％） 1.383 0.240 返流样表现 8（53.3％） 7（36.8％） 0.925 0.336 淋巴瘘 5（33.3％） 0（0.0％） 7.425 0.006 腹腔内淋巴结 2（13.3％） 12（63.2％） 8.591 0.003 腹膜后淋巴管扩张 13（86.7％） 0 26.660 0.000 颈部扩张淋巴管 5（33.3％） 12（63.2％） 2.982 0.084 3. 讨论
PIL的典型临床症状与表现为腹泻、肢体肿胀与反复发作的低蛋白血症[5-6]。本研究结果表明，不同分型的PIL在临床症状、体征与典型实验室检查结果之间存在一定的差异。Ⅰ型患者首次就诊时通常为青少年，部分甚至成年后入院就诊方能诊断。Ⅱ型PIL患者的首次发病年龄更小，部分患者甚至在不满1岁即确诊。追溯原因可能为Ⅰ型患者常表现为不典型的腹泻，部分出现低蛋白血症，肢体肿胀常被低蛋白血症掩盖，临床症状缺乏特异性，容易与其他代谢类疾病及营养不良类疾病混淆，导致出现漏诊或误诊。Ⅱ型患者通常婴幼儿起病，且伴有肢体淋巴肿，可单侧，也可双侧，且常并发上肢、颜面部肿胀，部分甚至出现生长发育迟缓，容易被发现引起重视而及时就诊。
两组患者的性别比和白蛋白水平比较则无差异，提示两种不同类型的PIL并未表现出性别差异，该类患者需耐心追溯病史与症状，推断发病时间，从而得到明确诊断，进而采用合理化治疗方案早期干预。
CTL评价PIL中异常淋巴管部位、范围和程度的主要方式，是基于CT图像中对比剂分布的部位和范围[16-19]。主要依据是，本研究中采用显微镜下穿刺远端淋巴管，进而注射入大分子对比剂碘化油作为对比剂，该对比剂分子量很大，不能穿透淋巴管进入周围组织和血管。从而，对比剂所分布的区域，就是淋巴管和淋巴结所在的位置，因此可通过CTL成像，评价异常淋巴管的分布、走行和范围
本研究中，Ⅰ型患者对比剂异常分布，主要位于十二指肠、空肠和回肠，部分患者病变广泛，表现为腹腔内腹膜、肠系膜、多组小肠、结肠均出现异常扩张的淋巴管。主要CTL影像表现为腹腔多组小肠、结肠的肠壁和/或肠系膜，以及腹腔内的腹膜、肠系膜等相应部位出现散在多发点、片状对比剂，提示局部有扩张淋巴管（图1）。因此CTL可以对异常淋巴管扩张的部位和累及范围的进行评价，有利于患者有针对性的合理治疗方案的选择。
Ⅱ型PIL是本研究中的另一种分型，主要影像学征象为肠壁增厚、肠系膜弥漫密度增高、且肠系膜和肠壁没有对比剂分布（图2）。这表明该类患者淋巴循环中的对比剂到达腰干和乳糜池后，并没有沿肠干向肠系膜和小肠肠壁返流，而是继续上行经胸导管回流入血，提示肠干、肠系膜和小肠肠壁的淋巴液还可以继续向乳糜池回流，而内镜下该类患者同样表现为小肠粘膜和粘膜下的淋巴管扩张，提示该类患者可能主要病变位于小肠粘膜，而不是整体的淋巴循环。
因此，基于CTL对比剂是否出现于小肠肠壁和/或肠系膜的这一典型影像学征象，将PIL分为这两种类型，有利于PIL的精准评价，对探讨PIL的发病机制具有重要意义。此外，Ⅰ型与Ⅱ型出现该种差异的原因也可能与Ⅱ型患者年龄幼小，病程短，其它部位淋巴系统异常还未表现出来有关，进一步研究则需长时间随访予以证实。
CTL检查显示淋巴返流是淋巴循环动力学异常的主要征象，这是CTL成像机制决定的[16-19]。本研究中，CTL采用的是直接淋巴管造影，对比剂采用的是特殊对比剂碘化油，这种对比剂不能通过淋巴管的内膜，因此只能分布于淋巴循环系统内，将对比剂由足远端淋巴管缓慢推注，对比剂会沿着淋巴回流途径经下肢、盆腔、腰干、乳糜池、胸导管回流入静脉，DSA下动态观察可完成淋巴循环系统回流情况的整体评价。本研究中，共15例（44.1％）的患者出现返流征象，且Ⅰ型与Ⅱ型均可出现，差异无统计学意义，提示PIL患者较易出现淋巴循环动力学的异常，其具体发病机制尚需进一步研究。
颈部出现异常扩张淋巴管是PIL患者的另一影像表现[20-21]。颈部出现异常扩张淋巴管主要受两种因素影响：首先是胸导管出口是淋巴循环的终点，此处存在淋巴回流异常，如各种原因导致的胸导管出口梗阻，则淋巴循环内的对比剂回流入血的途径受阻，导致淋巴液逆流甚至返流入周围颈部淋巴管，随着病程的延长，胸导管出口旁的颈部淋巴管则多发扩张，形成颈部对比剂的异常分布；其次，患者可能存在广泛的淋巴循环发育异常，因而颈部也存在有多发扩张的淋巴管，导致局部出现对比剂的聚集。本研究结果表明，CTL I型与Ⅱ型出现颈部异常对比剂分布的差异虽无统计学意义，但Ⅱ型的比例明显较高，依靠目前的影像和临床分型，尚无法确定PIL出现该现象的病理生理机制，需进一步通过病理组织学检查予以确定。
两种类型PIL的其它影像学征象对比中，Ⅰ型出现腹膜后淋巴管扩张和淋巴瘘的比例高于Ⅱ型，推测原因为I型在肠系膜和肠壁内有多发扩张的淋巴管，该部分淋巴管内有大量淋巴液经下肢和淋巴循环返流入局部小肠和肠系膜，当患者局部淋巴管压力过大，或病变累及到小肠粘膜破坏淋巴管的完整性时，则易于出现淋巴液瘘出至肠腔和/或浆膜腔这种征象。Ⅱ型患者由于没有对比剂返流至肠干和小肠壁，因此不易出现淋巴肠腔瘘和淋巴浆膜腔瘘。此外，两组患者小肠壁增厚、浆膜腔积液出现的比例无统计学差异，推测是由于该两种征象缺乏特异性。
本研究存在一定的局限性。①本研究采用的影像诊断方法是 CTL，反映的是DSA下直接淋巴管造影术后对比剂分布的最终结果，属于静态评价，并不能反映整体淋巴循环的动态回流过程，要得到淋巴循环的完整评估，进一步研究需将DSA和CTL结合方能实现；②CTL属于有创性检查，对于年龄小的患者，尤其是幼儿，需进行全麻下操作，这需要儿科、麻醉科、显微外科、淋巴外科等多学科合作完成，这限制了其广泛应用和开展；③本研究为单中心回顾性研究，受样本量的影响，部分征象评价不全面，需进一步扩大样本研究。
总之，CTL可以评价PIL患者异常淋巴管分布的部位、范围和程度，本研究基于CTL特征首次提出的PIL影像分型，不同类型的PIL显示出不同的临床和影像特征，对进一步探讨此类淋巴循环异常类疾病的机制具有重要价值。
-
![]()
图 1 部分漏诊及误诊病例影像资料
注：（a）右肺下叶血管旁结节，医师检出，AI漏检；（b）右肺下叶胸膜下实性微结节，AI检出，医师漏检；（c） 左侧局部增厚的胸膜，医师检出，AI误检为结节。（d） 右肺上叶实性结节，伴有分叶征，AI及医师均诊断为恶性，病理结果提示错构瘤；（e） 右肺下叶实性结节，形态略欠规整，周围伴有晕征，AI诊断为恶性，医师结合图像及患者痰培养、血象、查体等诊断为良性，病理结果提示肉芽肿；（f）右肺中叶实性结节，有浅分叶和毛刺征象，周围伴有点条状渗出、炎性改变，AI诊断为恶性，医师诊断为良性，病理结果提示浸润性腺癌。
Figure 1. Imaging data of some missed and misdiagnosed cases
表 1 AI软件及医师对结节的总体检出情况
Table 1 AI software and radiologists’ overall detection of nodules
组别 AI 医师 $\chi^2 $ P 共检出（％） 1337（123.91） 774（71.73） 真阳性结节（％） 1068（98.98） 769（71.27） 假阴性结节（％） 11（1.02） 305（28.27） 398.766 ＜0.001 假阳性结节（％） 258（23.91） 5（0.46） 128.199 ＜0.001 
下载: 导出CSV
表 2 AI软件及医师对不同直径真阳性结节的检出价值
Table 2 The value of AI software and radiologists in detecting true positive nodules of different diameters
组别 真阳性 AI 医师 $\chi^2 $ P ＜5（％） 609 601（98.69） 369（60.59） 272.521 ＜0.001 5～10（％） 314 314（100.00） 252（80.25） 68.792 ＜0.001 ＞10（％） 156 153（98.08） 148（94.87） 2.356 0.125
下载: 导出CSV
表 3 AI软件及医师对不同性质真阳性结节的检出价值
Table 3 The value of AI software and radiologists in detecting true positive nodules of different nature
组别 真阳性 AI 医师 $\chi^2 $ P 磨玻璃（％） 131 129（98.47） 95（72.52） 35.582 ＜0.001 实性（％） 741 732（98.79） 504（68.02） 253.375 ＜0.001 混合磨玻璃（％） 44 44（100.00） 32（72.73） 13.895 ＜0.001 钙化（％） 163 163（100.00） 138（84.66） 27.076 ＜0.001
下载: 导出CSV
表 4 115个结节的大小和性质
Table 4 Size and nature of the 115 nodules
组别 磨玻璃结节个数 实性结节个数 混合磨玻璃结节个数 钙化结节个数 总和 ＜5 mm 4 9 3 0 16 5～10 mm 6 24 6 1 37 ＞10 mm 6 41 12 3 62 总和 16 74 21 4 115
下载: 导出CSV
表 5 AI软件对结节良恶性的判断价值
Table 5 The value of AI software in judging benign and malignant nodules
AI 病理 总计 恶性 良性 恶性 74 12 86 良性 5 24 29 总计 79 36 115
下载: 导出CSV
表 6 医师对结节良恶性的判断价值
Table 6 The value of radiologists in judging benign and malignant nodules
AI 病理 总计 恶性 良性 恶性 77 7 84 良性 2 29 31 总计 79 36 115
下载: 导出CSV
表 7 两种方法对结节良恶性判断的效能比较
Table 7 Comparison of efficacy of the two methods in judging benign and malignant nodules
组别 灵敏度/％ 特异度/％ 准确度/％ AI 93.67 66.67 85.22 医师 97.47 80.56 92.17 P ＞0.01 ＞0.01 ＜0.01
下载: 导出CSV
-
[1] HYUNA S, JACQUES F, REBECCA S L, et al. Global cancer statistics 2020: GLOBOCAN estimates of ncidence and mortality worldwide for 36 cancers in 185 countries[J]. CA: A Cancer Journal for Clinicians, 2021, 71: 209−249. DOI: 10.3322/caac.21660.
[2] 中国肺癌防治联盟, 中华医学会呼吸病学分会肺癌学组, 中国医师协会呼吸医师分会肺癌工作委员会. 肺癌筛查与管理中国专家共识[J]. 国际呼吸杂志, 2019, 39(21): 1604−1615. DOI: 10.3760/cma.j.issn.1673-436X.2019.21002. [3] National Lung Screening Trial Research Team, ABERLE D R, ADAMS A M, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. The New England Journal of Medicine, 365(5): 395-409. DOI:10.1056/NEJMoa1102873. PMID: 21714641; PMCID: PMC4356534.
[4] HOSNY A, PARMAR C, QUACKENBUSH J, et al. Artificial intelligence in radiology[J]. Nature Reviews. Cancer, 2018, 18(8): 500−510. DOI: 10.1038/s41568-018-0016-5.
[5] 中华医学会呼吸病学分会肺癌学组, 中国肺癌防治联盟专家组. 肺结节诊治中国专家共识(2018年版)[J]. 中华结核和呼吸杂志, 2018, 41(10): 763−771. DOI: 10.3760/cma.j.issn.1001-0939.2018.10.004. [6] 陈新花, 黄晓旗, 李建龙, 等. 基于两种AI软件对肺结节的诊断价值评价研究[J]. CT理论与应用研究, 2023, 32(4): 493−499. DOI: 10.15953/j.ctta.2022.087. CHEN X H, HUANG X Q, LI J L, et al. Evaluation of diagnostic value of pulmonary nodules based on two AI softwares[J]. CT Theory and Applications, 2023, 32(4): 493−499. DOI: 10.15953/j.ctta.2022.087. (in Chinese).
[7] 宋丹丹, 齐星亮, 刘佳林, 等. 人工智能技术在胸部CT恶性及非钙化结节检出中的价值[J]. 医学影像学杂志, 2023, 33(1): 154−157. SONG D D, QI X L, LIU J L, et al. The value of Al technology in the detection of malignant and non-calcified nodules on chest CT[J]. Journal of Medical Imaging, 2023, 33(1): 154−157. (in Chinese).
[8] 耿然. 基于深度学习的人工智能影像辅助诊断系统对肺结节的诊断效能评价[J]. 新乡医学院学报, 2022, 39(11): 1031−1035. GENG R. Evaluation of efficiency of artificial intelligence image aided diagnosis system based on deep learning in the diagnosis of pulmonary nodules[J]. Journal of Xinxiang Medical University, 2022, 39(11): 1031−1035. DOI:10.7683/xxyxyxb.2022.11.006. (in Chinese).
[9] 刘娜, 赵正凯, 邹佳瑜, 等. 基于人工智能的胸部CT肺结节检出及良恶性诊断效能评估[J]. CT理论与应用研究, 2021, 30(6): 709−715. DOI: 10.15953/j.1004-4140.2021.30.06.06. LIU N, ZHAO Z K, ZOU J Y, et al. Evaluation of detection and diagnostic efficiency of pulmonary nodules by chest CT based on artificial intelligence[J]. CT Theory and Applications, 2021, 30(6): 709−715. DOI: 10.15953/j.1004-4140.2021.30.06.06. (in Chinese).
[10] 李欣菱, 郭芳芳, 周振, 等. 基于深度学习的人工智能胸部CT肺结节检测效能评估[J]. 中国肺癌杂志, 2019, 22(6): 336−340. DOI: 10.3779/j.issn.1009-3419.2019.06.02. LI X L, GUO F F, ZHOU Z, et al. Performance of deep-learningbased artificial intelligence on detection of pulmonary nodules in chest CT[J]. Chinese Journal of Lung Cancer, 2019, 22(6): 336−340. DOI: 10.3779/j.issn.1009-3419.2019.06.02. (in Chinese).
[11] 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. DOI: 10.3969/j.issn.1672-5131.2022.09.019. LIU Y B, ZHOU W, BAI C, et al. Application of lung CT scan based on artificial intelligence technology in lung nodule screening and benign and malignant differential diagnosis[J]. Chinese Journal of CT and MR, 2022, 20(9): 52−54. DOI: 10.3969/j.issn.1672-5131.2022.09.019. (in Chinese).
[12] 崔晓剑, 吴晓明, 舒锦尔, 等. 基于人工智能诊断系统的胸部CT肺结节检出率及良恶性诊断研究[J]. 中国现代医生, 2022, 60(34): 34−37. CUI X J, WU X M, SHU J E, et al. Detection rate and diagnosis of benign and malignant pulmonary nodules on chest CT based on artificial intelligence diagnostic system[J]. China Modern Doctor, 2022, 60(34): 34−37. (in Chinese).
[13] 李娟娟, 刘敏, 杨斌, 等. 人工智能辅助肺结节筛查及定性诊断的应用研究[J]. 实用临床医药杂志, 2022, 26(8): 8−12. DOI: 10.7619/jcmp.20214698. LI J J, LIU M, YANG B, et al. Application of artificial intelligence-assisted pulmonary nodule screening and qualitative diagnosis[J]. Journal of Clinical Medicine in Practice, 2022, 26(8): 8−12. DOI: 10.7619/jcmp.20214698. (in Chinese).
[14] GAO Y, CHEN Y, JIANG Y, et al. Artificial intelligence algorithm-based feature extraction of computed tomography images and analysis of benign and malignant pulmonary nodules[J]. Computational Intelligence and Neuroscience, 2022: 5762623. DOI:10.1155/2022/5762623.PMID:36156972; PMCID: PMC9492375.
[15] 黄玲玲, 吴皎姣. 基于胸部平扫CT的深度学习模型对肺结节良恶性的鉴别诊断价值[J]. 中国CT和MRI杂志, 2021, 19(12): 53−56. DOI: 10.3969/j.issn.1672-5131.2021.12.017. HUANG L L, WU J J. The value of deep learning model based on chest plain CT in the differential diagnosis of benign and malignant pulmonary nodules[J]. Chinese Journal of CT and MR, 2021, 19(12): 53−56. DOI: 10.3969/j.issn.1672-5131.2021.12.017. (in Chinese).
[16] 郭红剑. 肺部良性病灶误诊肺癌的CT影像学分析[J]. 中国CT和MRI杂志, 2022, 20(12): 71−72, 126. DOI: 10.3969/j.issn.1672-5131.2022.12.028. GUO H J. CT imaging analysis of benign pulmonary lesions misdiagnosed as lung cancer[J]. Chinese Journal of CT and MR, 2022, 20(12): 71−72, 126. DOI: 10.3969/j.issn.1672-5131.2022.12.028. (in Chinese).
计量
- 文章访问数: 275
- HTML全文浏览量: 96
- PDF下载量: 44
