三维重建|人工智能（医疗3D打印）在肺结节诊治中的应用

今天，让我们探究一下，人工智能（医疗3D打印）在肺结节诊治中的应用

肺癌诊断中人工智能的加入

肺癌早期常无典型临床症状，仅表现 CT 影像上的肺结节，低剂量 CT 检查是目前早期肺癌主要的筛查手段。低剂量 CT 扫描用于肺癌筛查已被证实减低啊肺癌特异性死亡率，肺癌筛查计划的推广带来了肺结节检出率的显著提高，对这些结节的判断也明显加重影像学科工作负荷。

近年来，人工智能被广泛推广在肺结节的鉴别、病理预测、随访管理等领域环节中，其有效性已得到初步验证。

近日，《人工智能在肺结节诊治中的应用专家共识 (2022 年版)》（下称《共识》）正式在《中国肺癌杂志》期刊上发布，这也是我国首部关于人工智能在肺结节诊治应用的共识。本文结合该《共识》阐述人工智能在肺结节诊治工作中的具体应用。

肺结节诊断的现状与局限性

研究显示，低剂量螺旋 CT 筛查发现的肺结节，恶性率仅为 10%~20%。在国家肺部筛查试验 National Lung ScreeningTria l, NLST）研究中，对于直径 ≥ 4 mm 的肺结节，三轮低剂量螺旋 CT 筛查后假阳性率超过 96.4%。

目前的指南建议使用正电子发射计算机断层显像（ positron emission tomography CT, PET-CT）扫描、支气管内超声引导的经支气管活检（endobronchial ultrasound-guided transbronchial needle aspiration, EBUS-TBB）或经胸肺穿刺活检（transthoracic needle aspiration, TTNA）等手段，敏感度不高。

人工智能在肺结节诊断中，能有效区分肺小结节和非结节，减少假阳性率，增加肺结节的检出率。肺结节中的三维纹理特征、临床信息及 CT 图像数据计入支持向量机模型进行肺癌预测，可提高放射科医师诊断的敏感度与特异度。

专家共识：

低剂量螺旋 CT 筛查发现的肺结节，假阳性率较高，传统诊断方法在肺结节的诊断中，具有较强的局限性。

人工智能在肺结节良恶性诊断方面已经取得了一定进展，但在病理分型预测、多次随访数据的综合判断、手术规划等方面，还存在很多问题亟待解决（共识强度：一致共识）。

人工智能在肺结节识别中的作用

研究发现，人工智能在 CT 检查结果中识别肺结节的灵敏度约为 96.7%，高于放射科医生的 78.1%，人工智能较高的敏感度和读片速度在肺癌筛查中具有重要价值。

但是人工智能对亚实性肺结节识别的灵敏度较低，在最高灵敏度设置下最多只能检测到 50% 的亚实性结节。

除了用于肺结节检测，人工智能还可用于计算肺结节的体积并估计肺结节体积的倍增时间，基于人工智能的肺结节体积测量具有高度的可重复性，尤其对于最大径 < 10 mm 的肺结节，与直径手动测量相比具有明显优势。

专家共识：

人工智能在辅助医生进行肺结节识别方面，具有较大优势，在肺结节随访中判断良恶性具有重要价值（共识强度：一致共识）。

人工智能对亚实性结节检测的假阴性率较高，仍需要人工阅片确认以减少漏诊（共识强度：基本一致共识）。

人工智能在肺结节良恶性鉴别诊断中的作用

在 CT 影像上，肺结节主要依赖于结节的大小和生长来区分良恶性，此外，CT 影像还可以提供病灶的形状、空间复杂性和一系列其他「纹理」特征。

根据既往综述，四项基于不同类型数据库的训练和验证的深度学习模型的肺结节良恶性分类模型准确性在 79.5%~93.6%，而基于相同类型数据库的训练和验证的深度学习模型的分类准确性在 68%~99.6%，已经具有了较高的肺结节诊断的准确性。

在临床实践过程中，AI 辅助影像学诊断肺结节分类优势的主要体现在可以快速给出肺结节良恶性的判断，减少了放射科医生的工作量，提高了诊断的效率，并且 AI 算法能突出并呈现可疑成像特征区域给放射科医生，有利于减少肺结节分类的误诊率。

专家共识：

人工智能技术在肺结节良恶性鉴别中可为临床诊断提供辅助参考，但其准确性还无法取代人工（共识强度：一致共识）。

融合多模态信息的肺癌诊断技术能够得到更加精确的肺癌诊断效果（共识强度：基本一致共识）。

人工智能在肺结节病理分型预测中的作用

有学者提出根据术中冰冻结果指导手术切除范围，但是术中冰冻和术后石蜡病理诊断肺腺癌亚型的一致性不够高，术中冰冻诊断微乳头和实性成分的敏感性仅为 37% 和 69%。目前亟需新方法在手术前辅助诊断以指导后续治疗。

传统 CT 影像判读多依据结节的特征判断病灶的侵袭性。然而，实际临床应用中，不同级别和资历的医师对上述影像特征的理解和认识存在着一定差异，判别能力也各不相同，且传统图像特征分析存在操作复杂、人为因素影响大、影像特征特异性不足等问题，影响临床图像判读的准确性。

有研究显示，AI 能够较好鉴别以磨玻璃结节为主要影像学表现的肺腺癌是否为浸润性病变，为早期诊断和个体化治疗提供临床依据。

专家共识：

人工智能依托深度学习与记忆可准确提取肺结节中有重要影响的微特征，具有无创、可捕捉肿瘤异质性和可重复性等优势，有望分级和预判磨玻璃结节早期肺腺癌浸润亚型，为临床决策提供参考，但需要设计多中心、高质量数据集、前瞻性随机对照试验以进一步验证（共识强度：一致共识）。

人工智能在肺结节多次随访数据的综合判断作用

Ardila 等针对 6,716 例 NLST 入组人群进行分析，结果发现当仅有单次 CT 影像数据时，AI 系统较六位影像医师判读可减低 11% 假阳性率及 5% 假阴性率；而当有初次影像数据进行对比时，AI 系统与影像科医师判读结果相仿，该研究结果提示，AI 系统可在肺癌筛查的多次影像检查中参与更多决策。

在另一项研究中，基于 AI 算法动态评估肺结节的两次影像检查亦可提高肺癌的诊断率。除此之外，利用 AI 系统还可以指导肺结节的随访策略制定。

专家共识：

人工智能在肺结节多次随访数据中可协助评估肺结节体积、形态变化，对肺结节随访提供结节倍增时间变化、形态学改变等参考依据，进而制定个体化随访间期，但其具体适用范围有待进一步研究（共识强度：基本一致共识）。

人工智能在肺结节手术规划中的作用（三维重建）

人工智能依托神经网络深度学习可以进行肺结节良恶性判断及病理分型预测，有望实现术前肺癌及其亚型的精准诊断，从而优化治疗方案设计和肺结节手术规划。

同时，借助赛纳数字医疗人工智能三维可视化重建技术，可以提高手术成功率，实现精准切除，尤其对于亚肺叶切除手术的术前模拟规划。通过可视化与人工智能方法结合可以辅助医生精确定义肺段和楔形切除的范围和手术路径。

专家共识：

基于人工智能的三维重建技术对于提高手术的安全性和准确性具有重要的意义（共识强度：一致共识）。