人工智能肺部结节辅助诊疗系统预测肺结节的良恶性及浸润情况

目的 评价人工智能肺部结节辅助诊疗系统鉴别肺结节良恶性及浸润程度的效能.方法 回顾性分析2019年1月至2020年8月厦门大学附属第一医院收治的87例肺结节患者的临床资料,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.共纳入90枚结节,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).比较各组的恶性概率和倍增时间等信息,分析其对结节的良恶性及浸润程度的预测能力.结果 恶性肿瘤组与良性病变组恶性概率差异有统计学意义,且恶性概率可以较好地区分出恶性结节与良性病变(87.2％±9.1％vs.28.8％±29.0％,P=0.000),受试者工作特征(ROC)曲线下面积(AUC)为0.949.良性病变组结节最大径显著大于恶性肿瘤组[(1.270±0.481)cm vs.(0.990±0.361)cm,P=0.026];良性病变的倍增时间明显长于恶性结节[(1 083.600±258.180)dvs.(527.025±173.176)d,P=0.000],AUC 为0.975.对比浸润性腺癌组与非浸润性腺癌组发现,浸润性腺癌组结节最大径大于非浸润性腺癌组的最大径,且差异有统计学意义[(1.350±0.355)cm vs.(0.863±0.271)cm,P=0.000];两组间恶性概率差异无统计学意义(89.7％±5.7％vs.86.4％±9.9％,P=0.082),AUC为0.630.浸润性腺癌组倍增时间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],AUC为0.829.结论 基于人工智能的肺部结节辅助诊疗系统得出的肺结节恶性概率和倍增时间,可用于辅助鉴定术前肺结节的良恶性及评估浸润情况.