目的评估人工智能(artificial intelligence,AI)系统对肺结节良恶性和病理分型的预测能力及临床应用价值,并总结临床应用经验。方法回顾性分析2016年2月—2025年2月兰州大学第二医院胸外科收治的肺结节患者临床资料。首先将肺结节分为...目的评估人工智能(artificial intelligence,AI)系统对肺结节良恶性和病理分型的预测能力及临床应用价值,并总结临床应用经验。方法回顾性分析2016年2月—2025年2月兰州大学第二医院胸外科收治的肺结节患者临床资料。首先将肺结节分为良性组和非良性组,对比分析AI系统和临床医师的鉴别能力。其次将术后病理结果回报为前驱腺体病变(precursor glandular lesions,PGL)、微浸润性腺癌(microinvasive adenocarcinoma,MIA)、浸润性腺癌(invasive adenocarcinoma,IAC)的肺结节进行分析,对比AI系统及临床医师在预测肺结节病理分型上的效能。结果在良性/非良性肺结节分析中,共纳入638例肺结节患者,其中男257例(双、三原发病灶例数分别为10例、1例),女381例(双、三原发病灶例数分别为18例、1例),中位年龄55.0(47.0,61.0)岁。同一患者的不同病灶作为独立样本进行分析。将两组变量进行单因素分析,结果显示除结节位置外,其余变量差异均有统计学意义(P<0.05)。多因素logistic回归分析显示,年龄、结节类型(亚实性肺结节)、平均密度、毛刺征、血管集束征为非良性肺结节的独立影响因素,其中年龄、结节类型(亚实性肺结节)、毛刺征、血管集束征与非良性肺结节发生呈正相关,平均密度与非良性肺结节发生呈负相关。AI系统所给恶性风险值预测非良性肺结节的受试者工作特征曲线下面积(area under the curve,AUC)值为0.811,略低于临床医师预测的0.898。在PGL/MIA/IAC分析中,共纳入411例肺结节患者,其中男149例(双原发病灶例数为8例)、女262例(双原发病灶例数为17例),中位年龄56.0(50.0,61.0)岁。同一患者的不同病灶作为独立样本进行分析。单因素分析结果显示,PGL、MIA和IAC三组患者除性别、结节位置及血管集束征外,其余变量差异均有统计学意义(P<0.05)。多分类多因素logistic回归分析显示,各参数在PGL组和MIA组间差异均无统计学意义(P>0.05),结节最大径、平均密度在PGL组和IAC组间差异有统计学意义(P<0.05),且作为独立危险因素与IAC发生均呈正相关。AI系统预测肺结节病理分型的平均AUC值、准确率、召回率及F1分数分别为0.807、74.3%、73.2%、68.5%,均优于临床医师预测肺结节病理分型指标(分别为0.782、70.9%、66.2%、63.7%)。AI系统预测IAC的AUC值为0.853,灵敏度、特异度、最佳截断值分别为0.643、0.943、50.0%。结论该AI系统在预测肺结节良恶性及病理分型上均表现出较高的临床价值,尤其在预测肺结节病理分型上的能力已优于临床医师,后续随着算法的优化及多模态数据的充分整合可更好地辅助临床医师为肺结节患者制定个体化诊疗方案。展开更多
文摘目的评估人工智能(artificial intelligence,AI)系统对肺结节良恶性和病理分型的预测能力及临床应用价值,并总结临床应用经验。方法回顾性分析2016年2月—2025年2月兰州大学第二医院胸外科收治的肺结节患者临床资料。首先将肺结节分为良性组和非良性组,对比分析AI系统和临床医师的鉴别能力。其次将术后病理结果回报为前驱腺体病变(precursor glandular lesions,PGL)、微浸润性腺癌(microinvasive adenocarcinoma,MIA)、浸润性腺癌(invasive adenocarcinoma,IAC)的肺结节进行分析,对比AI系统及临床医师在预测肺结节病理分型上的效能。结果在良性/非良性肺结节分析中,共纳入638例肺结节患者,其中男257例(双、三原发病灶例数分别为10例、1例),女381例(双、三原发病灶例数分别为18例、1例),中位年龄55.0(47.0,61.0)岁。同一患者的不同病灶作为独立样本进行分析。将两组变量进行单因素分析,结果显示除结节位置外,其余变量差异均有统计学意义(P<0.05)。多因素logistic回归分析显示,年龄、结节类型(亚实性肺结节)、平均密度、毛刺征、血管集束征为非良性肺结节的独立影响因素,其中年龄、结节类型(亚实性肺结节)、毛刺征、血管集束征与非良性肺结节发生呈正相关,平均密度与非良性肺结节发生呈负相关。AI系统所给恶性风险值预测非良性肺结节的受试者工作特征曲线下面积(area under the curve,AUC)值为0.811,略低于临床医师预测的0.898。在PGL/MIA/IAC分析中,共纳入411例肺结节患者,其中男149例(双原发病灶例数为8例)、女262例(双原发病灶例数为17例),中位年龄56.0(50.0,61.0)岁。同一患者的不同病灶作为独立样本进行分析。单因素分析结果显示,PGL、MIA和IAC三组患者除性别、结节位置及血管集束征外,其余变量差异均有统计学意义(P<0.05)。多分类多因素logistic回归分析显示,各参数在PGL组和MIA组间差异均无统计学意义(P>0.05),结节最大径、平均密度在PGL组和IAC组间差异有统计学意义(P<0.05),且作为独立危险因素与IAC发生均呈正相关。AI系统预测肺结节病理分型的平均AUC值、准确率、召回率及F1分数分别为0.807、74.3%、73.2%、68.5%,均优于临床医师预测肺结节病理分型指标(分别为0.782、70.9%、66.2%、63.7%)。AI系统预测IAC的AUC值为0.853,灵敏度、特异度、最佳截断值分别为0.643、0.943、50.0%。结论该AI系统在预测肺结节良恶性及病理分型上均表现出较高的临床价值,尤其在预测肺结节病理分型上的能力已优于临床医师,后续随着算法的优化及多模态数据的充分整合可更好地辅助临床医师为肺结节患者制定个体化诊疗方案。
