人工智能助力胸部 CT 扫描气道结节检测，提升诊断效能

为解决气道肿瘤易被忽视问题，研究人员开发 DL-CAD 系统，其可检测多数气道结节，有临床应用潜力。

　　### 胸部 CT 气道结节检测的新突破：人工智能大放异彩
在人体的呼吸系统中，气管和支气管如同精密的 “通风管道”，维持着正常的气体交换。然而，当这些 “管道” 出现异常，如长出气道肿瘤时，就会给健康带来严重威胁。气管支气管或气道癌症是一种罕见的癌症类型，在所有下呼吸道癌症中占比不到 5%。由于早期症状（如咳嗽、胸痛和喘息）缺乏特异性，常被误诊为肺部感染、慢性阻塞性肺疾病（COPD）或哮喘等。而且，在胸部 X 光检查中，气道异常容易被纵隔结构遮挡，难以发现，这导致很多患者确诊时已处于晚期，预后较差，五年生存率仅 12 - 15%。若能在早期发现并进行手术切除，患者的预后将显著改善。同样，对于良性气道结节，早期诊断也至关重要，因为这些缓慢生长的阻塞性病变可能在患者接受 COPD 或哮喘长期治疗时被忽视数月甚至数年。

胸部 CT 是检查气管和支气管的重要影像学手段，但即便进行了 CT 扫描，早期气道肿瘤仍是放射科医生的 “盲点”。有研究发现，常规临床 CT 扫描中漏诊的肺癌，67% 位于支气管。被忽视的支气管内肿瘤并不小，平均直径达 1.2cm，有时甚至在有明显临床症状（如咯血）的患者中也会被忽略。

在人工智能（AI）飞速发展的当下，基于深度学习的计算机辅助检测（DL-CAD）系统为解决这一难题带来了希望。为了攻克气道结节检测的难题，荷兰 Radboud 大学医学中心（Radboudumc）的 Ward Hendrix 等人开展了一项研究，相关成果发表在《European Radiology》上。

研究人员开展了一项回顾性研究。他们从 2004 年至 2020 年期间的患者中收集了 320 例胸部和胸部 - 腹部 CT 扫描数据，这些数据来自荷兰癌症登记处（NCR）。研究数据经过严格筛选，排除了切片厚度大于 3mm、扫描质量差、存在广泛肺不张或实变、严重肺转移等情况的患者。最终确定了 160 例有气道结节的患者（包括原发性气道癌、气道转移癌、良性气道肿瘤和非肿瘤性气道结节）和 160 例无气道结节的患者。

研究中，DL-CAD 系统基于 Hendrix 等人之前的工作进行改进，由三个基于深度学习的组件构成，分别用于感兴趣区域（ROI）检测、结节候选检测和假阳性减少。系统的检测架构从 YOLOv5 升级到 YOLOv8，假阳性减少架构从 ResNet-50 升级到 ConvNeXt ，并在公开的 LUNA16 数据集上进行预训练。研究采用 10 折交叉验证评估系统性能，通过测量自由响应受试者操作特征（FROC）曲线上预定义假阳性率下的灵敏度来评价系统表现。

在数据集特征方面，最终纳入的 320 例患者中，中位年龄 62 岁，女性 138 人。有气道结节的患者中，原发性气道癌 65 例（67 个病灶），气道转移癌 10 例（12 个病灶），良性气道肿瘤 13 例（13 个病灶），非肿瘤性气道结节 78 例（94 个病灶）。

FROC 曲线分析结果显示，DL-CAD 系统检测所有气道结节的灵敏度为 75.1%（95% 置信区间：67.6 - 81.6%），在阴性患者中平均每次扫描假阳性数为 0.25，阳性患者中为 0.56。检测非肿瘤性结节的灵敏度为 71.4%（95% 置信区间：60.3 - 82.3%） ，检测肿瘤性结节和恶性肿瘤（原发性癌症和转移癌）的灵敏度分别为 79.0%（95% 置信区间：70.4 - 86.6%）和 78.1%（95% 置信区间：68.2 - 86.4%）。对不同微妙程度的肿瘤亚组分析发现，系统对大多数微妙肿瘤也有较好的检测能力。

从检测示例来看，系统在非肿瘤和肿瘤检测中都有一些成功案例，但也存在失败模式。假阴性多为叶支气管或更远端的癌症，尤其是亚段支气管的癌症；假阳性主要出现在非结节性黏液分泌物、气管后壁前凸、气管插管或肺门区域的肺血管上。有时，系统还会检测到气道结节以外的相关异常，如肺内结节或食管病变。

研究表明，DL-CAD 系统能够在胸部 CT 扫描中检测出 75% 的气道结节，对于良性和恶性肿瘤的子集，灵敏度更高，可达 79%。该系统还能检测出大部分放射科医生难以发现的微妙肿瘤，具有潜在的临床应用价值。不过，研究也存在一定局限性，如未在外部验证集上评估、训练样本数量有限、未与放射科医生进行对比研究等。未来研究可进一步探索最佳操作点，扩大临床队列并在多机构进行验证。

这项研究为胸部 CT 扫描气道结节检测提供了新的方向，DL-CAD 系统有望成为放射科医生的得力助手，提高气道肿瘤的早期诊断率，改善患者的预后。相信随着技术的不断发展和完善，人工智能在医学领域将发挥更大的作用，为患者带来更多的希望。