多原发肺癌病理结果与AI辅助CT诊断的相关性研究

多原发肺癌病理结果与AI辅助CT诊断的相关性研究

李大胜1a,王大为2,黄宇清1b,刘晓旭1a,霍志毅1a

1. 北京大学第三附属医院海淀院区(北京市海淀医院) a. 放射科;b. 胸外科,北京 100080;2. 北京推想科技有限公司 先进研究院,北京 100025

[摘 要]目的 对比分析人工智能(Artificial Intelligence,AI)技术诊断多原发肺癌(Multiple Primary Lung Cancer,MPLC)与临床病理诊断结果的一致性,进而探索AI在MPLC的诊断中的临床应用价值。方法 收集2017—2019年北京大学第三医院海淀院区收治的26例MPLC患者信息,共57个癌灶作为分析样本,采用AI辅诊系统定量分析目标病灶的结节大小、密度,并对结节的良恶性进行预测。根据病理分期将入组目标病灶分为两组,采用列联表χ2检验组间AI辅诊系统预测的结节类型的关联性。接着,对不同病理分期(0期、T1a1、T1a2、T1a3、T1b、T3a、T3b)与AI辅诊系统测量值进行线性相关性和线性回归分析。结果 不同病理分期组(二分类时),与AI辅诊系统预测的结节类型存在显著的关联性(P<0.05);同时,AI辅诊系统自动测量的结节体积、最长径和最短径与不同病理分期均存在显著的相关性(P<0.001);随着病理分期的改变,AI辅诊系统测量的最长径值增大;结节体积和最长径测量值随着肿瘤面积的增加而增大。结论 AI诊断不同临床病理分期的MPLC时具有较好区分性能,与基于病理结果的诊断一致性高。在临床影像诊断工作中,可以参考AI的预测结果,对可疑恶性的肺结节重点观察,结合AI的体积测量和其他征象提示临床MPLC的可能性,提高MPLC的检出率。

[关键词]人工智能;多原发肺癌;磨玻璃结节;电子计算机断层扫描;鉴别诊断

引言

多原发肺癌(Mulitiple Primary Lung Cancer,MPLC)是指在同一患者肺内同时或先后发生2个或2个以上原发性肺癌。根据癌灶发现时间,可将MPLC分为发生时间间隔<6个月的同时性MPLC(synchronous MPLC,sMPLC)和间隔在6个月或以上的异时性MPLC(metachronous MPLC,mMPLC)[1-4]。随着胸部低剂量CT筛查肺癌的技术在体检及临床中的快速普及应用,肺癌的检出越来越多,尤其是早期肺癌,但MPLC的CT诊断目前仍是临床工作的难点之一。近年来,人工智能(Artificial Intelligence,AI)在早期肺癌的CT筛查和诊断中起到越来越大的作用[5-6],本文通过对经手术病理证实的MPLC患者的CT图像进行回顾性分析,应用AI辅诊系统进行进一步的定性、定量研究,探讨AI技术在CT诊断MPLC中的临床应用价值。

1 资料与方法

1.1 一般资料

回顾性收集北京市海淀医院(北京大学第三医院海淀院区)2017—2019年期间收治的26例MPLC患者数据,病例纳入标准为:① 具有完整临床及影像学资料,且经手术或穿刺活检病理,证实每个患者肺内同时或异时发生2个或2个以上多发癌灶;② 各癌灶具有各异的解剖部位,癌灶均为各自原发灶,而非对应转移灶,无淋巴道及肺外转移的特征。在入组的26例患者中,包含女性20例,男性6例;年龄中位数为63岁,年龄范围为41~78岁。临床症状主要表现有咳嗽、咳痰,痰中带血、胸痛等,部分患者无明显症状于体检时发现。6例男性均有吸烟史,女性无吸烟史。26例患者共有57个病灶,其中21例为双原发癌灶病例,5例含有3个原发灶。26例患者均行电视辅助胸腔镜手术(Video-Assisted Thoracic Surgery,VATS)的肺叶段切除术、叶段楔形切除术和纵膈淋巴结清扫术等,全部病例均有病理检查结果。根据2018版肺癌TNM分期标准[7-8],本组患者全部为非小细胞肺癌,病灶的病理分期包括:0期、T1a1、T1a2、T1a3、T1b、T3a、T3b共 7个 不同的病理分期。

1.2 检查方法

26例入组患者均行胸部CT平扫(GE 64层VCT扫描仪和飞利浦128层iCT),于吸气末屏气,行常规5 mm层厚螺旋扫描,扫描参数:120 kV,100 mA或低剂量扫描方案,常规轴位薄层重建,层厚0.625 mm或1 mm,层间隔0.625 mm或1 mm。肺窗窗宽1600 HU,窗位-600 HU,纵隔窗窗宽350 HU,窗位35 HU。部分病例(10例)行增强扫描,增强扫描所用对比剂为非离子型对比剂碘帕醇300 mgI/mL,总量100 mL,注射速率3.5 mL/s,经肘静脉注射30 s后进行扫描,扫描参数同平扫。所有病例均由2名有丰富经验的影像科医师进行读片、分析,当出现分歧时,由另一名更高年资医生进行仲裁。AI辅诊系统采用北京推想科技有限公司提供的InferRead CT Lung肺结节智能辅诊系统,对结节的大小、密度进行定量分析,并对结节的良恶性进行预测。

1.3 统计分析方法

首先,根据病理分期将病灶分为两组,病理分期为0期和T1a1两类为早期组,其余分期(T1a2、T1a3、T1b、T3a、T3b)为较早期组,分别为病理分期Ⅰ组和病理分期Ⅱ组。采用列联表χ2检验不同病理分期组间癌灶同时或异时发生、肿瘤侧位、肿瘤面积和AI辅诊系统预测的结节类型之间的关联;其次,分析病理分期(从轻到重,0期、T1a1、T1a2、T1a3、T1b、T3a、T3b)与 AI辅诊系统测量的结节体积、病灶最长径和最短径之间的相关性;进一步将病理分期与AI辅诊系统测量的结节长径最长层面、检出率、结节体积、最长径和最短径进行线性回归分析,定量描述病理分期与AI辅诊系统测量值之间的关系。应用SPSS 20.0进行统计分析,P<0.05表示具有统计学显著性。

2 结果

本研究入组MPLC病例26例,每个患者肺内同时或异时发生2个或2个以上多发癌灶,26例患者共有57个病灶,其中21例为双原发癌灶,5例病例包含3个原发灶。因此,研究以57肺癌症病灶作为分析样本,以病理分期为分组依据,进行AI辅诊系统测量值的相关性分析。

首先,以病例分期为依据将MPLC分为两组时,病理分期二分类与肿瘤发生时间、肿瘤肺叶罹患位置、肿瘤最长径截面面积及AI辅诊系统预测的结节类型质检的相关性分析结果显示,肿瘤发生时间、肿瘤肺叶罹患位置在两个病理分期之间不存在统计学差异(P>0.05),表明肿瘤发生时间、肿瘤肺叶罹患位置在两组病理分期之间具有较好可比性;肿瘤面积在两组病理分期之间存在显著差异(P<0.001);AI辅诊系统预测的结节类型与病理分期存在统计学关联(P<0.05)(表1),可见,结节面积大于1 cm2、实性结节与更高的病理分型密切相关。

表1 MPLC病理分期与肿瘤发生时间、肿瘤侧位、面积及AI辅诊系统预测结节类型关联性研究/[例(%)]

注:Ⅰ组包括0期和T1a1期;Ⅱ组包括T1a2、T1a3、T1b、T3a、T3b。

结果类型 项目 Ⅰ组 Ⅱ组 χ2值 P值病理结果结节类型实性结节 7 (19.4) 11 (52.4) 6.659 <0.05磨玻璃结节 29 (80.6)10 (47.6)肿瘤发生时间同时发生 28 (77.8)16 (76.2) 0.019 >0.05异时发生 8 (22.2) 5 (23.8)肿瘤侧位右肺叶 21 (58.3)16 (76.2) 1.857 >0.05左肺叶 15 (41.7) 5 (23.8)肿瘤面积<1.0 cm2 33 (91.7) 6 (28.6)≥1.0 cm2 3 (8.3) 15 (71.4)21.604<0.000 AI辅诊系统预测

MPLC病理分期与AI辅诊系统测量结果的相关关系分析结果显示,病理分期(0期、T1a1、T1a2、T1a3、T1b、T3a、T3b)与AI测量的结节体积、结节最长径和最短径显著相关(P<0.001)(表 2)。

表2 MPLC病理分期与AI辅诊系统测量结果相关分析

注:**表示P<0.001。

项目 病理分期 AI结节体积 AI最长径AI最短径病理分期 1.000 0.480** 0.470** 0.458**AI测量的结节体积 0.480** 1.000 0.964** 0.966**AI测量的最长径 0.470** 0.964** 1.000 0.960**AI测量的最短径 0.458** 0.966** 0.960** 1.000

表3为MPLC病理分期及肿瘤面积、AI辅诊系统测量值的线性回归分析结果。在上述相关分析基础上,进一步将病理分期与AI辅诊系统测量的结节长径最长层面面积、结节体积、最长径和最短径进行线性回归分析,定量描述病理分期与AI辅诊系统测量值之间的依存关系。结果显示,随着病理分期的改变,AI最长径测量值在增大(模型1);结节体积和最长径测量值随着肿瘤面积的增加而增大(模型2)。

表3 MPLC病理分期及肿瘤面积与AI模型测量值的线性回归结果

注:模型1:以病理分期为自变量,AI辅诊系统测量值为因变量,分析AI测量值是否随着病理分期而增大;模型2:以肿瘤面积为自变量,AI测量为因变量,分析AI测量值是否随着肿瘤面积的增加而增大。

模型2肿瘤面积β P值 β P值AI模型测量结节长径最长层面 0.00 0.77 0.01 0.05结节体积 0.00 0.13 0.00 0.02最长径 0.12 0.01 0.49 <0.001最短径 -0.13 0.07 -0.27 0.09病理结果病理分期Adjusted R2 0.47 0.61项目模型1病理分期

3 讨论

MPLC易与原发肺癌转移、复发及其卫星灶等相混淆,但它们的治疗手段以及预后又截然不同,因此早期明确诊断是实现MPLC个体化治疗的关键。MPLC的发病率近几年呈上升趋势,据文献报道为0.2%~8%不等,占肺癌发生的0.8%~14.5%[9-11]。这与大规模开展低剂量CT进行早期肺癌筛查有关,而MPLC的影像诊断与其他相似表现疾病的鉴别诊断一直都是临床工作中的难点[12-14],近年AI在早期肺癌CT筛查和诊断领域发展迅速,许多辅诊系统在肺结节筛查方面实现了高灵敏度和特异度,在临床实际工作中得到了较为广泛的应用。本文通过对26例经术后病理证实MPLC患者的57个癌灶进行回顾性分析,探讨AI软件在多原发肺癌CT诊断中的应用价值。

目前文献报道MPLC病理类型以腺癌最多见,MPLC中相同病理类型发病率高于不同病理类型,其中以腺癌-腺癌最为常见,其次为鳞癌-鳞癌[15-16]。本研究病例以腺癌为主,但病例数较少,病理分期涵盖范围较多,因此为方便分析,将0期和T1a1超早期的肺癌病灶作为1组,其他病理分期较晚的肺癌病灶作为另一组,来进行2组之间的统计学分析和比较研究,初步探讨不同病理分期的肺癌间,AI辅诊系统自动测量的数据是否存在差异,在辅助恶性预警判断上是否存在统计学意义。从研究结果来看,肿瘤发生时间、肿瘤肺叶罹患位置在两个病理分期之间不存在统计学差异(P>0.05);而AI辅诊系统测量得到的肿瘤面积在两组病理分期之间存在显著差异(P<0.001);AI预测的结节类型与病理分期存在统计学关联(P<0.05),这与国内外的研究结果大致相同[17-18]

本研究对MPLC病理分期与AI辅诊系统测量指标的相关分析发现,病理分期(0期、T1a1、T1a2、T1a3、T1b、T3a、T3b)与测量的结节体积、最长径和最短径均存在显著相关(P<0.001)。表明AI辅诊系统测量的数值指标与临床病理诊断具有较好的一致性;在此基础上,进一步将病理分期与AI辅诊系统预测的结节长径最长层面、结节体积、最长径和最短径进行线性回归分析发现,结节最长径随病理分期的改变(从早期至晚期)而呈现增大的趋势;而AI结节体积和最长径测量值随着肿瘤面积的增加而增大。研究结果提示,AI结节最长径测量值与病理分期存在高度依存关系,AI结节体积和最长径测量值也与病理测量的肿瘤面积存在高度依存关系。上述线性回归结果表明,定量描述病理分期、肿瘤面积与AI辅诊系统测量值之间的依存关系,对于提高肿瘤诊断的准确性具有一定参考意义。

MPLC的诊断很多依赖于观察多发癌病灶的位置、大小、形态、胸膜牵拉、与周围组织的关系、结节内部性质的不同来鉴别诊断[12,15-18]。进一步的,本研究中MPLC病理分期与AI辅诊系统测量结果的相关关系分析结果显示,病理分期与AI辅诊系统测量的结节体积、最长径和最短径存在显著的相关关系(P<0.001)。对于长期稳定无吸收的恶性肺结节,其大小代表着肿瘤细胞的数目多寡与增殖快慢。研究显示直径<5 mm、5~10 mm、>10 mm的实性结节为肺癌的概率分别为0.6%、0.9%~5.8%和11.1%~26.2%[12,15-18]。我们的研究结果与国内外的研究结果大致相同[19-21],而且AI辅诊系统对MPLC结节内部密度是否均匀,边缘是否分叶形或不规则,周围是否有毛刺征、棘突征、血管集束征、胸膜凹陷征等均能给予提示[22-23]

通过MPLC病理分期及肿瘤面积与AI辅诊系统测量值进行的线性回归分析,发现AI辅诊系统测量得到的结节最长径和结节体积存在着明显相关性,本研究的结果与现有临床广泛使用的结节良恶性判断标准大致相同。目前,MPLC发病率日益升高,临床尚缺乏针对MPLC诊断的最佳方法[24-26]。对于肺部多发的癌病灶,目前多借助病理类型、基因检测和CT影像学表现加以鉴别诊断[27-28]。本研究提示进一步完善的AI肺结节辅助诊断系统,将在提示有无MPLC,大致病理分期,以及给临床提供早期明确的影像诊断和危险预警方面具备巨大的潜力。

4 结论

MPLC病理分期与AI辅诊系统测量结果存在显著相关关系,随着病理分期从早期到晚期的改变,AI测量值随之增大,且临床病理分期与AI辅诊系统测量值之间存在较好的一致性和依存关系。研究结果提示,AI预测结果对于提高临床中MPLC检出率具有重要的参考价值。

[参考文献]

[1]Mun M,Kohno T.Single-stage surgical treatment of synchronous bilateral multiple lung cancers[J].Ann Thorac Surg,2007,83(3):1146-1151.

[2]Trousse D,Barlesi F,Loundou A,et al.Synchronous multiple primary lung cancer: an increasing clinical occurrence requiring multidisciplinary management[J].J Thorac Cardiovasc Surg,2007,133(5):1193-1200.

[3]Chang YL,Wu CT,Lee YC.Surgical treatment of synchronous multiple primary lung cancers: experience of 92 patients[J].J Thorac Cardiovasc Surg,2007,134(3):630-637.

[4]Beyreuther H.Multiplicit?t von Carcinomen bei einem Fall von sog.“Schneeberger” Lungenkrebs mit Tuberkulose[J].Virchows Arch Pathol Anat Physiol Klin Med.1924,250(1-2):230-243.

[5]Zhao W,Yang J,Sun Y,et al.3D deep learning from CT scans predicts tumor invasiveness of subcentimeter pulmonary adenocarcinomas[J].Cancer Res,2018,78(24):6881-6889.

[6]Zhao W,Yang J,Ni B,et al.Toward automatic prediction of EGFR mutation status in pulmonary adenocarcinoma with 3D deep learning[J].Cancer Med,2019,8(7):3532-3543.

[7]Kozower BD,Larner JM,Detterbeck FC,et al.Special treatment issues in non-small cell lung cancer: diagnosis and management of lung cancer, 3rd ed: American College of Chest Physicians evidence-based clinical practice guidelines[J].Chest,2013,143(S5):e369S-e399S.

[8]谭黎杰,尹俊.多原发肺癌的诊疗[J].中国肺癌杂志,2018,21(3):185-189.

[9]Adebonojo SA,Moritz DM,Danby CA.The results of modern surgical therapy for multiple primary lung cancers[J].Chest,1997,112(3):693-701.

[10]Zuin A,Andriolo LG,Marulli G,et al.Is lobectomy really more effective than sublobar resection in the surgical treatment of second primary lung cancer?[J].Eur J Cardiothorac Surg,2013,44(2):e120-125.

[11]Boyle JM,Tandberg DJ,Chino JP,et al.Smoking history predicts for increased risk of second primary lung cancer: a comprehensive analysis[J].Cancer,2015,121(4):598-604.

[12]周丽娜,吴宁,李蒙.多层螺旋CT对同时多原发肺癌的诊断价值进展[J].癌症进展,2012,10(1):64-68.

[13]李营,金波,施建新,等.41例可手术多原发肺癌临床分析[J].中国癌症杂志,2014,24(9):700-706.

[14]Ishigaki T,Yoshimasu T,Oura S,et al.Surgical treatment for metachronous second primary lung cancer after radical resection of primary lung cancer[J].Ann Thorac Cardiovasc Surg,2013,19(5):341-344.

[15]Yu YC,Hsu PK,Yeh YC,et al.Surgical results of synchronous multiple primary lung cancers: similar to the stagematched solitary primary lung cancers?[J].Ann Thorac Surg,2013,96(6):1966-1974.

[16]Ishikawa Y,Nakayama H,Ito H,et al.Surgical treatment for synchronous primary lung adenocarcinomas[J].Ann Thorac Surg,2014,98(6):1983-1988.

[17]Yang J,Liu M,Fan J,et al.Surgical treatment of metachronous second primary lung cancer[J].Ann Thorac Surg,2014,98(4):1192-1198.

[18]Hamaji M,Allen MS,Cassivi SD,et al.Surgical treatment of metachronous second primary lung cancer after complete resection of non-small cell lung cancer[J].J Thorac Cardiovasc Surg,2013,145(3):683-690.

[19]Hurria A,Kris MG.Management of lung cancer in older adults[J].CA Cancer J Clin,2003,53(6):325-341.

[20]Xue X,Liu Y,Pan L,et al.Diagnosis of multiple primary lung cancer: a systematic review[J].J Int Med Res,2013,41(6):1779-1787.

[21]Martini N,Melamed MR.Multiple primary lung cancers[J].J Thorac Cardiovasc Surg,1975,70(4):606-612.

[22]Li X,Hu B,Li H,et al.Application of artificial intelligence in the diagnosis of multiple primary lung cancer[J].Thorac Cancer,2019,10(11):2168-2174.

[23]Arai J,Tsuchiya T,Oikawa M,et al.Clinical and molecular analysis of synchronous double lung cancers[J].Lung Cancer,2012,77(2):281-287.

[24]周丽娜,吴宁.同时多原发肺腺癌的CT表现与病理对照[J].中国医学影像技术,2012,28(4):676.

[25]Pairolero PC,Williams DE,Bergstralh EJ,et al.Postsurgical stage Ⅰ bronchogenic carcinoma: morbid implications of recurrent disease[J].Ann Thorac Surg,1984,38(4):331-338.

[26]Kocaturk CI,Gunluoglu MZ,Cansever L,et al.Survival and prognostic factors in surgically resected synchronous multiple primary lung cancers[J].Eur J Cardiothorac Surg,2011,39(2):160-166.

[27]Takahashi E,Koshiishi H,Sakaniwa N,et al.Photodynamic therapy for multiple central type lung cancer-a case report[J].Gan To Kagaku Ryoho,2014,41(12):2042-2043.

[28]Sokolov VV,Telegina LV,Trakhtenberg A,et al.Endobronchial surgery and photodynamic therapy for the treatment of multiple primary lung cancer[J].Khirurgiia (Mosk),2010,(7):28-31.

Research on the Correlation between Pathological Findings of Multiple Primary Lung Cancer and AI-Assisted CT Diagnosis

LI Dasheng1a, WANG Dawei2, HUANG Yuqing1b, LIU Xiaoxu1a, HUO Zhiyi1a

1. a. Department of Radiology; b. Department of Thoracic Surgery, Beijing Haidian Section of Peking University Third Hospital (Beijing Haidian Hospital), Beijing 100080, China; 2. Institute of Advanced Research, Infervision Technology Co., Ltd, Beijing 100025, China

Abstract:Objective To explore the clinical application value of artificial intelligence (AI) in the diagnosis of multiple primary lung cancer (MPLC) by analyzing the consistency between the diagnoses based on AI assistance and the clinical pathological results.Methods Twenty-six patients with MPLC who were admitted to Beijing Haidian Hospital from 2017 to 2019 were enrolled in this study. A total of 57 cancer lesions were found in these enrolled patients and divided into 2 groups according to their pathological grades, including group 1 (0 and T1a1 stages) and group 2 (T1a2, T1a3, T1b, T3a, and T3b stages). AI-assisted diagnostic system was utilized to measure the size and density of nodules quantitatively. The χ2-test was utilized to study the correlation between pathological groups (binary classification) and AI system predicted nodule types. In addition, linear correlation and regression analysis were performed between pathological grades (0, T1a1, T1a2, T1a3, T1b, T3a, and T3b stages) and AI system-output measurements.Results A significant correlation between AI predicted nodule types and pathological groups (binary classification) was observed(P<0.05). In addition, pathological grades (0, T1a1, T1a2, T1a3, T1b, T3a, and T3b stages) was shown to be significantly correlated with the nodule volume, the longest and shortest diameter of nodules measured by the AI system (P<0.001); the longest diameter measurement value of nodules increased with the advancement of pathological grades; the nodule volume and the longest diameter measured by AI system increased along with the growth of tumor area as well. The volume of nodules measured by AI system also increased with the advancement of pathological stages (model 3) even after the adjustment of tumor area; meanwhile, the longest dimension of nodules and the longest diameter measured by the AI system increased along with the increase of tumor area even after the adjustment of pathological grades; in contrast, the measured volume of nodule by AI system decreased along with the increase of tumor area. Conclusion The AI diagnostic system displayed a decent diagnostic performance for multiple primary lung cancer(MPLC) in different pathological grades evidence by the strong consistency to clinical pathological diagnosis results. In clinical imaging diagnoses, suspicious malignant nodes should be focused and followed up intensely by referring to AI system predicted results. In addition to AI measured volume of nodules, other signs and features could suggest the possibilities of MPLC incidence and improve the detection rate of MPLC in clinical practice.

Key words: artificial intelligence; multiple primary lung cancer; ground glass nodule; computed tomography; differential diagnoses

收稿日期:2020-05-14

作者邮箱:724501143@qq.com

[中图分类号] R734.2;R814.42

[文献标识码] A

doi: 10.3969/j.issn.1674-1633.2021.02.019

[文章编号] 1674-1633(2021)02-0077-04

责任编辑 皮志超