基于人工智能软件提升计算机断层扫描中肺结节测量精度的潜在改进对临床实践的影响——模拟研究

背景介绍

肺结节的准确测量对肺癌的检测和管理至关重要。结节尺寸是现有指南中风险分类的主要依据。然而，不同医生手动测量的结果可能存在很大差异。本研究探讨了人工智能（AI）辅助软件在肺结节测量中的潜在改进，以及其与手动测量相比对临床管理的影响。

肺结节是胸部计算机断层扫描（CT）中常见的发现，约95%的肺结节是良性的，但其余的可能是癌性的，需采取进一步行动。肺结节的大小和生长速度与其恶性风险有很强的相关性，因此准确测量肺结节的大小和生长速度是当前肺结节及肺癌诊断和管理路径中的关键要素。

文章来源

本文由Mubarak Patel（MSc）、Peter Auguste（PhD）、Jason Madan（PhD）、Hesam Ghiasvand（PhD）、Julia Geppert（PhD）、Asra Asgharzadeh（PhD）、Emma Helm（MD）、Yen-Fu Chen（PhD）、Daniel Gallacher（PhD）等多位研究者撰写，作者分别隶属于英国华威大学医学院应用健康研究中心、考文垂大学健康与福祉研究所、布里斯托尔大学医学院和考文垂与华威郡大学医院放射科。本文发表于2024年6月，在《British Journal of Radiology》上。

研究设计与流程

研究流程

1. 创建基线人群： 基于文献报告的结节尺寸分布，创建了肺结节患者的基线队列。
2. 模拟测量精度和准确度： 本研究模拟了AI辅助软件与未辅助软件以及仅AI的结节尺寸测量精度和准确度。
3. 模拟结节生长： 模拟了结节在4年时间框架内的生长，并依据现有临床指南评估管理策略。

结节类型

肺结节可大致分为实性结节和亚固结节，根据其在CT图像中的密度和其他特征进行分类。本研究分别模拟了100万个实性结节和100万个亚固结节，并将这两类结节合并为一个包含939,000个实性结节的样本。

模拟结果

模拟的结节尺寸分布

最终的数据集中包含1百万个风险最高的结节，这些结节的基线直径在3至30毫米之间，其中93.9%是实性结节。

结节生长结果

实性结节遵循Gompertz生长曲线，而亚固结节遵循线性生长曲线。亚固结节的生长速度平均比实性结节慢。

研究对象分类与监测

根据不同读者的读数结果，将结节分配到不同的管理选项中，包括最终管理、出院或CT监测。

1. 总体癌性结节的检测率和特异性：

   • AI辅助测量将更多的癌性结节归类为需要进一步管理（62.5%），而手动测量的归类率为61.4%。
   • AI辅助测量稍微提高了对良性结节的出院率（95.8%，手动测量为95.4%）。

2. 非癌性结节的监测时间：

   • 手动测量与AI辅助测量相比，平均监测时间明显较短，尤其是在亚固结节的检测上。这表明，尽管AI辅助测量提高了敏感性，但也增加了非癌性结节的监测时间及患者的焦虑。

模拟设想与参数

使用Log-normal分布模拟真结节尺寸，并根据现有数据为四种不同读者（共识读者、仅AI、AI辅助和手动）的测量测算参数，模拟四个读者的精度和准确度。

特定算法与数据分析

模拟中实用的软件为RStudio 4.1.0，采用的是标准的Log-normal分布进行真结节尺寸抽样，并利用Gompertz生长曲线和线性生长模型对结节生长进行模拟。

研究结果

主要发现

本研究中的模拟结果表明，AI辅助测量提高了结节精度和准确度，主要优点如下： 1. 提高了对癌性结节的早期检测和归类处理率，缩短了癌性结节的检测时间，提高了临床处理效率。 2. 尽管提升了癌性结节的检测率，AI辅助处理也增加了对非癌性结节的监测时间。

临床应用价值

AI辅助软件在肺结节测量中的潜在提高提供了进行进一步数据生成并对临床指南进行调整的依据。总体而言，AI技术有望标准化结节测量， izboljšati准确性/检测率及简化临床决策过程。然而，这也伴随额外的监测时间及潜在的患者焦虑增加，需谨慎平衡敏感性与特异性。

方法及算法创新性

本研究使用的AI算法展现了相比传统手动测量的不同点，并利用模型输入的优化与模拟进一步揭示AI辅助处理的潜在临床应用与效益，同时也强调了AI系统在复杂临床决策中的特异性与敏感性更改的风险。

结论

该模拟研究首次展示了AI辅助的改进精度和测量对癌性及良性结节患者的潜在影响。AI辅助系统在检测癌性结节方面表现出更高的效力，并在一定程度上改善了结节诊断的精度。但这也带来了对良性结节更长的监测时间，这一发现对AI在肺结节诊断与管理中的应用具有重要的指导意义。