人工智能在早期肺腺癌及新型冠状病毒肺炎CT诊断的研究

【摘要】：第一部分 基于CT的影像组学鉴别早期磨玻璃样肺腺癌浸润性的研究研究背景:随着人们对体检重要性认识的提高,应用计算机断层扫描(computedtomography,CT)筛查的普及增加了磨玻璃结节(ground-glass nodules,GGNs)的检出率。GGNs的病理可以是良性的,浸润前病变或浸润性肺腺癌。2011年,国际肺癌研究协会/美国胸科学会/欧洲呼吸学会提出了一种新的肺腺癌分类系统,包括非典型腺瘤样增生(atypical adenomatous hyperplasia,AAH)、原位腺癌(adenocarcinoma in situ,AIS)、微浸润腺癌(minimally invasive adenocarcinoma,MIA)和浸润性腺癌(invasive adenocarcinoma,IAC)[1],其中AAH和AIS为浸润前病变。浸润前病变和微浸润腺癌生长缓慢,甚至长期不变,5年无复发生存率接近100%[2],被定义为惰性腺癌,推荐进行胸部薄层CT随访、限制性肺段/肺叶切除,而浸润性腺癌临床标准治疗方式为解剖性肺叶切除术+淋巴结采样/清扫[3]。因此,术前准确区分早期磨玻璃样肺腺癌浸润性对指导临床治疗决策至关重要。研究目的:本研究拟建立基于CT的影像组学标签,并融合临床特征、CT形态学特征构建诺谟图,术前无创地评估早期磨玻璃样肺腺癌的浸润性。研究方法:回顾性收集吉林大学第一医院2016年1月至2018年10月509例手术病理证实为早期肺腺癌患者的临床信息及CT影像特征。CT表现为单发直径≤3cm的GGNs。由2名分别具有12年及7年工作经验的放射科医生分别独立评估GGNs的CT形态学特征,利用飞利浦星云探索人工智能科研平台半自动分割靶病灶并提取影像组学特征,进行观察者间一致性分析。70%的患者被纳入训练组,30%的患者被纳入验证组。联合应用最小冗余最大相关性(Max-Relevance and Min-Redundancy,mRMR)和最小绝对收缩选择算子(least absolute shrinkage and selection operator,LASSO)提取影像组学特征,计算影像组学评分,构建影像组学标签。采用单因素和多因素逻辑回归分析筛选与GGNs浸润性相关的临床特征和CT形态学特征。将保留的临床特征、CT形态学特征与影像组学评分相结合构建诺谟图。用接受者操作特征曲线、校正曲线、决策分析曲线分别评价影像组学标签及诺谟图的预测效能、校正效果及其临床效用。研究结果:(1)年龄、吸烟史、结节长径和平均CT值是早期肺腺癌浸润性的独立预测因子。(2)浸润性腺癌的平均影像组学评分高于惰性腺癌(训练组1.53 vs-0.97,P0.001;验证组1.36 vs-1.03,P0.001),具有统计学差异。影像组学标签具有良好的预测效能,训练组 AUC 为 0.892(95%CI,0.860-0.926),验证组 AUC 为 0.892(95%CI,0.838-0.947)。(3)结合年龄、吸烟史、结节长径、平均CT值及影像组学评分构建的诺谟图具有良好的预测效能,训练组AUC为0.940(95%CI,0.916-0.964),验证组AUC为0.946(95%CI,0.907-0.986),优于单一应用影像组学标签的预测效能(Delong' test,P0.001)。研究结论:联合临床特征、CT形态学特征及影像组学评分构建的诺谟图可以在术前精准预测早期磨玻璃样肺腺癌的浸润性,为临床医生制定个体化的治疗策略提供无创的预测工具。创新点:(1)利用影像组学的先进技术和数据处理方法,探索CT上人眼不可识别的高维影像组学特征预测早期磨玻璃样肺腺癌的浸润性。(2)利用多维度数据,包括临床特征,CT形态学及影像组学特征构建诺谟图,直观、精准评估早期磨玻璃样肺腺癌的浸润性,为临床医生制定个体化的治疗策略提供无创的预测工具。第二部分 基于CT的深度学习鉴别新型冠状病毒肺炎与社区获得性肺炎的研究研究背景:由严重急性呼吸综合征冠状病毒2型引起的2019年新型冠状病毒肺炎(Corona Virus Disease 2019,COVID-19)是一种持续的大流行。2020年1月30日世界卫生组织(World Health Organization,WHO)宣布COVID-19为国际关注的突发公共卫生事件[4],2020年3月11日,WHO正式宣布COVID-19是一种流行病[5],其已成为全球公共卫生危机,引起了国际社会对公共卫生的极大关注。目前公认的COVID-19诊断金标准为逆转录聚合酶链反应试验(reverse transcription-polymerase chain reaction,RT-PCR)[6],但有研究显示该试验的敏感性低于胸部CT[7,8],限制了对感染患者的及时诊断。胸部CT作为一种常见的简单、快速的诊断工具,是RT-PCR的重要补充。然而,由于影像特征重叠性,胸部CT易将COVID-19与常见的社区获得性肺炎(community-acquired pneumonia,CAP)混淆,延误诊断,错过了早期隔离治疗的机会。因此及时、准确地诊断COVID-19仍然是疫情防控的关键挑战。研究目的:本研究拟开发和测试一种深度学习算法,鉴别新型冠状病毒肺炎和社区获得性肺炎,并与临床医生的诊断效能比较,探索人工智能的辅助诊断作用。研究方法:回顾性收集2019年1月至2020年4月共493例胸部平扫CT,包括248例来自武汉市第一医院的COVID-19及245例来自吉林大学第一医院的CAP。将80%划分为训练/验证组,20%划分为测试组,每组中COVID-19与CAP的比例为1:1。采用5倍交叉验证法在394例CT上训练并验证深度学习模型,在99例CT上进行独立测试。此外,八名临床医生,在不知道RT-PCR检测结果和深度学习模型诊断结果的情况下,独立评估测试集的数据。用准确性、敏感性、特异性和曲线下面积评估深度学习模型及临床医生的诊断效能。研究结果:(1)在训练/验证组,深度学习模型的平均诊断效能为准确性94.7%、敏感性95.9%、特异性 93.1%和 AUC 0.95。(2)在独立测试组,深度学习模型的诊断效能为准确性93.9%、敏感性96.0%、特异性 91.8%和 AUC 0.94。(3)在独立测试组,8名临床医生的平均诊断效能为准确性64.3%、敏感性47.3%、特异性81.6%和AUC 0.64,深度学习模型的诊断性能优于8名临床医生(P0.05)。研究结论:深度学习模型比八名临床医生更能准确区分COVID-19和CAP。因此,深度学习模型可能辅助临床医生更快、更准地对COVID-19做出诊断,从而及时隔离受感染者,减缓疾病的传播。创新点:(1)利用深度学习的先进技术和数据处理方法,提取数据的高级复杂的抽象特征,建立模型自动鉴别COVID-19与CAP。(2)比较深度学习算法与临床医生的诊断效能,探索深度学习算法对临床医生辅助诊断的作用。