磨玻璃型肺腺癌AI研究成果发表，推想持续引领肺癌诊疗智能化落地

近日,推想医疗与北京大学人民医院胸外科、放射科合作的论文“Artificial-intelligence-based computed tomography histogram analysis predicting tumor invasiveness of lung adenocarcinomas manifesting as radiological part-solid nodules”发表于Frontiers in Oncology期刊。这项研究利用基于AI技术的自动化CT直方图分析,探索有效区分不同病理程度的亚实性肺癌(又称磨玻璃型肺癌)的临床和放射学指标,构建部分实性结节(PSNs)病理侵袭性预测模型,以期在临床治疗决策中发挥重要作用。

攻克肺部亚实性结节精准影像学评估难题

随着低剂量胸部计算机断层扫描(CT)在肺癌筛查中广泛应用,亚实性结节(SSNs)越来越多地被发现,成为胸外科临床工作的重要组成部分。根据是否有实性成分的存在,亚实性结节分为纯磨玻璃结节(pGGN)和部分实性结节(PSN)。

病理学分类中,原位腺癌(AIS),微浸润腺癌(MIA),侵袭性腺癌(IAC)在CT图像上均可表现为持续性部分实性结节。不同的肺癌病理亚型意味着不同的手术切除方案,因此针对PSN的精准影像学评估在临床上显得尤为重要,尤其是在手术切除范围评估上。

目前专门针对部分实性结节病理浸润的研究较少,相关研究多采用较为耗时的人工分割感兴趣区,这种方法在一定程度上限制其在现实临床应用场景中的应用。

近年来,医学图像的数字化处理成为当前的研究热点,CT信息的定量分析促进了对肺结节内部结构的认识。特别是以深度学习为代表的人工智能技术在医学影像领域得到了广泛的应用,基于CT图像的肺结节筛查、分析和诊断已进入精准化、智能化时代,肺结节的临床诊断流程和效率得到了极大的提高。

构建并验证基于CT直方图特征的预测模型

此次研究确定了2014年1⽉⾄2019年10⽉在北大人民医院胸外科⼿术切除的表现为PSNs的肺腺癌,通过综合病理学评估,肿瘤被分为腺癌原位癌 ( AIS )、微⼩浸润性腺癌 ( M I A )和浸润性腺癌 ( IAC )。

所有患者的胸部CT图像经相同成像采集参数进行采集,其薄层图像传输至推想肺结节人工智能辅助诊断系统InferRead CT Lung进行自动检测,获得整个亚实性结节中每个CT值对应的体素数,搭建CT直方图并计算出直方图的相关指标。与此同时,系统自动检测和识别的典型影像学征象,后经两名放射科医生确认,作为形态学指标,包括分叶征、毛刺征和胸膜牵拉征。

基于 InferRead CT Lung获取CT直方图参数

研究将数据集以7:3划分为训练集和测试集,在训练集人群中,基于AI测量与识别的直方图特征与影像征象,在放射科医生核实的基础上,通过单因素逻辑回归分析评估优势比(OR)并评估各个参数特征预测IAC风险的能力。在单变量分析中选择的 p值 <0.1的特征变量进行多变量分析,最终采用具有显著临床意义的变量和多因素逻辑回归分析中p值<0.05的特征参数建立临床特征模型(模型1)、直方图特征模型(模型2)和两者融合模型(模型3)。

预测模型在训练集中进行了10倍交叉验证,在测试集中进行独立验证,为了比较不同预测模型的判别能力,采用受试者操作特征曲线(ROC)、曲线下面积(AUC)、赤池信息准则(AIC)和贝叶斯信息准则(BIC)指标进行评价。AUC值越高,AIC/BIC的比值越大说明模型的判别能力越强。

在评估PSN的成像指标时,纳入了密度、体积、质量和实性成分百分比等三维指标,分叶征、毛刺征、胸膜牵拉征等形态学指标,以及方差、峰度、偏度和熵密度等直方图相关的度量指标。人工智能系统通过计算亚实性结节中每个CT值对应的体素数实现其CT直方图构建,进而基于代码与相应的公式实现了方差、偏度、峰度、熵等密度直方图相关指标的自动计算。

将临床信息、3D影像学指标、形态学征象、密度直方图相关指标纳入多因素logistic回归分析。根据平均密度和体积计算PSN的质量。此外,PSN整体的三维度量指标与实性成分之间存在多重共线性,一般代表PSN的侵袭性。为了避免多重共线性对多元分析的影响,考虑到PSN的实性成分往往与组织学侵袭性生长的比例相对应,在后续分析中排除了质量相关的度量指标,优先选择实性组分的三维度量指标进行分析。

多因素Logistic回归分析结果显示,实性平均密度(优势比OR值为1.015; 95 % CI, 1.004-1.027, p = 0.009)、实性体积( OR值为1.085; 95 % CI, 1.028-1.143, p = 0.003)、直径( OR值为1.183; 95 % CI, 1.085-1.291, p < 0.001)、方差( OR值为0.605; 95 % CI, 0.410-0.893, p = 0.011)、熵( OR值为2.008; 95 % CI, 2.750 ~ 7.717; p = 0.039)是PSN病理侵袭性为IAC的独立危险因素。

临床特征模型结合了具有临床意义的结节直径和CT征象(毛刺征和胸膜牵拉征),直方图模型包括AI衍生的直方图特征,这些特征是侵袭性的独立预测因子(方差、熵、实性成分的平均密度和实性成分的体积),将自变量纳入临床特征模型和直方图模型得到二者的融合模型。

在三个模型中,校准曲线在训练集和验证集中 IAC的预测概率和实际观察概率之间表现出良好的一致性。尽管临床模型在训练集和验证集中表现出更好的AIC和BIC值,但从AUC值的比较来看,直方图模型 (AUC=0.892)与临床特征模型 (AUC=0.852)和融合模型 (AUC=0.886)相比具有更好的判别能力。

评估PSN病理侵袭性的受试者工作特征(ROC)分析:AUC表示ROC曲线下面积;模型1-临床特征模型;模型2-直方图特征模型;模型3-融合模型

目前,推想通过人工智能技术的赋能,能够实现对肺癌精准诊疗的筛、诊、治、管、研临床全周期管理,持续引领肺癌诊疗智能化的科研创新和临床应用。此次推想与北大人民医院胸外科、放射科团队的研究是基于已经应用于临床的推想肺结节人工智能辅助诊断系统,实现了对CT图像中肺结节的自动检测、分割,和征象识别,拓展直方图分析功能。针对部分实性结节的肿瘤浸润性预测模型的构建,实现了对临床关注的部分实性结节病理浸润程度的预测,有助于临床选择更适宜的干预手段,为临床进行肺癌诊断、肺癌手术切除范围评估等环节提供了便捷、有效的辅助参考工具。