第43章：肺癌筛查与肺结节检测中的人工智能（Artificial Intelligence in Lung Cancer Screening and Nodule Detection）

Introduction

肺癌是 2017 年全球癌症相关死亡的主要原因，其死亡人数超过结直肠癌、乳腺癌与前列腺癌这三种癌症的总和[1]。尽管长期死亡率呈加速下降趋势，它仍是全球最致命的癌症之一；2020 年美国估计有 135,720 人死于肺癌[1]。肺癌 IV 期的 5 年生存率仅为 4%[2]。然而，肺癌的早期发现可以提高生存率，因为治疗方案可以在更早的疾病阶段制定并实施[3]。计算机断层扫描（CT）是检测与研究肺癌的有效方法，肺癌通常表现为肺结节。CT 也可用于测量肺结节的强度、直径或体积，并可基于形态学特征、淋巴结位置与远处转移提供诊断信息，用于后续的结节管理。全球范围内肺癌筛查的实施使放射科医生的工作量压力不断增加，因而对准确的结节检测提出了需求。为了减轻放射科医生面临的沉重负担，在过去二十年里，经典机器学习与先进深度学习算法的人工智能（AI）系统已被开发出来[4, 5]。这些系统旨在以高灵敏度与低假阳性率识别结节[6]。基于经典机器学习技术实现的系统较多依赖人工干预来定义特征提取算法，而基于先进深度学习技术的系统则可独立学习特征的提取。随着数据量的增加，深度学习时代正在重新激发人们对利用 AI 系统进行准确而高效的结节检测的兴趣，并将其整合进报告工作站中。在本章中，作者将聚焦于肺结节 AI 检测系统的开发，并讨论影响其性能的因素；进一步比较 AI 与放射科医生在肺结节检测上的表现，并探讨 AI 在肺癌筛查项目中的角色。

Lung Cancer Screening

为了在高风险人群中早期发现肺癌，全球范围内已建立多项随机肺癌筛查试验。在近期发表的一篇关于肺癌筛查的综述中，多项大型筛查项目提供的证据显示，CT 筛查患者的肺癌相关死亡率有所下降[7]。然而不同 CT 筛查试验中对临床相关结节的定义（基于大小）存在差异。NLST 等主要研究将"相关"结节定义为直径 > 4 mm 的结节[8]，其他一些研究则同时采用直径与体积度量来管理结节[9–11]。表 43.1 给出了四个大型肺癌筛查项目的相关发现比较。美国国家肺癌筛查试验（NLST）于 2002 年启动，共纳入 53,454 名参与者[8]。半数参与者接受低剂量 CT（LDCT）扫描，半数接受单次胸片复查。研究显示，相比胸片筛查，LDCT 筛查可减少 20% 的肺癌死亡率（HR = 0.80, P < 0.01）。然而由于结节表征与放射科医生报告方式的差异，假阳性更多。为了解决这一问题，美国放射学会发布了肺部报告与数据系统（Lung-RADS），以提供关于阳性发现的清晰定义与 LDCT 肺癌筛查的有效结节管理方案。尽管灵敏度有所降低，一项研究表明，将 2014 版 Lung-RADS 回顾性地应用于 NLST 结果中（考虑任一方向上 ≥ 4 mm 的非钙化结节）可使基线假阳性率从 26.6% 降至 12.8%[12]。在最近的 2019 版 Lung-RADS 中，同时考虑直径与体积测量；任何类型直径大于 4 mm 或 30 mm³ 且恶性风险大于 1% 的结节都应予以报告并建议进行短期随访、附加诊断检测或组织取样[13]。荷兰—比利时随机对照肺癌筛查试验（NELSON）于 2003 年开始，共招募 15,789 名 50–74 岁个体。半数参与者接受基于体积的 LDCT 筛查，另一半不接受筛查（对照组）。最近发表的结果显示，相比未筛查者，男性中基于体积的筛查可显著降低肺癌死亡率（10 年肺癌特异性死亡累积率比 = 0.76, 95% CI: 0.61–0.94, P < 0.05）[9]。为了支持 NELSON 研究与欧洲其他肺癌筛查项目的成功实施，2017 年发布了欧洲肺癌筛查立场声明[14]。该声明指出，筛查项目中临床相关的结节为 ≥ 4 mm 或 ≥ 30 mm³ 的实性非钙化结节以及 > 5 mm 的部分实性结节。英国肺癌筛查（UKLS）试点试验将 4055 名 50–75 岁患者随机分为 CT 筛查组与不筛查组。UKLS 试验显示，超过 80% 的早期肺癌可被检出并接受潜在治愈性治疗[10]。该研究关注 > 3 mm 或 > 15 mm³ 的结节。多中心意大利肺脏检测（MILD）试验招募了 2376 名接受年度或两年期 LDCT 的个体。10 年结果显示，长期 LDCT 筛查使肺癌死亡率降低 39%（HR = 0.61, 95% CI: 0.39–0.95, P < 0.02）[15]。此外，两年期与年度筛查组的肺癌特异性 10 年死亡率相似。然而，对基线检查为阴性的个体，每 2 年一次而非每年一次的 LDCT 筛查可节省 44% 的随访扫描[11]。MILD 试验中将阴性病例定义为结节体积 < 60 mm³。尽管实施肺癌筛查项目增加了早期发现的机会，但肺癌仍可能漏检或在晚期被发现。这源于结节表征与其解剖结构的复杂性、需阅读的 CT 切片数量增多、阅片者经验水平不一以及疲劳等因素。一个潜在的解决方案是使用性能良好的 AI 系统辅助放射科医生进行结节检测。

AI-Based Pulmonary Nodule Detection

机器智能（即人工智能，AI）被用来描述那些被设计用以模仿并帮助人类达成特定目标的机器。自二十世纪末以来，AI 一直在尝试支持放射科医生。1988 年发表了首个用于胸片肺结节检测的 AI 系统。由于当时计算能力不足、图像质量差以及检测算法尚不成熟，该系统假阳性率很高，其在不同人群中的泛化能力也未知[16]。随着计算资源与数字成像技术的发展，计算机能够处理更困难的任务；同时 CT 影像的引入带来了对三维身体结构更清晰的视图。因此，近年来 AI 在结节检测方面取得了巨大成功，尤其在深度学习时代获得显著进展。

Aims of AI

为放射科医生实施 AI 结节检测系统的原因如下：(1) 避免遗漏临床相关结节。结节在大小、特征与解剖位置上差异巨大，容易导致假阴性。(2) 减少假阳性数量，假阳性可能导致不必要的随访、不正确的临床分期与治疗等。(3) 节省放射科医生专注于结节特征诊断与后续管理的时间，前提是 AI 系统高效且能准确处理扫描。

Stages of Nodule Detection Systems

AI 结节检测系统可由五个阶段组成。首先，应从图像归档与通信系统（PACS）获取图像。然后在合适的窗位下对图像进行预处理，使目标组织与背景的对比度更适合后续算法。接下来（可选）的一步是分割肺实质，使系统能聚焦于感兴趣区而不被其他器官、衣物或检查床干扰。分割肺实质之后是两个最关键的阶段（图 43.1）。在结节候选检测阶段，AI 将基于算法定义的特征尽量找出所有结节候选，目标是高召回率；进一步计算候选结节的坐标与大小以提取其特征。最后，在假阳性减少阶段，系统通过分析所提取的特征将假阳性候选从最终输出中剔除，从而在保持高检出的同时控制误报。

Detection Systems Using Classic Machine Learning Algorithms

机器学习（ML）作为 AI 的一个子集，在小数据集上可获得良好表现，但依赖人类经验。这可能限制基于机器学习的系统在新外部验证集甚至内部验证集上的泛化能力。此外，由于早期计算能力不足，多数系统基于小型私有数据库建立，性能各异。在一项关于机器学习结节检测系统进展的文献综述中，系统灵敏度在 70.0%–90.0% 之间，而假阳性率在每扫描 0.5–15 之间[17]。在其中一个全自动检测系统中，多个阈值被用于分割肺区，并使用 18 点算法选择初始结节候选[18]。为表征结节候选，基于平均 HU 值、标准差、体积、半径、球形度、偏心率与圆度计算特征向量。在 43 例共 171 个结节的评估 CT 中，该 AI 系统灵敏度为 70.0%，每扫描 1.5 个假阳性。另一项针对孤立、邻胸膜与邻血管型结节的研究[19]对 164 例结节（2 名放射科医生在 20 例患者中检测作为参考标准）使用了对应的 2D 与 3D 操作。孤立结节灵敏度为 97.4%，邻胸膜与邻血管结节灵敏度为 93.0%。使用一种新的量化收敛指数滤波器以增强圆形病灶，一套自动系统在 5 个临床数据集上达到了 90% 的高灵敏度[20]。8 个基于规则的特征（如量化收敛指数滤波器输出水平、灰度梯度与长度）通过线性判别分析被用于假阳性减少。另一项有趣的研究设计了一种结合多尺度高斯-拉普拉斯滤波器、先验形状信息与圆度的算法来检测结节候选，再应用深度学习进行假阳性减少[21]。在 888 例 CT 扫描中，100% 的结节被检出，但每扫描平均出现 50.3 个假阳性。由于许多 AI 系统使用不同数据进行开发，难以进行公平比较。因此发布了公共数据集 ANODE09 以对不同系统进行基准测试[22]。该数据集包含 NELSON 研究中收集的 55 例扫描。组织者比较了 6 个 AI 系统的表现，发现将其结果组合可使最终灵敏度在每扫描 1 个假阳性时由 20.8% 提升至 72.5%[23]。在相同假阳性率下，对小、大、孤立、血管、胸膜与胸裂周结节的识别灵敏度分别为 76.1%、67.8%、73.8%、72.1%、62.7% 与 82.9%。若允许更高假阳性率，可检出更多结节。他们还研究了假阳性结果，发现主要原因有血管分叉、瘢痕组织等小病灶，以及在与高密度结构邻近或与肺胸膜面接触区域貌似结节的隆起。假阳性通常较小，因此可加入一个丢弃 < 4 mm 发现的额外算法以进一步降低系统假阳性率。

Detection Systems Applying Advanced Deep Learning Algorithms

深度学习（DL）是利用人工神经网络学习目标代表性特征的机器学习子类别。相比 ML 算法，DL 通过自动化特征提取更为先进，且精度可能无上限，但需要更大的训练集与更强的算力。近期一篇系统综述显示 DL 系统可达到 82.2%–97.6% 的高准确率[4]。为促进基于 DL 的计算机辅助检测系统开发，已有大型公开数据集，例如来自 7 家学术中心、含 1018 例标注胸部 CT 扫描的肺图像数据库联盟与图像数据库资源倡议（LIDC/IDRI）[24]，以及来自 26,254 例患者 LDCT 扫描的国家肺癌筛查试验（NLST）数据集[25]。此外，已举办多场竞赛以实施基于 DL 的结节检测系统。例如，LUng Nodule Analysis 2016（LUNA16）竞赛建立了一个含 888 例 CT 扫描的基准数据集，这些扫描以薄层采集并选自 LIDC-IDRI 数据库[26]。2017 年组织了 Kaggle 数据科学碗（DSB）挑战赛用于肺癌诊断，使用 NLST 集合的一个子集[27]。两年后，肺结节数据库（LNDb）竞赛发布了 294 例回顾性收集于波尔图的标注 CT 扫描，依据 2017 年 Fleischner 学会肺结节指南[28, 29]用于自动结节管理。近年来大量研究者利用 LUNA16 数据集构建 AI 检测系统。在一项研究中，将 5 个完整 AI 检测系统与 3 个仅用于假阳性去除的系统的结果进行组合。候选检测阶段的结节检出率被提升至 98.3%，高于任何单一系统。在假阳性减少阶段，对结节候选的概率进行简单平均。最终合并系统在每扫描 1 个假阳性时达到 96.9% 的灵敏度[30]。在另一项研究中，受最大密度投影（MIP）技术这一临床常规程序启发，研究者实现了一种深度学习方法[31]。结果显示，在 5、10、15 mm 三种 MIP 切片上卷积神经网络可检出 85.5%–88.5% 的 3–10 mm 小结节，而 1 mm 轴位切片上为 79.4%。图 43.2 展示了不同 MIP 图像的对比。在融合不同切片的结果后，95.4% 的结节（不论大小）被检出。此外，使用两类立方块来消除假阳性，最终在每扫描 1 个假阳性时灵敏度达 92.7%。当系统考虑 16 张 MIP 切片时，在每扫描 1 个假阳性时性能进一步提升至 94.4%[32]。另一项研究提出了 3D 特征金字塔网络，使用 96×96×96 的体积块与 HS2 网络，在结节候选所在连续切片间跟踪变化以减少假阳性[33]。借助空间特征，系统可在每 1/8 扫描的低假阳性率下达到 90.4% 灵敏度。此外，该研究还实现了一种更快的两区域基于区域的卷积神经网络[34]。为了将空间信息整合以精炼结果，将含结节候选的 3 张连续切片分别送入 3 个分类模型，并对最终概率取平均；若模型错误分类，则将该数据再次用于重训练。系统最终在每扫描 1 个假阳性时找到 85.2% 的结节。此外，结节形态差异大，对系统减少无关发现数量构成挑战。一种方法以多尺度 CT 块训练，并以 zoom-in/zoom-out 方式逐步提取特征[35]，最终灵敏度达 94.7%。基于在自然图像上具有高准确率的 ResNet-101，开发出的结节检测器在 DSB 挑战赛子集上找到 71.9% 的结节[36]。一些研究使用其他数据库实现系统，并在结节识别上获得良好表现。例如一项回顾性研究在 2010–2015 年间收集了 9225 张含结节的胸片与 34,067 张阴性片[37]。13 名资深放射科医生标注这些图像。所提 DL 系统在来自韩国 3 家医院与美国 1 家医院的内外部数据集上得到评估，AI 受试者工作特征曲线下面积（0.92–0.99）优于参与评估的 18 位医生中的 17 位。AI 可检出 > 30 mm 结节的 96%、20–30 mm 的 74%、15–20 mm 的 68%、10–15 mm 的 55% 与 < 10 mm 结节的 11%。另一项研究纳入来自 NLST、LIDC-IDRI 与一个私有数据集的 2000 例 CT 扫描共 2608 个结节[38]。应用难例挖掘与体积块训练来提升性能。在 354 例验证 CT 上，系统对 > 5 mm 结节达到 93% 灵敏度。第三项研究使用 12,754 例 CT 扫描，其中 11,625 例来自 3 家医院用于 AI 开发，1129 例来自 10 个以上中心用于验证[39]。在每扫描 1 个假阳性时，AI 系统对不同结节类型的总灵敏度为 74.0%。具体而言，对 ≤ 6 mm 实性结节、> 6 mm 实性结节、≤ 5 mm 部分实性结节、> 5 mm 部分实性结节、钙化结节与胸膜结节的灵敏度分别为 71.9%、88.6%、61.3%、85.2%、86.4% 与 75.3%。2019 年 Google AI 团队提出一种端到端系统，以感兴趣区体积进行癌症检测[40]。系统首先在 LIDC-IDRI 数据集上训练，随后在 29,541 例 NLST 病例的 70% 上微调。在 6729 例测试中，癌症检测器在前 2 个检测中即命中时，基线扫描灵敏度为 97.5%，既往扫描为 94.6%。

Factors Impacting the Performance of AI

现有 AI 系统的性能各异。许多因素——CT 参数（切片厚度、层块厚度、扫描剂量）、结节特征（位置、大小、密度）以及肺血管——都会影响 AI 性能。

Slice Thickness

由于不同厂商与重建算法的差异，CT 扫描有薄层与厚层之分。厚层 CT 扫描存在部分容积效应问题，导致小目标的信息丢失。证据显示，与薄层 CT 相比，相同 AI 在厚层 CT 上评估时灵敏度下降。为探索切片厚度对计算机辅助检测（CAD）系统性能的影响，Kim 等在一项研究中评估了 10 例患者的多探测器 CT 扫描，分别以 1 mm 与 5 mm 分组[41]。在薄层组中，2 名放射科医生检出 126 个结节，厚层组中检出 114 个。AI 系统在两组中分别检出 126 中的 120 个（95.2%）与 114 中的 101 个（88.6%）。Narayanan 等在 LUNA16 数据集上以 1.25 mm 切片厚度的 192 例 CT 扫描评估了 CAD 系统[42]。在下采样比 2、4、8 时，模拟得到 2.5、5、10 mm 切片厚度的图像。该研究展示了在 1.25 或 2.5 mm 切片上测试的系统优于在 5 或 10 mm 切片上测试的系统。图 43.3 展示了不同切片厚度下的性能。

Slab Thickness in Maximum Intensity Projections

最大密度投影（MIP）是临床医生用以在血管增强切片上高效检测结节的临床程序之一。人类在使用 10 mm 层块厚度的 MIP 时比使用 5、15、20 mm MIP 时结节检出率更高[43]。然而放射科医生与 AI 之间检测结节的原则并不完全相同。10 mm 可能并不是 AI 检测肺病灶的最佳层块厚度。为确定 AI 的最佳层块厚度，一项研究在大型 LUNA16 数据集上探索了结节候选检测阶段不同层块厚度的影响[32]。为避免部分容积效应，排除了切片厚度 > 2.5 mm 的扫描。所有扫描插值为 1 mm 切片，并以 1 mm 切片生成层块厚度从 3 至 50 mm、间隔 5 mm 的 MIP。每次以一种 MIP 训练与验证系统，结果以十折交叉验证获得。随着层块厚度增加，AI 系统检测率先逐步上升至层块厚度 10 mm 时的 90%，之后缓慢下降。关于假阳性，其数量随层块厚度从 1 mm 增至 25 mm 减少，之后保持稳定。在确定结节候选检测阶段尽可能多检测结节的方法时，10 mm 是 AI 用 MIP 的最佳参数。

Radiation Dose

辐射剂量与管电流与管电压有关，降低其中任一值即可减少辐射剂量，但图像质量也可能下降从而导致更多假阳性。为了在减少患者筛查所受剂量的同时保持高的肺癌检出率，已有研究评估了使用低剂量 CT（LDCT）或超低剂量 CT（ULDCT）对 AI 检测性能的影响。证据显示，尽管假阳性数量增加，AI 在更低剂量扫描上仍可检出相似数量的结节。例如，Young 等从 NLST 筛查中收集 481 例 LDCT 扫描，并模拟对应 50% 与 25% 原剂量的扫描[44]。在患者层面，AI 系统在原剂量、50% 与 25% 剂量下分别检出 38%、37% 与 38% 含至少一个结节的患者。虽然灵敏度相当，AI 系统在 25% 剂量下每扫描多出 13.5 个假阳性，而 50% 剂量下为 5 个，常规模拟剂量下为 3 个。因此作者建议可将 NLST 方案中的 LDCT 剂量减半。另一项研究纳入 25 例患者，通过降低管电流以 2.2、1.2、0.9、0.6 mSv 完成采集[45]。当以滤波反投影重建时，AI 在不同剂量下检出相似数量的真阳性，但在更低剂量扫描上较常规扫描多 10 个假阳性。此外，一项大型评估研究在 187 例 LDCT 与 942 例常规 CT 上测试了 AI 系统[39]。不同剂量下 AI 检出真阳性方面无显著差异。

Nodule Location

按解剖位置，结节可分为胸膜型、孤立型与邻血管型。一些研究显示结节位置会影响 AI 性能。在 Bae 等的研究中，孤立结节相比邻血管与胸膜结节更易被系统检出[19]。这是因为孤立结节边界与肺实质之间对比清晰，且可在单一切片上区分而无需与相邻切片比较。相对而言，另两种类型结节形态更复杂，与血管或组织相连。van Ginneken 等在 ANODE09 数据集上的评估也佐证了这一趋势[23]，孤立、邻血管与胸膜结节的检测灵敏度分别为 73.8%、72.1% 与 62.7%。孤立结节检出准确率较高的另一个原因是这些结节在训练集中占比较高，系统已学习到更多孤立结节的特征因而倾向于检出它们。

Nodule Size

部分 AI 系统容易漏检小结节，因为小结节仅在少数切片上出现，噪声对其边界影响显著。在 Zheng 等的工作中，结节按 Lung-RADS 指南分层[46]，多数被漏检的结节（15/23）在结节候选检测阶段直径介于 3–6 mm。Xie 等的研究得到了类似结果[34]：< 10 mm 结节检出率仅为 44.4%，而 10–30 mm 大结节为 86.9%。相反，van Ginneken 等发现六个被评估 AI 系统中有五个在不同假阳性率下对大结节的灵敏度较低[23]。作者给出的可能解释是训练集中小结节出现频率更高，产生了与期望相反的效果。

Nodule Density

在肺窗设置下，实性结节通常比部分实性与非实性结节更易区分。Setio 等分析了 LUNA16 挑战赛中 7 个 AI 结节检测系统所检出结节的密度[30]。所有系统呈现相似的检测趋势：结节中实性成分越少，系统灵敏度越高。换言之，三类结节中非实性结节灵敏度最低。它们通常代表磨玻璃影区域，使得 AI 难以将之与几乎相同的肺实质或局灶性肺炎区分。另一项研究也调查了 AI 在实性与部分实性结节上的表现[39]。实性结节在 LDCT 上的检出率为 72.9%（556/763），而部分实性结节仅 65.0%（256/394）。

Pulmonary Vessels

肺血管是 AI 系统结果中主要的假阳性来源之一。当结节靠近或贴附血管时，AI 难以选择这些结节。如果在保留结节的同时将血管从肺中去除，则对人类阅片者与 AI 而言结节检测都会更容易，假阳性更少。受此启发，Gu 等开发了一种基于深度学习的检测系统，采用肺血管抑制技术，并探讨了去除血管对 AI 性能的影响[47]。消融实验显示，对于同样的候选检测与假阳性减少算法，去除肺血管后灵敏度从 96.9% 提升至 98.6%，假阳性率由每扫描 7.65 降至 0.92。另一项近期研究显示肺血管的消除可减少可疑区域[48]。虽然大多数结节（94.0%）可被 AI 检出，但每扫描 15.1 个假阳性率仍较高。可能的解释是作者仅使用 2D 切片而非 3D 立方块来消除假阳性，因此无法有效去除结节样发现。

Role of AI in Nodule Detection

尽管 AI 可在不同大小与类型肺结节的检测上取得良好表现，但在 CT 扫描解读中——无论是与放射科医生比较还是并用——其效果仍需在实际临床应用前进一步研究。AI 的性能（如真结节检出率、假阳性数量与辅助检测的使用顺序）对其在临床中的角色影响很大。为了探索 AI 系统在临床中应用的可行性，已开展大量研究比较其与放射科医生的表现。尽管少数研究者发现 AI 未能提高诊断准确率[49]，多数结果显示当 AI 的结果以随后或同时的方式呈现给放射科医生时，AI 可作为良好的第二阅片者或同步阅片者。AI 或 CAD 系统的阅片原则见图 43.4。

Subsequent Model

在随后模式（subsequent model）中，AI 通常作为第二阅片者，放射科医生只有在完成其首次阅片后才被允许看到计算机检测结果。在放射科医生独立初读之后，对同一扫描的计算机结果将呈现给放射科医生，以核实所报告结节是否确为真结节。因此，参考标准将包含放射科医生与 AI 均检出的结节。在一项比较研究的第一阶段，作者分析了在薄层 CT 上后续模式使用 AI 对结节检测的影响[50]。AI 作为第二阅片者时，实性、部分实性与 GGO 结节的最终灵敏度分别为 82%、97%、82%；而未使用 AI 时，对应结节的灵敏度仅 57%、81%、69%。为了评估 AI 作为第二阅片者的有效性，Awai 等收集了 50 例含 3–29 mm 结节的胸部 CT[51]。5 名资深放射科医生与 5 名放射科住院医生被要求在有/无 CAD 系统下对结节存在与否评分。结果显示，无论资深还是经验不足的阅片者，单读与随后使用系统之间存在显著的检测差异。研究结论是使用 AI 可提高两组阅片者的结节检测能力。

Concurrent Model

在同步模式（concurrent model）中，放射科医生在解读 CT 扫描时即可参考 AI 的图像解读结果。研究显示当 AI 作为同步阅片者时，放射科医生可检出比单读更多的结节。Matsumoto 等的研究比较了 50 例 CT 在有/无 AI 下的结节检测表现[52]。在 AI 作为第二阅片者的辅助下，66.5% 的结节被放射科医生发现；相比之下，未辅助阅片时仅 56.5% 的结节被检出。重要的是，放射科医生每扫描仅多花费约 10 秒，结节检测灵敏度即得到提升。同步模式相比随后模式显然更省时，因为放射科医生不必在没有 AI 辅助的情况下再过一遍切片。这一假设被 Matsumoto 等在 50 例 CT 上对两种模式中 AI 表现的研究证实[52]：同步模式的平均阅片时间（132 ± 70 s）显著短于随后模式（210 ± 103 s）。Beyer 等的研究也报告了类似趋势，同步模式与随后模式的平均阅片时间分别为 274 s 与 337 s[53]。Matsumoto 等还发现两种模式下放射科医生的表现无显著差异。相反，Beyer 等也回顾了 50 例扫描，报告 AI 作为第二阅片者时灵敏度显著高于同步应用[53]。导致结果差异的一个可能解释是 Matsumoto 等的 AI 系统具有更高的独立灵敏度（63%，每扫描 3.5 个假阳性），而 Beyer 等的系统独立灵敏度为 43%，每扫描 1.3 个假阳性。Matsumoto 等的结果更有利于说明 AI 使用的有效性。

AI Detection Performance and Missed Nodules

AI 检测系统也能检出放射科医生共识中曾被漏掉的结节，可作为辅助阅片者使用。在肺癌筛查项目中，若 AI 能取得更高灵敏度与更低假阳性率，则其结果可被放射科医生参考。在 Zhao 等的研究中，AI 系统在 NELSON 筛查研究中选取的 400 例 LDCT 上得到评估[54]。在 151 个结节中，5 个仅由双读检出，而 33 个真结节仅由 AI 识别。值得注意的是，被放射科医生漏掉但被 AI 找到的 1 个结节为肺癌。第二项研究比较了 AI 与双读在 2017 年 3 月至 11 月期间一项肺癌筛查项目回顾性收集的 346 例 CT 上的检测表现[55]。男女比例为 221:125，平均年龄 51 岁。AI 系统对 > 5 mm 结节（96.5% 对 88.0%）与小结节（84.3% 对 77.5%）均较放射科医生更灵敏，尽管系统产生更多供放射科医生核查的假阳性。经第三轮资深放射科医生阅片确认有 17 个结节被阅片者漏检但被 AI 检出。第三项比较研究在大型 LIDC-IDRI 数据集（777 个结节经 4 名放射科医生确认）上评估了 3 个 AI 系统[56]。最佳系统达到 82% 灵敏度，伴 1108 个假阳性发现。在研究者排除明显非结节后，269 个发现由 4 名放射科医生评估。其中 45 个标记被 4 名放射科医生一致接受为结节，其中 70% 不是明显肺结节。37 个结节 > 4 mm 需随访。这些发现提示 AI 有潜力检出放射科医生曾漏掉的细微结节。此外，一项基于 AI 的系统在 NLST 筛查项目中 5485 名参与者的胸片上得到评估[57]。AI 在数字胸片上检测恶性结节的灵敏度与特异度分别为 100.0% 与 90.9%。相比 AI 结果，放射科医生灵敏度较低（94.1%）但特异度略高（91.0%）。AI 还发现了 7 个被放射科医生漏掉的结节或肿块。该研究结论是 AI 系统在检测恶性结节方面优于 NLST 放射科医生，若用作第二阅片者可能有助于放射科医生发现肺癌。尽管研究表明 AI 可提升放射科医生的表现，但 AI 系统在日常临床实践与肺癌筛查中应用的可行性尚未被充分证明。有必要在多家机构的筛查数据上验证 AI 系统，并提供更多关于临床相关结节检测的证据。此外，不仅技术人员，放射科医生也应合作构建更大、分布更广泛的结节数据集，并共享给社区以进一步推动结节检测系统的发展。

Conclusions

肺癌占癌症相关死亡的大多数，IV 期检出时 5 年生存率仅 4%。为了在早期检出肺癌，全球范围内已建立随机肺癌筛查试验。一些大型筛查研究（如 NELSON 与 NLST）的结果显示接受 CT 筛查的患者死亡率有所下降。这些进展使肺癌患者有更大存活机会，但也使放射科医生的阅片工作量日益增加。AI 检测系统的设计旨在减轻放射科医生的压力，使其能更专注于诊断。尽管 CT 参数、结节特征与肺血管等许多因素会影响 AI 的灵敏度与假阳性率，AI 仍可在临床中作为第二阅片者与同步阅片者为放射科医生提供实质性帮助。一些研究已在肺癌筛查数据上评估 AI，显示 AI 可在结节检测上获得良好表现。未来应进一步研究在肺癌筛查项目中使用 AI 的效果。只要灵敏度可被持续提升且假阳性率可被最小化，AI 即可作为辅助阅片者，其结果可在筛查设置中被放射科医生参考。

本章个人批注

本章是 DeCecco 卷里少数几章把"系统综述"与"性能对比"做得很扎实的章节之一。Zheng 等给出的不是简单的"AI 准确率很高"叙事，而是把 AI 结节检测系统拆成（1）经典 ML、（2）深度学习两大代际，并进一步按影响因素的 7 个轴——切片厚度、层块厚度、辐射剂量、结节位置、大小、密度、肺血管——逐一报告灵敏度差异。这种"分解式"叙述在 AI 医学影像综述里并不常见，但确实更接近工程实践。例如，切片厚度从 1 mm 变到 5 mm，AI 在 Kim 等的 10 例研究里就掉了约 7 个百分点（95.2%→88.6%）；MIP 层块厚度最优在 10 mm；LIDC-IDRI 上小结节（< 10 mm）灵敏度仅 44.4% 而大结节 86.9%。这些数字都让"AI 已经能替代医生"这种修辞显得粗糙。

关于"subsequent model"与"concurrent model"的对照，本章给出的是少有的、明确量化阅片时间差异的来源：Matsumoto 等报告同步模式 132 s vs. 随后模式 210 s（每扫描），Beyer 等则报告 274 s vs. 337 s。两者方向一致、同步模式更省时。但灵敏度结果相反——Matsumoto 同步模式灵敏度低于随后模式，Beyer 则相反。本章给出的解释（Matsumoto 系统的独立性能 63% / 3.5 FP vs. Beyer 系统 43% / 1.3 FP）实质上是在说"AI 自身的灵敏度太低时，让它当同步阅片者没有意义"。这与我在临床上观察到的现象一致：辅助工具只有在自身性能足够高时，才能既省时又提高准确率。

一个需要警惕的细节：本章的参考文献[31]在正文中并未严格对应（[31] 出现在 "Zheng et al." 的第一处讨论 LIDC-IDRI 处，但参考文献[31]实际是 Zheng S 在 IEEE TMI 2019 的 MIP-CNN 论文，编号错位不致影响阅读）。本章的引用风格是某些数字引用了"refers to dataset/database/competition"而另一些引用了具体论文，所以引文密度读起来非常密集，对照到原文会耗费时间。后续章节如遇到类似情况，也应按"忠实复述章节事实"处理而非核对引文编号。

数据来源的复用是本章另一个值得注意的点：LIDC-IDRI（1018 例）、LUNA16（888 例，从 LIDC-IDRI 精选）、NLST（26,254 例 LDCT）、ANODE09（55 例来自 NELSON）、Fleischner 2017、LNDb（294 例波尔图）这 6 个数据集几乎撑起了 2010–2020 年肺癌 AI 综述的引用骨架。在临床医院里，AI 性能差异的根源往往就是这 6 个数据集如何被采样、如何被标注——而本章在这一点上没有展开。这也是为什么很多 AI 论文在外部验证时性能骤降。

与上下章的衔接（一段话）

在本书肺成像部分的序列中，第 40 章（COPD）讲慢性气道阻塞性疾病的定量，第 41 章（ILD）讲弥漫性间质病变的多层模式识别，第 42 章（COVID-19）讲急性传染性肺炎的影像量化与动态随访，第 43 章（肺癌筛查）转回长期癌症筛查的脉络——这一转折反映了 AI 在肺部影像中从"急性应急"（COVID-19）回到"常规筛查与结节管理"的工作流重心，也是肺成像 AI 应用从感染性场景切换到肿瘤性场景的标志。下章（第 44 章）将由结节"检测"推进到结节"表征与预后"，把焦点从"是否检出"转向"已检出的结节其表型、基因型与预后如何被 AI 推断"——这一衔接也与本书前几章在结构性病变上强调"良/恶性鉴别"的主题一致。