多原发肺癌病理结果与AI辅助CT诊断的相关性研究

目的对比分析人工智能(Artificial Intelligence,AI)技术诊断多原发肺癌(Multiple Primary Lung Cancer,MPLC与临床病理诊断结果的一致性,进而探索AI在MPLC的诊断中的临床应用价值。方法收集2017—2019年北京大学第三医院海淀院区收治的26例MPLC患者信息,共57个癌灶作为分析样本,采用AI辅诊系统定量分析目标病灶的结节大小、密度,并对结节的良恶性进行预测。根据病理分期将入组目标病灶分为两组,采用列联表χ^2检验组间AI辅诊系统预测的结节类型的关联性。接着,对不同病理分期(0期、T1a1、T1a2、T1a3、T1b、T3a、T3b)与AI辅诊系统测量值进行线性相关性和线性回归分析。结果不同病理分期组(二分类时),与AI辅诊系统预测的结节类型存在显著的关联性(P<0.05);同时,AI辅诊系统自动测量的结节体积、最长径和最短径与不同病理分期均存在显著的相关性(P<0.001);随着病理分期的改变,AI辅诊系统测量的最长径值增大;结节体积和最长径测量值随着肿瘤面积的增加而增大。结论AI诊断不同临床病理分期的MPLC时具有较好区分性能,与基于病理结果的诊断一致性高。在临床影像诊断工作中,可以参考AI的预测结果,对可疑恶性的肺结节重点观察,结合AI的体积测量和其他征象提示临床MPLC的可能性,提高MPLC的检出率。

人工智能辅助诊断系统在COVID-19患者病程变化中的诊疗作用

目的使用基于电子计算机断层扫描(Computed Tomography,CT)影像学资料的人工智能(Artificial Intelligence,AI)辅助诊断系统动态评估新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)治疗前后的影像表现,为COVID-19的精准诊疗提供影像学定量依据。方法本研究回顾性收集28例COVID-19患者的共78次CT影像学资料和临床资料,通过对比分析患者治疗前后临床实验室检查结果,多次CT影像结果并应用AI技术进行辅助诊断,分析CT影像学特征及AI定量特征结果。结果对于28例COVID-19患者,临床治疗平均(10.50±3.60)d后,实验室检查指标比较,差异无统计学意义(P>0.05);AI辅助诊断与常规阅片诊断一致性较高(Kappa=0.708,P<0.05),诊断用时显著减少[(2.77±0.90)min vs.(0.78±0.40)min,P<0.05],并能够评估肺部病情定量变化(肺内平均CT值、全肺感染体积占比及全肺感染体积),在早期、进展期和影像转归期三期两两比较有显著差异(P<0.05)。结论CT+AI联合应用可作为现期筛查COVID-19的高效模式,可以在临床疗效中提供重要的参考价值。

人工智能辅助诊疗系统在新型冠状病毒肺炎诊疗中的应用初探

目的探索基于CT影像的人工智能(Artificial Intelligence,AI)辅助诊疗系统在新型冠状病毒肺炎(Coronavirus Disease2019,COVID-19)诊疗中的应用价值。方法回顾性收集与分析29例COVID-19确诊患者的44次CT检查数据。2名资深影像诊断医师采用常规阅片方式和AI辅助阅片方式对CT图像进行诊断评价,对比两种方法对COVID-19受累肺叶的检出率和诊断用时,并应用AI辅助诊疗系统对感染区域进行定量分析,探讨定量分析结果与病情进展之间的相关性。结果AI辅助诊疗系统阅片方式肺叶检出数高于常规诊断方法(128个vs. 102个),且诊断用时明显减少[(0.67±0.56)min vs.(3.18±2.03)min],均具有统计学意义(P<0.05)。COVID-19早期、进展期及放射学转归期在感染区域(全肺、右肺上叶、右肺下叶、左肺上叶、左肺下叶)体积占比及感染区域内CT值分布(>60 HU及-270~30 HU)体积占比组间对比具有统计学差异(P<0.05)。结论 AI辅助诊疗系统可以高效辅助COVID-19诊断及量化评估,为COVID-19的病程分析提供帮助。

深度学习模型对纯磨玻璃结节肺腺癌病理亚型的预测分析

目的利用深度学习对CT上表现为纯磨玻璃密度结节(pGGN)的肺腺癌进行分型,并与手术病理结果对比,探讨其对病理亚型的预测价值。方法收集219例(共240个病灶)经病理证实且胸部CT上表现为pGGN的肺腺癌患者的CT影像与病理资料,根据病理分型,将其分为非浸润性腺癌组[包括浸润前病变(不典型腺瘤样增生和原位腺癌)以及微浸润腺癌]和浸润性腺癌组。首先对pGGN进行勾画与标记,然后将标记好的数据随机分为学习训练组(80%)及验证测试组(20%),其中验证测试组中的结果需与两位胸部影像专家的诊断结果进行对比。结果深度学习模型对pGGN肺腺癌病理亚型的预测取得了较高的性能。深度学习模型对pGGN判断的准确率为0.8330,95%CI为0.7016~0.9157,专家1对pGGN诊断的准确率为0.5000,95%CI为0.3639~0.6361,专家2对pGGN诊断的准确率为0.5625,95%CI为0.4227~0.6931,两位专家联合对pGGN诊断的准确率为0.5417,95%CI为0.4029~0.6743,深度学习模型的准确率明显高于专家个人及专家组(P=0.002)。专家个人前后两次诊断的一致性Kappa值分别为0.939和0.799,专家个人前后两次的诊断一致性为良好;专家间的一致性Kappa值为0.667,专家间的诊断一致性为中等(P=0.000)。结论深度学习模型能相对准确地判别pGGN的病理类型,诊断效能优于专家组判断。