磨玻璃型肺腺癌AI研究成果發表，推想持續引領肺癌診療智慧化落地

近日,推想醫療與北京大學人民醫院胸外科、放射科合作的論文“Artificial-intelligence-based computed tomography histogram analysis predicting tumor invasiveness of lung adenocarcinomas manifesting as radiological part-solid nodules”發表于Frontiers in Oncology期刊。這項研究利用基於AI技術的自動化CT直方圖分析,探索有效區分不同病理程度的亞實性肺癌(又稱磨玻璃型肺癌)的臨床和放射學指標,構建部分實性結節(PSNs)病理侵襲性預測模型,以期在臨床治療決策中發揮重要作用。

攻克肺部亞實性結節精準影像學評估難題

隨著低劑量胸部電腦斷層掃描(CT)在肺癌篩查中廣泛應用,亞實性結節(SSNs)越來越多地被發現,成為胸外科臨床工作的重要組成部分。根據是否有實性成分的存在,亞實性結節分為純磨玻璃結節(pGGN)和部分實性結節(PSN)。

病理學分類中,原位腺癌(AIS),微浸潤腺癌(MIA),侵襲性腺癌(IAC)在CT圖像上均可表現為持續性部分實性結節。不同的肺癌病理亞型意味著不同的手術切除方案,因此針對PSN的精準影像學評估在臨床上顯得尤為重要,尤其是在手術切除範圍評估上。

目前專門針對部分實性結節病理浸潤的研究較少,相關研究多采用較為耗時的人工分割感興趣區,這種方法在一定程度上限制其在現實臨床應用場景中的應用。

近年來,醫學圖像的數字化處理成為當前的研究熱點,CT資訊的定量分析促進了對肺結節內部結構的認識。特別是以深度學習為代表的人工智慧技術在醫學影像領域得到了廣泛的應用,基於CT圖像的肺結節篩查、分析和診斷已進入精準化、智慧化時代,肺結節的臨床診斷流程和效率得到了極大的提高。

構建並驗證基於CT直方圖特徵的預測模型

此次研究確定了2014年1⽉⾄2019年10⽉在北大人民醫院胸外科⼿術切除的表現為PSNs的肺腺癌,通過綜合病理學評估,腫瘤被分為腺癌原位癌 ( AIS )、微⼩浸潤性腺癌 ( M I A )和浸潤性腺癌 ( IAC )。

所有患者的胸部CT圖像經相同成像採集參數進行採集,其薄層圖像傳輸至推想肺結節人工智慧輔助診斷系統InferRead CT Lung進行自動檢測,獲得整個亞實性結節中每個CT值對應的體素數,搭建CT直方圖並計算出直方圖的相關指標。與此同時,系統自動檢測和識別的典型影像學徵象,後經兩名放射科醫生確認,作為形態學指標,包括分葉徵、毛刺徵和胸膜牽拉徵。

基於 InferRead CT Lung獲取CT直方圖參數

研究將數據集以7:3劃分為訓練集和測試集,在訓練集人群中,基於AI測量與識別的直方圖特徵與影像徵象,在放射科醫生核實的基礎上,通過單因素邏輯回歸分析評估優勢比(OR)並評估各個參數特徵預測IAC風險的能力。在單變數分析中選擇的 p值 <0.1的特徵變數進行多變數分析,最終採用具有顯著臨床意義的變數和多因素邏輯回歸分析中p值<0.05的特徵參數建立臨床特徵模型(模型1)、直方圖特徵模型(模型2)和兩者融合模型(模型3)。

預測模型在訓練集中進行了10倍交叉驗證,在測試集中進行獨立驗證,為了比較不同預測模型的判別能力,採用受試者操作特徵曲線(ROC)、曲線下面積(AUC)、赤池資訊準則(AIC)和貝葉斯資訊準則(BIC)指標進行評價。AUC值越高,AIC/BIC的比值越大説明模型的判別能力越強。

在評估PSN的成像指標時,納入了密度、體積、品質和實性成分百分比等三維指標,分葉徵、毛刺徵、胸膜牽拉徵等形態學指標,以及方差、峰度、偏度和熵密度等直方圖相關的度量指標。人工智慧系統通過計算亞實性結節中每個CT值對應的體素數實現其CT直方圖構建,進而基於代碼與相應的公式實現了方差、偏度、峰度、熵等密度直方圖相關指標的自動計算。

將臨床資訊、3D影像學指標、形態學徵象、密度直方圖相關指標納入多因素logistic回歸分析。根據平均密度和體積計算PSN的品質。此外,PSN整體的三維度量指標與實性成分之間存在多重共線性,一般代表PSN的侵襲性。為了避免多重共線性對多元分析的影響,考慮到PSN的實性成分往往與組織學侵襲性生長的比例相對應,在後續分析中排除了品質相關的度量指標,優先選擇實性組分的三維度量指標進行分析。

多因素Logistic回歸分析結果顯示,實性平均密度(優勢比OR值為1.015; 95 % CI, 1.004-1.027, p = 0.009)、實性體積( OR值為1.085; 95 % CI, 1.028-1.143, p = 0.003)、直徑( OR值為1.183; 95 % CI, 1.085-1.291, p < 0.001)、方差( OR值為0.605; 95 % CI, 0.410-0.893, p = 0.011)、熵( OR值為2.008; 95 % CI, 2.750 ~ 7.717; p = 0.039)是PSN病理侵襲性為IAC的獨立危險因素。

臨床特徵模型結合了具有臨床意義的結節直徑和CT徵象(毛刺徵和胸膜牽拉徵),直方圖模型包括AI衍生的直方圖特徵,這些特徵是侵襲性的獨立預測因子(方差、熵、實性成分的平均密度和實性成分的體積),將自變數納入臨床特徵模型和直方圖模型得到二者的融合模型。

在三個模型中,校準曲線在訓練集和驗證集中 IAC的預測概率和實際觀察概率之間表現出良好的一致性。儘管臨床模型在訓練集和驗證集中表現出更好的AIC和BIC值,但從AUC值的比較來看,直方圖模型 (AUC=0.892)與臨床特徵模型 (AUC=0.852)和融合模型 (AUC=0.886)相比具有更好的判別能力。

評估PSN病理侵襲性的受試者工作特徵(ROC)分析:AUC表示ROC曲線下面積;模型1-臨床特徵模型;模型2-直方圖特徵模型;模型3-融合模型

目前,推想通過人工智慧技術的賦能,能夠實現對肺癌精準診療的篩、診、治、管、研臨床全週期管理,持續引領肺癌診療智慧化的科研創新和臨床應用。此次推想與北大人民醫院胸外科、放射科團隊的研究是基於已經應用於臨床的推想肺結節人工智慧輔助診斷系統,實現了對CT圖像中肺結節的自動檢測、分割,和徵象識別,拓展直方圖分析功能。針對部分實性結節的腫瘤浸潤性預測模型的構建,實現了對臨床關注的部分實性結節病理浸潤程度的預測,有助於臨床選擇更適宜的干預手段,為臨床進行肺癌診斷、肺癌手術切除範圍評估等環節提供了便捷、有效的輔助參考工具。