肺癌是全世界人民健康的“头号杀手”，其在所有癌症中发病率和死亡率均占首位[1]。肺结节是肺癌的早期表现，随着体检项目中胸部 CT 筛查的普及，越来越多的肺结节在体检中被发现[2-3]，其中包括各种类型的小结节，如炎性病灶、良性肿瘤性病灶和恶性肿瘤性病灶等。为了鉴别这些类型的结节，临床医师常常会通过个人经验对结节的二维影像学特征进行判断，如平面直径，是否有毛刺、分叶、钙化等特征来评估肺结节恶性的概率，但通过这种方式判断结节良恶性的准确率与临床医生的经验与年资密切相关，不同医生对于相同结节的判断也不尽相同。随着电子信息技术的发展，我们逐渐开始意识到可以利用计算机来辅助临床医生的诊断与治疗，如计算机辅助诊断系统（computer-aided diagnosis，CAD），具有高效性和不疲劳性的特点，其包括传统 CAD 系统和深度学习 CAD 系统，传统 CAD 系统往往仅根据结节的局部特征从统计学的角度来检测和分析结节，而基于人工智能的深度学习 CAD 系统最重要的特点就是不需要从图像中进行任何特征的提取，而是直接从数据中学习并区分特征。Ciompi 等[4]认为深度学习系统在肺结节分类方面超越了传统机器学习方法的性能。常见的深度学习模型包括卷积神经网络（convolutional neural network，CNN）、自编码（auto-encoder，AE）、深度信念网络（deep belief network，DBN）等，而其中最常用的是 CNN，是一种特别适用于解决图像分类问题的学习算法[5]。在本研究中使用了基于人工智能的肺部结节辅助诊疗系统（以下简称智能系统，零氪科技有限公司，北京），该系统应用 CNN 在内的多种算法对胸部 CT 中的肺结节进行分析，除了常规报告结节的直径、密度、体积等数据，该系统还通过已储备的 20 000 多枚肺结节的影像数据和病理结果反复训练与学习，应用其通过大数据训练所得的“经验”，计算出肺结节的恶性概率，帮助临床医生进行决策。
此外，在胸部 CT 首次发现肺结节时，临床医生常常建议患者 3 个月或 6 个月后复查胸部 CT，在两次或多次复查胸部 CT 后，我们可以得到结节体积的动态变化，也就是结节的生长速度[6]，我们常常用肺部结节的体积倍增时间（volume doubling time，VDT，指结节体积增大一倍所用时间[7]）表示结节的生长速度。我们通过传统 CAD 系统对结节体积进行三维测量，该系统可以自动估算出结节的 VDT。根据一些相关文献[8-10]报道，不典型腺瘤样增生（atypical adenomatous hyperplasia，AAH）的 VDT 约为（859.2±428.9）d，炎性结节随访期间体积可能缩小或完全吸收，VDT 在 30～360 d 要高度警惕恶性肿瘤的可能。本研究通过回顾性分析肺结节手术患者的病理结果，探究使用该智能系统计算肺结节的恶性概率和 VDT用于预测术后病理良恶性及浸润程度的可靠性。
1 资料与方法
1.1 临床资料和分组
选取 2019 年 1 月至 2020 年 8 月厦门大学附属第一医院收治的 87 例肺结节患者，其中男 33 例（37.9%），平均年龄（55.1±10.4）岁；女 54 例（62.1%），平均年龄（54.5±14.1）岁。结节平均直径（1.017±0.383）cm。共 90 枚结节，其中恶性结节 80 枚（88.8%）、良性结节 10 枚（11.1%）。将结节分为恶性肿瘤组（80 枚）和良性病变组（10 枚），其中恶性肿瘤组又分为浸润性腺癌组（60 枚）和非浸润性腺癌组（20 枚）。
1.2 纳入和排除标准
纳入标准：（1）肺结节最大径<3 cm；（2）于我院行肺肿瘤切除术，术后病理已确诊良性病变或肺腺癌；（3）术前最少有 2 次胸部薄层 CT 影像资料，2次胸部 CT 间隔时间为 1～12 个月；（4）对本研究知情同意，自愿参加。
排除标准：（1）患者曾患有肺结核；（2）多发肺结节证实肺内转移；（3）其它部位恶性肿瘤转移至肺；（4）术前结节体积缩小或 VDT<30 d 的结节。
1.3 研究方法
（1）将符合纳入、排除标准的患者胸部 CT 影像资料导入智能系统（零氪科技有限公司，北京）中，记录结节最大径、VDT、恶性概率等信息。
（2）病理检查与分组：标本均在厦门大学附属第一医院病理科完成病理检查，肺结节标本均经福尔马林固定，石蜡包埋切片，用特殊方法染色，最终病理诊断由 2 名主治医师以上职称的病理医师确定。其中，恶性肿瘤包括：肺原位腺癌（adenocarcinoma in situ，AIS）、微浸润腺癌（minimally invasive adenocarcinoma，MIA）、浸润性腺癌；良性病变包括：AAH、隐球菌、错构瘤。
1.4 统计学分析
采用 SPSS 21.0 统计软件对数据进行统计学分析。符合正态分布的计量资料以均数±标准差（
±s）表示，组间比较采取 t 检验。应用受试者工作特征（ROC）曲线分析 VDT 和恶性概率对恶性肺结节的诊断价值。ROC 曲线下面积（AUC）0.5～0.7 表明具有较低准确性，>0.7～0.9 具有一定准确性，>0.9 具有较高准确性。由于恶性概率与 VDT 检验方向相反，故对恶性概率做倒数处理。P<0.05 为差异有统计学意义。
1.5 伦理审查
本研究已通过厦门大学附属第一医院伦理委员会审批，批准号：XMYY-2020KY009。
2 结果
2.1 病理诊断
恶性结节 80 枚，其中包括浸润性腺癌 20 枚，MIA+AIS 60 枚；良性病变 10 枚，包括 AAH 3 枚、错构瘤3 枚、隐球菌 4 枚。
2.2 恶性肿瘤组与良性病变组比较
两组患者在性别、年龄方面差异无统计学意义（P>0.05）；通过分析智能系统得出的恶性概率发现，恶性结节的恶性概率明显高于良性病变（87.2%±9.1% vs. 28.8%±29.0%，P=0.000），使用 ROC 曲线评价恶性概率鉴别良恶性结节的能力，AUC 为 0.949（0.863～1.000），敏感度和特异性分别为 96.3% 和 90.0%。此外，良性病变组结节最大径大于恶性结节组最大径［（1.270±0.481）cm vs.（0.990±0.361）cm，P=0.026］；良性病变组的 VDT 明显长于恶性结节组［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］。绘制 ROC 曲线评价 VDT 鉴别良恶性结节的能力，AUC 为 0.975（0.946～1.000），敏感度和特异性分别为 91.3% 和 100.0%，临界值为782.0 d；见表 1、图 1。
表1
恶性肿瘤组与良性病变组比较（
/例）
图1
恶性肿瘤组与良性病变组 VDT 和恶性概率的 ROC 曲线
VDT 、恶性概率的AUC 分别为 0.975、0.949；ROC 曲线：受试者工作特征曲线；VDT：体积倍增时间；AUC：曲线下面积
2.3 浸润性腺癌组与非浸润性腺癌组比较
两组患者在性别、年龄方面差异无统计学意义（P>0.05）。恶性概率在两组间差异无统计学意义（P>0.05）。绘制 ROC 曲线评价恶性概率鉴别恶性结节的浸润情况能力，AUC 为 0.630（0.474～0.786），敏感度和特异性分别为 50.0% 和 86.7%；浸润性腺癌组结节最大径大于非浸润性腺癌组最大径［（1.350±0.355）cm vs.（0.863±0.271）cm，P=0.000］；浸润性腺癌组 VDT 明显较非浸润性腺癌组短［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］。绘制 ROC 曲线评价 VDT 鉴别恶性结节的浸润情况能力，AUC 为 0.829（0.714～0.944），敏感度和特异性分别为 70.0% 和 86.7%，临界值为423.5 d；见表 2、图 2。
表2
浸润性腺癌组与非浸润性腺癌组比较（
/例）
图2
浸润性腺癌组与非浸润性腺癌组 VDT、恶性概率的 ROC 曲线
VDT 、恶性概率的AUC 分别为 0.829、0.630；ROC 曲线：受试者工作特征曲线；VDT：体积倍增时间；AUC：曲线下面积
3 讨论
随着人民生活经济水平的提高，胸部 CT 逐渐取代普通 X 线平片，越来越多地出现在居民常规体检项目中，胸部 CT 可以发现普通 X 线平片难以发现的肺小结节，对早期发现肺癌有着重要的作用。但由于不同医院甚至不同医生对肺结节的认识不尽相同，其对肺结节性质的判断可能也会有所偏差。在本研究中尝试使用智能系统和传统 CAD 提供的信息来预测肺结节的性质，探究其对肺结节病理情况预测的效能。
本研究中使用人工智能系统，对患者肺癌良恶性概率进行分析，发现术前胸部 CT 得出的恶性概率在恶性肿瘤组中显著高于良性病变组（P<0.01），同时，AUC 为 0.949，这表明该智能系统给出的恶性概率能较为准确地鉴别肺结节良恶性，具有较高的敏感度（96.3%）和特异性（90.0%）。此外，我们发现在浸润性腺癌组和非浸润性腺癌组中恶性概率差异无统计学意义（P>0.05），AUC 为 0.630，其对恶性结节的浸润程度预测准确性较低。以上数据表明该智能系统能较为准确地鉴别出结节的良恶性，但无法区分出恶性结节的浸润程度，这与提供给智能系统学习的影像与病理信息有关。在训练智能系统时，仅仅提供结节影像与病理良恶性的情况，并未提供相应影像所对应的恶性结节浸润程度，所以智能系统在没有学习相关恶性结节浸润程度的情况下，无法对恶性结节的浸润程度做出预测也在情理之中。如果可以进一步完善该系统，可以给予智能系统更加完善的训练资料，以达到对肺部结节更加全面的分析预测。
Walter 等[11]分析了 680 例患者，共 1 020 枚结节，发现 VDT 在新发结节方面对鉴别肺恶性肿瘤有很高的准确度（AUC=0.91）。裘杨波等[12]分析了 143 例早期肺腺癌发现，附壁生长为主型肺腺癌的 VDT 为（594±272）d，伴少量附壁生长成分浸润性腺癌的 VDT 为（520±285）d，完全浸润性腺癌的 VDT 为（371±183）d。在本研究中，通过智能系统测量结节体积，软件自动估算两次 CT 间隔时间内的结节 VDT；见图 3。在区分结节良恶性和浸润程度方面，良性病变组和恶性肿瘤组的 VDT 差异有统计学意义［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］，ROC 曲线显示 AUC 为 0.975，临界值为 782.0 d，特异性为 100.0%；在浸润性腺癌组和非浸润性腺癌组间的 VDT 差异同样有统计学意义［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］；在 ROC 曲线中，AUC 为 0.829，临界值为 423.5 d。以上数据表明 VDT 能较为准确地区分出结节的良恶性和浸润程度，782.0 d 和 423.5 d 可以分别作为肿瘤的良恶性和恶性肿瘤浸润与否的临界值。特别值得注意的是，在 VDT 临界值为 782.0 d 时鉴别结节的良恶性的特异性达到 100.0%，说明其对纳入研究的恶性结节有非常良好的鉴别排除能力，可帮助临床医生在术前对肺部结节的病理情况提前进行评估，对术前设计手术方式提供重要的参考。
图3
基于人工智能的肺部结节辅助诊疗系统所提供的肺结节倍增时间
除了恶性概率与 VDT 外，结节的直径也与肺结节的病理密切相关。Zhang 等[13]和 Son 等[14]的两项研究表明，肺结节的最大径被认为是浸润性腺癌和非浸润性腺癌分类的一个预测因子。在本研究中同样发现结节的最大径分别在肺部良性肿瘤与恶性肿瘤、非浸润性腺癌与浸润性腺癌之间存在显著差异，在术前评估结节的情况时，结节的最大径依然是需要考虑的指标之一。
由于需要分析结节的 VDT，需排除术前只做了 1 次胸部 CT 的患者。然而，考虑到大部分术前只需要做 1 次 CT 检查即有明显手术指征的肺结节，常常具有明显恶性征象，其恶性度常常也较高，本研究却排除了这一类患者，因为这个原因所造成的数据偏倚，可能导致入组的肺结节 VDT 偏长，实际上的肺结节 VDT 更短。
综上所述，目前应用的基于人工智能的肺部结节辅助诊疗系统所提供的恶性概率和VDT等信息，可以在术前对肺部结节的良恶性分类和浸润情况进行初步分析，其中恶性概率能够较为准确地鉴别肺部良性病变与恶性肿瘤，而VDT对于结节的良恶性及浸润情况均有较好的区分能力。
利益冲突：无。
作者贡献：曹孟昆负责论文设计、论文初稿撰写；蔡夕倩、朱晓雷、李宁、刘鸿鸣、邓城庆负责数据整理与分析；姜杰、耿国军、王剑翁、林俊峰负责论文审阅与修改。
肺癌是全世界人民健康的“头号杀手”，其在所有癌症中发病率和死亡率均占首位[1]。肺结节是肺癌的早期表现，随着体检项目中胸部 CT 筛查的普及，越来越多的肺结节在体检中被发现[2-3]，其中包括各种类型的小结节，如炎性病灶、良性肿瘤性病灶和恶性肿瘤性病灶等。为了鉴别这些类型的结节，临床医师常常会通过个人经验对结节的二维影像学特征进行判断，如平面直径，是否有毛刺、分叶、钙化等特征来评估肺结节恶性的概率，但通过这种方式判断结节良恶性的准确率与临床医生的经验与年资密切相关，不同医生对于相同结节的判断也不尽相同。随着电子信息技术的发展，我们逐渐开始意识到可以利用计算机来辅助临床医生的诊断与治疗，如计算机辅助诊断系统（computer-aided diagnosis，CAD），具有高效性和不疲劳性的特点，其包括传统 CAD 系统和深度学习 CAD 系统，传统 CAD 系统往往仅根据结节的局部特征从统计学的角度来检测和分析结节，而基于人工智能的深度学习 CAD 系统最重要的特点就是不需要从图像中进行任何特征的提取，而是直接从数据中学习并区分特征。Ciompi 等[4]认为深度学习系统在肺结节分类方面超越了传统机器学习方法的性能。常见的深度学习模型包括卷积神经网络（convolutional neural network，CNN）、自编码（auto-encoder，AE）、深度信念网络（deep belief network，DBN）等，而其中最常用的是 CNN，是一种特别适用于解决图像分类问题的学习算法[5]。在本研究中使用了基于人工智能的肺部结节辅助诊疗系统（以下简称智能系统，零氪科技有限公司，北京），该系统应用 CNN 在内的多种算法对胸部 CT 中的肺结节进行分析，除了常规报告结节的直径、密度、体积等数据，该系统还通过已储备的 20 000 多枚肺结节的影像数据和病理结果反复训练与学习，应用其通过大数据训练所得的“经验”，计算出肺结节的恶性概率，帮助临床医生进行决策。
此外，在胸部 CT 首次发现肺结节时，临床医生常常建议患者 3 个月或 6 个月后复查胸部 CT，在两次或多次复查胸部 CT 后，我们可以得到结节体积的动态变化，也就是结节的生长速度[6]，我们常常用肺部结节的体积倍增时间（volume doubling time，VDT，指结节体积增大一倍所用时间[7]）表示结节的生长速度。我们通过传统 CAD 系统对结节体积进行三维测量，该系统可以自动估算出结节的 VDT。根据一些相关文献[8-10]报道，不典型腺瘤样增生（atypical adenomatous hyperplasia，AAH）的 VDT 约为（859.2±428.9）d，炎性结节随访期间体积可能缩小或完全吸收，VDT 在 30～360 d 要高度警惕恶性肿瘤的可能。本研究通过回顾性分析肺结节手术患者的病理结果，探究使用该智能系统计算肺结节的恶性概率和 VDT用于预测术后病理良恶性及浸润程度的可靠性。
1 资料与方法
1.1 临床资料和分组
选取 2019 年 1 月至 2020 年 8 月厦门大学附属第一医院收治的 87 例肺结节患者，其中男 33 例（37.9%），平均年龄（55.1±10.4）岁；女 54 例（62.1%），平均年龄（54.5±14.1）岁。结节平均直径（1.017±0.383）cm。共 90 枚结节，其中恶性结节 80 枚（88.8%）、良性结节 10 枚（11.1%）。将结节分为恶性肿瘤组（80 枚）和良性病变组（10 枚），其中恶性肿瘤组又分为浸润性腺癌组（60 枚）和非浸润性腺癌组（20 枚）。
1.2 纳入和排除标准
纳入标准：（1）肺结节最大径<3 cm；（2）于我院行肺肿瘤切除术，术后病理已确诊良性病变或肺腺癌；（3）术前最少有 2 次胸部薄层 CT 影像资料，2次胸部 CT 间隔时间为 1～12 个月；（4）对本研究知情同意，自愿参加。
排除标准：（1）患者曾患有肺结核；（2）多发肺结节证实肺内转移；（3）其它部位恶性肿瘤转移至肺；（4）术前结节体积缩小或 VDT<30 d 的结节。
1.3 研究方法
（1）将符合纳入、排除标准的患者胸部 CT 影像资料导入智能系统（零氪科技有限公司，北京）中，记录结节最大径、VDT、恶性概率等信息。
（2）病理检查与分组：标本均在厦门大学附属第一医院病理科完成病理检查，肺结节标本均经福尔马林固定，石蜡包埋切片，用特殊方法染色，最终病理诊断由 2 名主治医师以上职称的病理医师确定。其中，恶性肿瘤包括：肺原位腺癌（adenocarcinoma in situ，AIS）、微浸润腺癌（minimally invasive adenocarcinoma，MIA）、浸润性腺癌；良性病变包括：AAH、隐球菌、错构瘤。
1.4 统计学分析
采用 SPSS 21.0 统计软件对数据进行统计学分析。符合正态分布的计量资料以均数±标准差（±s）表示，组间比较采取 t 检验。应用受试者工作特征（ROC）曲线分析 VDT 和恶性概率对恶性肺结节的诊断价值。ROC 曲线下面积（AUC）0.5～0.7 表明具有较低准确性，>0.7～0.9 具有一定准确性，>0.9 具有较高准确性。由于恶性概率与 VDT 检验方向相反，故对恶性概率做倒数处理。P<0.05 为差异有统计学意义。
1.5 伦理审查
本研究已通过厦门大学附属第一医院伦理委员会审批，批准号：XMYY-2020KY009。
2 结果
2.1 病理诊断
恶性结节 80 枚，其中包括浸润性腺癌 20 枚，MIA+AIS 60 枚；良性病变 10 枚，包括 AAH 3 枚、错构瘤3 枚、隐球菌 4 枚。
2.2 恶性肿瘤组与良性病变组比较
两组患者在性别、年龄方面差异无统计学意义（P>0.05）；通过分析智能系统得出的恶性概率发现，恶性结节的恶性概率明显高于良性病变（87.2%±9.1% vs. 28.8%±29.0%，P=0.000），使用 ROC 曲线评价恶性概率鉴别良恶性结节的能力，AUC 为 0.949（0.863～1.000），敏感度和特异性分别为 96.3% 和 90.0%。此外，良性病变组结节最大径大于恶性结节组最大径［（1.270±0.481）cm vs.（0.990±0.361）cm，P=0.026］；良性病变组的 VDT 明显长于恶性结节组［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］。绘制 ROC 曲线评价 VDT 鉴别良恶性结节的能力，AUC 为 0.975（0.946～1.000），敏感度和特异性分别为 91.3% 和 100.0%，临界值为782.0 d；见表 1、图 1。
表1
恶性肿瘤组与良性病变组比较（/例）
图1
恶性肿瘤组与良性病变组 VDT 和恶性概率的 ROC 曲线
VDT 、恶性概率的AUC 分别为 0.975、0.949；ROC 曲线：受试者工作特征曲线；VDT：体积倍增时间；AUC：曲线下面积
2.3 浸润性腺癌组与非浸润性腺癌组比较
两组患者在性别、年龄方面差异无统计学意义（P>0.05）。恶性概率在两组间差异无统计学意义（P>0.05）。绘制 ROC 曲线评价恶性概率鉴别恶性结节的浸润情况能力，AUC 为 0.630（0.474～0.786），敏感度和特异性分别为 50.0% 和 86.7%；浸润性腺癌组结节最大径大于非浸润性腺癌组最大径［（1.350±0.355）cm vs.（0.863±0.271）cm，P=0.000］；浸润性腺癌组 VDT 明显较非浸润性腺癌组短［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］。绘制 ROC 曲线评价 VDT 鉴别恶性结节的浸润情况能力，AUC 为 0.829（0.714～0.944），敏感度和特异性分别为 70.0% 和 86.7%，临界值为423.5 d；见表 2、图 2。
表2
浸润性腺癌组与非浸润性腺癌组比较（/例）
图2
浸润性腺癌组与非浸润性腺癌组 VDT、恶性概率的 ROC 曲线
VDT 、恶性概率的AUC 分别为 0.829、0.630；ROC 曲线：受试者工作特征曲线；VDT：体积倍增时间；AUC：曲线下面积
3 讨论
随着人民生活经济水平的提高，胸部 CT 逐渐取代普通 X 线平片，越来越多地出现在居民常规体检项目中，胸部 CT 可以发现普通 X 线平片难以发现的肺小结节，对早期发现肺癌有着重要的作用。但由于不同医院甚至不同医生对肺结节的认识不尽相同，其对肺结节性质的判断可能也会有所偏差。在本研究中尝试使用智能系统和传统 CAD 提供的信息来预测肺结节的性质，探究其对肺结节病理情况预测的效能。
本研究中使用人工智能系统，对患者肺癌良恶性概率进行分析，发现术前胸部 CT 得出的恶性概率在恶性肿瘤组中显著高于良性病变组（P<0.01），同时，AUC 为 0.949，这表明该智能系统给出的恶性概率能较为准确地鉴别肺结节良恶性，具有较高的敏感度（96.3%）和特异性（90.0%）。此外，我们发现在浸润性腺癌组和非浸润性腺癌组中恶性概率差异无统计学意义（P>0.05），AUC 为 0.630，其对恶性结节的浸润程度预测准确性较低。以上数据表明该智能系统能较为准确地鉴别出结节的良恶性，但无法区分出恶性结节的浸润程度，这与提供给智能系统学习的影像与病理信息有关。在训练智能系统时，仅仅提供结节影像与病理良恶性的情况，并未提供相应影像所对应的恶性结节浸润程度，所以智能系统在没有学习相关恶性结节浸润程度的情况下，无法对恶性结节的浸润程度做出预测也在情理之中。如果可以进一步完善该系统，可以给予智能系统更加完善的训练资料，以达到对肺部结节更加全面的分析预测。
Walter 等[11]分析了 680 例患者，共 1 020 枚结节，发现 VDT 在新发结节方面对鉴别肺恶性肿瘤有很高的准确度（AUC=0.91）。裘杨波等[12]分析了 143 例早期肺腺癌发现，附壁生长为主型肺腺癌的 VDT 为（594±272）d，伴少量附壁生长成分浸润性腺癌的 VDT 为（520±285）d，完全浸润性腺癌的 VDT 为（371±183）d。在本研究中，通过智能系统测量结节体积，软件自动估算两次 CT 间隔时间内的结节 VDT；见图 3。在区分结节良恶性和浸润程度方面，良性病变组和恶性肿瘤组的 VDT 差异有统计学意义［（1 083.600±258.180）d vs.（527.025±173.176）d，P=0.000］，ROC 曲线显示 AUC 为 0.975，临界值为 782.0 d，特异性为 100.0%；在浸润性腺癌组和非浸润性腺癌组间的 VDT 差异同样有统计学意义［（392.200±138.050）d vs.（571.967±160.633）d，P=0.000］；在 ROC 曲线中，AUC 为 0.829，临界值为 423.5 d。以上数据表明 VDT 能较为准确地区分出结节的良恶性和浸润程度，782.0 d 和 423.5 d 可以分别作为肿瘤的良恶性和恶性肿瘤浸润与否的临界值。特别值得注意的是，在 VDT 临界值为 782.0 d 时鉴别结节的良恶性的特异性达到 100.0%，说明其对纳入研究的恶性结节有非常良好的鉴别排除能力，可帮助临床医生在术前对肺部结节的病理情况提前进行评估，对术前设计手术方式提供重要的参考。
图3
基于人工智能的肺部结节辅助诊疗系统所提供的肺结节倍增时间
除了恶性概率与 VDT 外，结节的直径也与肺结节的病理密切相关。Zhang 等[13]和 Son 等[14]的两项研究表明，肺结节的最大径被认为是浸润性腺癌和非浸润性腺癌分类的一个预测因子。在本研究中同样发现结节的最大径分别在肺部良性肿瘤与恶性肿瘤、非浸润性腺癌与浸润性腺癌之间存在显著差异，在术前评估结节的情况时，结节的最大径依然是需要考虑的指标之一。
由于需要分析结节的 VDT，需排除术前只做了 1 次胸部 CT 的患者。然而，考虑到大部分术前只需要做 1 次 CT 检查即有明显手术指征的肺结节，常常具有明显恶性征象，其恶性度常常也较高，本研究却排除了这一类患者，因为这个原因所造成的数据偏倚，可能导致入组的肺结节 VDT 偏长，实际上的肺结节 VDT 更短。
综上所述，目前应用的基于人工智能的肺部结节辅助诊疗系统所提供的恶性概率和VDT等信息，可以在术前对肺部结节的良恶性分类和浸润情况进行初步分析，其中恶性概率能够较为准确地鉴别肺部良性病变与恶性肿瘤，而VDT对于结节的良恶性及浸润情况均有较好的区分能力。
利益冲突：无。
作者贡献：曹孟昆负责论文设计、论文初稿撰写；蔡夕倩、朱晓雷、李宁、刘鸿鸣、邓城庆负责数据整理与分析；姜杰、耿国军、王剑翁、林俊峰负责论文审阅与修改。
