人工智能肺结节辅助诊断系统预测亚实性肺结节恶性概率

目的 评价人工智能（AI）肺结节辅助诊断系统预测肺亚实性结节（SN）恶性概率的效能。方法 将86例接受手术治疗SN患者分为3组：组1为浸润前病变，组2为微浸润腺癌，组3为浸润性腺癌。将术前胸部CT数据导入AI肺结节识别软件，记录其自动测量的SN的CT值、体积及恶性概率预测值。比较3组SN在CT平扫、增强动脉期及延迟期中的CT值、体积及恶性概率预测值，并对各组进行平扫与增强后配对样本检验。分析根据各期CT对各组SN恶性概率预测值与CT值及体积的相关性。结果 共纳入88个SN，组1、组2和组3分别含27、28及33个SN。AI系统检测SN的敏感度为100%（88/88）。AI系统检测根据CT平扫、增强后动脉期、延迟期对组1 SN的恶性概率预测值分别为[85.18（56.64，92.08）]%、[67.15（58.99，90.30）]%和[89.82（56.64，92.23）]%，组2分别为[93.10（85.72，95.75）]%、[89.61（74.44，95.35）]%和[92.21（86.74，95.59）]%，组3分别为[97.05（92.81，98.74）]%、[96.89（90.40，98.60）]%和[96.49（89.89，98.69）]%。3期CT扫描对3组SN恶性概率预测值差异均有统计学意义（P均<0.01），且3组SN间CT值、体积差异均有统计学意义（P均<0.01）。各组平扫与增强CT恶性概率预测值比较无统计学差异（P均>0.05），各期CT对SN的恶性概率预测值与其CT值及体积均呈正相关（P均<0.01）。结论 基于深度学习的AI肺结节辅助诊断系统可协助判定肺腺癌SN侵袭程度；平扫CT数据可用于辅助预测SN恶性概率，而增强CT对判断SN性质无明显帮助。     

人工智能影像诊断技术在基层医院中的应用与思考

人工智能（artificial intelligence,AI）是研究利用计算机来模拟人的某些思维过程和智能行为的学科。近年来,随着机器学习和深度学习的应用,AI技术在医学影像诊断中得到了飞速发展,且取得了卓越的效果。基层医院医生由于临床诊断能力较薄弱和经验累积较慢等原因,使得基层医院的诊疗受到一定的影响,将AI影像诊断技术应用于基层医院能提高医院的诊断效率及临床诊断准确性。但是,AI与医学影像诊断技术的结合尚处于初步阶段,有一定的不足,需制定相应的解决方案,以推动AI在医学影像诊断领域的不断发展与成熟。     

肺结节的病理演进与分子影像研究进展

随着肺部低剂量CT的普及和大众健康意识的提高,肺结节的检出率大大提高,但良恶性判断仍然是目前影像学的难点和热点,早期明确诊断对于疾病治疗方案的选择和预后结果至关重要。目前影像学对肺结节的研究已经从形态学向分子影像学方向发展,分子影像学能够对活体进行细胞和分子水平的定性、定量、动态研究,在诊断肺结节中显示出重要价值和潜力。本文就不同病理类型肺结节的病理演进过程进行概述,并对几种不同类型的核医学分子影像显像剂作一综述。     

肺单发结节、肿块的影像与临床分析

目的:研究肺部单发结节、肿块患者的胸部数字化放射成像(DR)影像特点和临床表现,以提高肺内良、恶性病变的鉴别诊断水平。方法:搜集经临床病理证实的167例肺部单发结节、肿块患者的资料,对其胸部DR影像特点和临床表现进行数据统计,采用卡方检验进行分析。结果:167例患者中,肺癌56例(33.5%),单发转移瘤16例(9.6%),良性肿瘤42例(25.1%),结核瘤37例(22.1%)。较年轻、有长期发热、胸背痛症状者提示结核瘤;痰中带血或咯血提示恶性肿瘤。胸部DR影像中良恶性病变的大小和分布无明显差异,良性肿瘤大多结节边界清晰、形态规则;恶性肿瘤多边界不清,有毛刺、分叶;结核出现于下叶的比率高,钙化多见。结论:对肺部单发结节、肿块病变的初步诊断需紧密结合影像特点和临床表现。     

人工智能CT定量分析肺结节的临床应用价值

目的:探究人工智能CT定量分析肺结节的临床应用价值。方法:选取2021年1月—12月太仓市第一人民医院收治的肺部结节患者72例,选择人工智能CT定量分析的方式。对比不同性质、不同直径肺结节检出率,以及患者的心理状态评分、生活质量、肺功能指标改善情况。结果:与定量分析前的SAS、SDS相比,定量分析后的SAS、SDS评分均较低,差异有统计学意义(P <0.05);72例患者中共检出肺部结节98个,包含32个磨玻璃样,66个实性结节,经实施人工智能CT定量分析诊断后的肺部结节总检出率为95.92%(94/98),明显较高,说明对患者实施人工智能CT定量分析诊断之后,取得的实性和总结节检出率效果较佳;72例患者中共检出肺部结节98个,其中直径为0.5～2.0 cm结节共63个,<0.5 cm结节35个,定量分析前和定量分析后在直径为0.5～2.0 cm结节时的检出率无显著差异(P>0.05),且与定量分析前的直径<0.5 cm结节24个(68.57%)相比,定量分析后的检出率94.29%(33/35)明显更高,差异有统计学意义(P <0.05);定量分析后较定量...     

感染性肺结节影像-病理对照分析

目的对比分析感染性肺结节的临床、CT影像及病理特征。方法收集7例感染性肺结节标本,包括寄生虫感染1例、曲霉菌感染2例、隐球菌感染3例及其他真菌感染1例,对其进行影像学及病理学分析。结果发现7例感染性肺结节患者血常规检查结果均正常,未出现明显的感染性症状,但在CT影像上均诊断为恶性或倾向恶性,导致临床诊断为恶性肿瘤进行手术,术后最终病理确诊为感染性疾病。结论提示临床医生在诊治过程中应高度警惕感染性肺结节可能性,对肺结节的术前诊断必须排除感染性疾病,避免过度治疗。     

人工智能辅助肺结节CT诊断效能评估研究

<正>肺结节是指胸片或者CT上直径<3 cm的团块状病灶,是肺部肿瘤的早期表现形式^[1]。研究显示,不明原因的肺部肿瘤早期病变中多伴有孤立性肺结节^[2]。故早期发现并诊断肺结节对预防和治疗肺癌有积极作用。目前临床常采用CT检查,可根据CT影像学征象来鉴别肺结节性质。但有报道显示,CT检查仍存在漏诊、误诊的现象,使得诊疗延误,影响患者预后^[3]。近年来随医学技术的不断发展革新,人工智能(artificial intelligence,AI)被广泛应用于医疗体系,其通过快速标记病变部位对肺结节良恶性性质进行分类,     

人工智能在监测不同性质肺内稳定结节与不稳定结节对比分析

<正>肺结节是指长径≤3cm的局灶性、类圆形、密度增高的实性或亚实性肺部阴影^[1]。《胸部CT肺结节数据标注与质量控制专家共识(2018)》^[2]将肺内结节定义为实性结节(solid-nodules SN)、部分实性结节(partial-solidnodules,PSN)、纯磨玻璃结节(pureground-glassnodules,p GGN)和钙化结节。肺部CT是筛查和观察肺结节变化的常用检查方法之一,此外不断发展和完善的人工智能(artificial intelligence,AI)对肺结节的检出和随访也发挥重要作用。     

人工智能技术在胸部高分辨率CT中对肺结节诊断的应用

目的 探讨人工智能(AI)技术在胸部高分辨率CT(HRCT)中对肺结节诊断的效能。方法 回顾性分析沈阳市中医院2020年1月至2021年1月经胸部HRCT扫描的130例单发肺结节患者的临床资料,所有患者均经手术病理确诊,运用AI影像分析系统与人工对比分析结节的特征,得出结节的大小、密度及危险度,对比AI和人工的检出时间、漏诊率、假阳性率和准确度。结果 AI检测出肺结节的时间为(73.10±28.35)s,漏诊率1.54%,假阳性率23.35%,与病理诊断的符合率72.31%;人工检测出肺结节的时间为(273.26±68.62)s,漏诊率6.92%,假阳性率0,与病理诊断的符合率90.00%。AI在肺微小结节的检出时间及检出率显著优于人工,人工在肺结节假阳性率及与病理诊断的符合率优于AI(P<0.05)。结论 虽然AI技术检测的假阳性率较高,在结节的定性上与人工还有一定差距,但可以辅助人工,在提高工作效率和降低漏诊率上效果显著。     

人工智能辅助低剂量CT在肺结节筛查中的价值

目的 探讨人工智能(AI)辅助低剂量CT在肺结节筛查中的价值。方法 回顾性分析在嘉兴市中医医院放射科行胸部低剂量CT体检人员100例,分人工组、AI组及人工联合AI组,分别对入组病例进行阅片并记录肺结节,以2名主任医师联合AI读片结果为金标准,比较三组的肺结节检出率、漏诊率、假阳性率、阅片时间。结果 人工组、AI组及人工联合AI组三组在检出率、假阳性率及阅片用时上,差异均有统计学意义(χ²分别=145.00、52.00,H=263.00,P均<0.05)。结论 人工联合AI筛查肺结节,能提高结节检出率,降低漏诊及假阳性率,缩短阅片时间。     

肺内单发结节的影像诊断及其鉴别

正肺内单发结节,也称孤立性结节,是指肺实质内单发的类圆形、直径在30 mm以内的结节影,不伴有肺不张、肺门及纵膈淋巴结的肿大[1]。许多疾病在影像上表现为各种形态的单发结节,充分认识结节的影像特征,对于鉴别疾病的良恶性十分重要。作者回顾性分析本院2010—2015年     

肺内孤立性微小结节的影像与病理学对照分析

目的 探讨肺内孤立性微小结节的病理学诊断与手术前影像学特征性分析的对比以及对临床的指导意义.方法 37例经普通X射线平片、CT影像检查发现的肺内孤立性微小结节病变,通过手术获得病理学诊断,对照手术前肺内孤立性微小结节影像诊断、鉴别诊断结果,进行回顾性分析,以提高影像诊断与病理学诊断的符合率.结果 18例患者术前诊断为肺癌,其中11例CT影像具有恶性征象;19例术前诊断为肺部良性病变.经电视胸腔镜手术肺部微小结节的诊断和治疗,均获得明确的病理学诊断.其中恶性病变9例(24.3%),良性病变28例(75.7%);仅6例(54.5%)术前具有"恶性"影像学特征的患者最终确诊为恶性病变.结论 医学影像学特征性分析有局限性;对于临床发现的肺部孤立性微小结节,电视胸腔镜手术具有明显的微创优势,可作为及时准确获取病理学诊断的首选方法.     

人工智能肺结节辅助诊断系统预测亚实性结节恶性概率的效果研究

目的 评价人工智能（artificial intelligence，AI）肺结节辅助诊断系统预测亚实性肺结节恶性概率的效能。方法 本研究共纳入86例患者。将亚实性结节按病理组织学结果分为三组：组1为浸润前病变；组2为微浸润腺癌；组3为浸润性腺癌。将患者术前胸部CT检查数据导入AI肺结节识别软件，记录AI软件自动计算的亚实性结节CT值、体积及恶性概率预测值。分别在平扫、增强后动脉期及延迟期行三组间CT值、体积及恶性概率预测值的多个独立样本非参数检验（Kruskal-Wallis H检验），之后分别行每组平扫与增强后的配对样本非参数检验（Wilcoxon检验）。结果 共88个亚实性结节，其中27、28及33个结节分别纳入组1、组2和组3。AI软件对组1结节在平扫、增强后动脉期、延迟期的恶性概率预测值分别为74.60%±19.76%、73.58%±17.18%、77.40±18.67%；组2分别为89.97%±8.55%、85.17%±13.92%、90.14%±7.70%；组3分别为94.25%±7.04%、94.18%±5.72%和94.01%±6.33%。三组结节的恶性概率预测值在三期扫描均有统计学差异（P＜0.001），且三组间CT值、体积比较亦有统计学差异。结论 目前应用的基于深度学习的AI肺结节辅助诊断系统可以协助我们判定肺腺癌亚实性结节的侵袭程度。     

人工智能辅助肺结节筛查及定性诊断的应用研究

目的 探讨人工智能(AI)辅助诊断软件在胸部低剂量CT肺结节筛查及定性诊断的临床研究与应用价值。方法 回顾性分析病理确诊的103例肺结节患者的临床资料,将103例肺结节患者术前的胸部低剂量CT图像导入杏脉锐影肺结节AI分析软件中,采用AI及放射医师阅片的方法筛查肺结节并进行良恶性诊断,将AI辅助诊断软件与放射医师对肺结节的筛查情况进行比较,并以病理诊断为金标准,分析AI辅助诊断软件与放射医师诊断的准确性。结果 103例患者胸部低剂量CT共筛查出258个结节,AI辅助软件与放射医师检出肺结节的敏感度分别为96.12%、89.53%,阳性预测值分别为95.00%、100.00%; AI辅助诊断软件筛查检出肺结节的假阳性率为5.00%,放射医师未检查出假阳性肺结节。AI辅助诊断软件与放射医师对肺结节的筛查能力比较,差异有统计学意义(P<0.05)。103例肺结节患者病理检查共诊断出108个肺结节,AI辅助诊断软件及放射医师诊断肺结节的敏感度分别为95.35%、91.86%,特异度分别为72.73%、81.82%。结论 AI辅助诊断软件在肺结节筛查检出及恶性结节诊断方面具有较高的准确性,...     

肺内孤立结节影像诊断失误3例分析

肺内孤立结节在日常诊疗工作中经常遇到，但如何对其作出早期正确诊断和鉴别诊断存在较大困难，现将我院2007—06／2009—01经病理证实、X线胸片、CT扫描及临床资料完整的3例初诊时影像学误诊病例报告如下，以提高对本病的认识，就正确认识及早期诊断加以讨论。     

胸部DR影像后处理对肺结节检出的影响

目的评价DR影像多频域后处理方式对肺内结节检出的影响。方法选取经胸部CT证实的50例有肺内结节和50例正常者的DR正位胸片,采用多频域后处理得到标准、高通过及低通过3组图像,由低、中、高年资医师各2名进行评价,评价结果用受试着工作特征(ROC)曲线进行统计分析。结果标准、高通过及低通过3组图像ROC曲线下面积分别为0.739±0.019、0.697±0.020、0.789±0.017(P<0.05),三组中,低通过组结节检出率最高,高通过组结节检出率最低、假阴性率最高,标准组假阳性率最高。结论DR影像多频域后处理对肺结节的检出有影响,低频增强处理可以提高肺结节的检出率,高频增强处理漏诊率增加。     

基于影像组学的肺结节恶性程度预测

目的:探讨基于影像组学的肺结节恶性程度预测。方法:对肺部图像影像数据库(The Lung Image Database Consortium,LIDC)-IDRI(Image Database Resource Initiative)中604例肺结节患者的CT图像进行分析,其中含肺结节的CT图像共2 803幅,医师手工勾画肺结节轮廓。根据肺结节诊断标准,共提取96个灰度、形态和纹理高通量特征,输入基于随机森林的多类分类器进行恶性程度预测。恶性程度分为5级,以数字1~5表示。随机选取1 000幅CT图像作为训练样本,剩余的1 803幅CT图像作为测试样本,实验重复10次。结果:对于单个肺结节,5类恶性程度的平均预测准确率为77.85%。对于每一类预测,曲线下面积(area under curve,AUC)均在0.94以上。对于每例患者,肺结节恶性程度的预测准确率为75.16%。结论:该研究提出的基于影像组学的方法对肺结节恶性程度的预测性能良好,可为临床诊断提供可靠的辅助信息,以利于早期发现病灶。     

影像组学在肺磨玻璃结节中的应用进展

磨玻璃结节作为肺部常见结节,与肺腺癌关系密切,传统影像学检查难以对磨玻璃结节进行准确定性,作为一个新兴领域,影像组学能够高通量地提取并筛选出最有价值的影像特征,结合临床信息,用于肿瘤的定性、病理分型及相关基因组学分析,对于精准医疗的实现具有重要意义.本文就影像组学在肺磨玻璃结节诊断方面的应用现状进行综述.