基于人工智能随访预测肺结节增长的影响因素研究

doi:10.12114/j.issn.1007-9572.2022.0005

中国全科医学 ›› 2022, Vol. 25 ›› Issue (17): 2115-2120.DOI: 10.12114/j.issn.1007-9572.2022.0005

基于人工智能随访预测肺结节增长的影响因素研究

吴久纯¹, 李甜¹, 李晓东², 卓越¹, 张玉娇¹, 刘敬禹¹^,^*()

1.121001　辽宁省锦州市，锦州医科大学附属第三医院呼吸与危重症医学科
2.121001　辽宁省锦州市，锦州医科大学附属第一医院危重症医学科

收稿日期:2021-12-21 修回日期:2022-02-14 出版日期:2022-04-28 发布日期:2022-04-28
通讯作者: 刘敬禹
吴久纯，李甜，李晓东，等.基于人工智能随访预测肺结节增长的影响因素研究[J].中国全科医学，2022，25（17）：2115-2120. [www.chinagp.net]
作者贡献：吴久纯负责文章的构思与设计、研究的实施与可行性分析、统计学处理及论文撰写；李甜、李晓东负责论文的修订；卓越负责数据整理；张玉娇负责数据收集；吴久纯、刘敬禹负责结果的分析与解释；刘敬禹负责文章的质量控制及审校、对文章整体负责，监督管理。
基金资助:
辽宁省科学技术计划项目(2019JH2/10300046)

Inflencing Factors for Pulmonary Nodular Growth Predicted by Artificial Intelligence-based Follow-up

Jiuchun WU¹, Tian LI¹, Xiaodong LI², Yue ZHUO¹, Yujiao ZHANG¹, Jingyu LIU¹^,^*()

1.Department of Respiratory and Critical Care Medicine, the Third Affiliated Hospital of Jinzhou Medical University, Jinzhou 121001, China
2.Department of Critical Care Medicine, the First Affiliated Hospital of Jinzhou Medical University, Jinzhou 121001, China

Received:2021-12-21 Revised:2022-02-14 Published:2022-04-28 Online:2022-04-28
Contact: Jingyu LIU
About author:
WU J C, LI T, LI X D, et al. Inflencing factors for pulmonary nodular growth predicted by artificial intelligence-based follow-up[J]. Chinese General Practice, 2022, 25 (17) : 2115-2120.

分享到

摘要/Abstract

摘要： 背景肺癌的发病率和死亡率均居世界首位，5年生存率不到20%，对于早期肺癌的筛查有多种方式，其中人工智能（AI）极大提高了早期肺癌的检出率，但目前仍存在对不典型肺结节如何有效管理以尽早发现早期肺癌的问题，探究肺结节增长的影响因素对指导临床管理具有重要意义。目的探讨AI随访肺结节增长的影响因素及临床应用价值。方法回顾性选取2019年4月就诊于锦州医科大学附属第三医院的175例肺结节患者作为研究对象，根据AI分类分为实性结节组82例和磨玻璃结节（GGN）组93例。收集研究对象的一般资料，并利用AI计算收集肺结节相关影像学信息，定期随访以观察不同肺结节的增长情况，应用多因素Cox比例风险回归分析探讨肺结节增长的影响因素。结果实性结节组的实性占比、平均CT值高于GGN组（P<0.001）。多因素Cox比例风险回归分析结果显示，结节平均直径〔HR=2.185，95%CI（1.079，4.425），P=0.030〕、结节体积〔HR=1.001，95%CI（1.000，1.001），P=0.022〕、恶性概率〔HR=2.232，95%CI（1.036，4.806），P=0.040〕及表面征象〔HR=2.125，95%CI（1.006，4.489），P=0.048〕是实性结节增长的影响因素；平均直径〔HR=2.458，95%CI（1.053，5.739），P=0.038〕、体积〔HR=1.001，95%CI（1.000，1.002），P=0.010〕、实性占比〔HR=1.022，95%CI（1.002，1.041），P=0.030〕、恶性概率〔HR=2.386，95%CI（1.174，4.850），P=0.016〕及表面征象〔HR=3.026，95%CI（1.492，6.136），P=0.002〕、平均CT值〔HR=1.002，95%CI（1.000，1.003），P=0.045〕是GGN增长的影响因素。结论肺结节增长受原始结节大小、平均CT值、有无表面征象及恶性概率等多种因素影响，建议临床医师结合AI计算的肺结节增长影响因素确定有效随访时间，以尽早发现肺结节增长并及时采取治疗措施。

关键词: 肺结节, 人工智能, 肺肿瘤, 磨玻璃结节, 随访, 危险因素

Abstract:

Background

Lung cancer ranks first in terms of incidence and mortality rates among cancers, with a 5-year survival rate of less than 20%. Many ways have been used to screen for early lung cancer, among which artificial intelligence (AI) has greatly improved the detection rate. However, how to use AI technologies to effectively manage atypical lung nodules to timely find early lung cancer, and to identify associated factors of lung nodule growth, which is an issue significantly associated with the guidance of clinical management of lung nodules.

Objective

To investigate the influencing factors of pulmonary nodules growth identified by AI-based follow-up and relevant clinical value.

Methods

A total of 175 patients with pulmonary nodules admitted to the Third Affiliated Hospital of Jinzhou Medical University in April 2019 were selected for a retrospective study. General clinical data, and AI-based analysis of imaging information related to pulmonary nodules was collected. The growth of pulmonary nodules〔solid nodules (in 82 cases) and ground-glass nodules (in 93 cases) classified by AI-based analysis〕 were observed by regular follow-ups. The influencing factors of pulmonary nodules growth were explored by Cox regression analysis.

Results

Patients with solid nodules had higher prevalence of solid components, and mean CT quantitative parameters of nodules than those with ground-glass nodules (P<0.001) . Multivariate Cox regression analysis showed that average diameter〔HR=2.185, 95%CI (1.079, 4.425) , P=0.030〕, volume〔HR=1.001, 95%CI (1.000, 1.001) , P=0.022〕, malignant probability〔HR=2.232, 95%CI (1.036, 4.806) , P=0.040〕and surface signs〔HR=2.125, 95%CI (1.006, 4.489) , P=0.048〕 of the nodule were associated with solid nodular growth. The average diameter〔HR=2.458, 95%CI (1.053, 5.739) , P=0.038〕, volume〔HR=1.001, 95%CI (1.000, 1.002) , P=0.010〕, prevalence of solid components〔HR=1.022, 95%CI (1.002, 1.041) , P=0.030〕, malignant probability〔HR=2.386, 95%CI (1.174, 4.850) , P=0.016〕, surface signs〔HR=3.026, 95%CI (1.492, 6.136) , P=0.002〕, mean CT quantitative parameters〔HR=1.002, 95%CI (1.000, 1.003) , P=0.045〕 of the nodule were associated with the growth of ground-glass nodules.

Conclusion

The growth of pulmonary nodules was affected by many factors, such as original nodule size, mean CT quantitative parameters, presence of surface signs and malignant probability. It is suggested that clinicians determine the effective follow-up time based on the inflencing factors of pulmonary nodules growth identified by AI technologies, so as to detect the growth of pulmonary nodules as soon as possible and deliver treatment measures timely.

Key words: Pulmonary nodule, artificial intelligence, Lung neoplasms, Ground glass nodule, Follow-up, Risk factors

吴久纯,李甜,李晓东,等. 基于人工智能随访预测肺结节增长的影响因素研究[J]. 中国全科医学, 2022, 25(17): 2115-2120. DOI: 10.12114/j.issn.1007-9572.2022.0005.
Jiuchun WU,Tian LI,Xiaodong LI, et al. Inflencing Factors for Pulmonary Nodular Growth Predicted by Artificial Intelligence-based Follow-up[J]. Chinese General Practice, 2022, 25(17): 2115-2120. DOI: 10.12114/j.issn.1007-9572.2022.0005.

图/表 5

参考文献 26

[1]	CRUICKSHANK A，STIELER G，AMEER F. Evaluation of the solitary pulmonary nodule[J]. Intern Med J，2019，49（3）：306-315. DOI：10.1111/imj.14219.
[2]	杨锋，樊军，田周俊逸，等. 人群肺亚实性结节CT筛查及人工智能应用研究初探[J]. 中华胸心血管外科杂志，2020，36（3）：145-150. DOI：10.3760/cma.j.cn112434-20191126-00420.
[3]	中华医学会呼吸病学分会肺癌学组，中国肺癌防治联盟专家组.肺结节诊治中国专家共识（2018年版）[J]. 中华结核和呼吸杂志，2018，41（10）：763-771. DOI：10.3760/cma.j.issn.1001-0939.2018.10.004.
[4]	盛林丽.基于人工智能CT定量参数预测肺纯磨玻璃结节生长趋势的临床研究[D]. 昆明：昆明医科大学，2021.
[5]	李欣菱，王颖. 人工智能在肺结节检测与诊断中的应用及发展[J]. 新发传染病电子杂志，2019，4（3）：185-189. DOI：10.19871/j.cnki.xfcrbzz.2019.03.014.
[6]	马景旭，陈欢，王红. 分析肺部影像人工智能诊断系统鉴别诊断肺结节性质[J]. 临床肺科杂志，2021，26（6）：842-846.
[7]	刘娜，赵正凯，邹佳瑜，等. 基于人工智能的胸部CT肺结节检出及良恶性诊断效能评估[J]. CT理论与应用研究，2021，30（6）：709-715. DOI：10.15953/j.1004-4140.2021.30.06.06.
[8]	曹孟昆，姜杰，朱晓雷，等. 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[J]. 中国胸心血管外科临床杂志，2021，28（3）：283-287.
[9]	尹泚，毛文杰，李斌，等. 人工智能系统在肺结节检出及良恶性鉴别中的应用研究[J]. 中华胸心血管外科杂志，2020，36（9）：553-556. DOI：10.3760/cma.j.cn112434-20200817-00375.
[10]	BIANCHI J，RUELLAS A，PRIETO J C，et al. Decision support systems in temporomandibular joint osteoarthritis：a review of data science and artificial intelligence applications[J]. Seminars in Orthodontics，2021，27（2）：78-86.
[11]	中华医学会放射学分会心胸学组. 低剂量螺旋CT肺癌筛查专家共识[J]. 中华放射学杂志，2015，9（5）：328-335.
[12]	GODOY M C B，ODISIO E G L C，TRUONG M T，et al. Pulmonary nodule management in lung cancer screening：a pictorial review of lung-rads version 1.0[J]. Radiol Clin North Am，2018，56（3）：353-363.
[13]	RODRIGUEZ-RUIZ A，LÅNG K，GUBERN-MERIDA A，et al. Stand-alone artificial intelligence for breast cancer detection in mammography：comparison with 101 radiologists[J]. J Natl Cancer Inst，2019，111（9）：916-922. DOI：10.1093/jnci/djy222.
[14]	KAPOOR R，WALTERS S P，AL-ASWAD L A. The Current state of artificial intelligence in ophthalmology[J]. Surv Ophthalmol，2019，64（2）：233-240. DOI：10.1016/j.survophthal.2018.09.002.
[15]	李甜，李晓东，刘敬禹. 人工智能辅助诊断肺结节的临床价值研究[J]. 中国全科医学，2020，23（7）：828-831，836. DOI：10.12114/j.issn.1007-9572.2020.00.052.
[16]	QI L L，WU B T，TANG W，et al. Long-term follow-up of persistent pulmonary pure ground-glass nodules with deep learning-assisted nodule segmentation. [J]. Eur Radiol，2020，30（2）：744-755. DOI：10.1007/s00330-019-06344-z.
[17]	NASRULLAH N，SANG J，ALAM M S，et al. Automated lung nodule detection and classification using deep learning combined with multiple strategies[J]. Sensors （Basel），2019，19（17）：3722. DOI：10.3390/s19173722.
[18]	范卫杰，张冬. 影像组学及深度学习在肺结节良恶性鉴别诊断中的新理念[J]. 中华肺部疾病杂志：电子版，2021，14（5）：549-553.
[19]	张晓菊.《肺结节诊治中国专家共识（2018版）》解读[J]. 中华实用诊断与治疗杂志，2019，33（1）：1-3.
[20]	蔡雅倩，张正华，韩丹，等. AI对肺磨玻璃结节筛查及定性的临床应用研究[J]. 放射学实践，2019，34（9）：958-962. DOI：10.13609/j.cnki.1000-0313.2019.09.005.
[21]	LIN Y H，HSU H S. Ground glass opacity on chest CT scans from screening to treatment：a literature review[J]. J Chin Med Assoc，2020，83（10）：887-890. DOI：10.1097/JCMA.0000000000000394.
[22]	张正华，周小君，韩丹，等. 基于AI对磨玻璃密度早期肺癌浸润相关因素Logistic回归分析[J]. 临床放射学杂志，2020，39（10）：2120-2123. DOI：10.13437/j.cnki.jcr.2020.10.045.
[23]	王璐，洪群英. 肺结节诊治中国专家共识（2018年版）解读[J]. 中国实用内科杂志，2019，39（5）：440-442. DOI：10.19538/j.nk2019050111.
[24]	LOVERDOS K，FOTIADIS A，KONTOGIANNI C，et al. Lung nodules：a comprehensive review on current approach and management[J]. Ann Thorac Med，2019，14（4）：226-238. DOI：10.4103/atm.ATM_110_19.
[25]	ATHER S，KADIR T，GLEESON F. Artificial intelligence and radiomics in pulmonary nodule management：current status and future applications[J]. Clin Radiol，2020，75（1）：13-19. DOI：10.1016/j.crad.2019.04.017.
[26]	张世佳，赵静，任胜祥，等. 生物标记物应用于肺癌早期诊断和筛查研究进展[J]. 中华健康管理学杂志，2017，11（4）：383-387. DOI：10.3760/cma.j.issn.1674-0815.2017.04.018.

项目	例数	年龄（±s，岁）	性别〔n（%）〕		吸烟史〔n（%）〕		癌症家族史〔n（%）〕		结节单、多发〔n（%）〕		结节平均直径（±s，cm）	结节体积（±s，mm³）	实性占比（±s，%）
项目	例数	年龄（±s，岁）	男	女	有	无	有	无	单发	多发	结节平均直径（±s，cm）	结节体积（±s，mm³）	实性占比（±s，%）
实性结节组	82	54.7±12.9	46（56.1）	36（43.9）	33（40.2）	49（59.8）	30（36.6）	52（63.4）	28（34.1）	54（65.9）	1.1±0.5	881.2±460.5	91.0±11.3
GGN组	93	55.6±11.6	57（61.3）	36（38.7）	31（33.3）	62（66.7）	33（35.5）	60（64.5）	32（34.4）	61（65.6）	1.2±0.5	793.0±456.5	21.8±19.7
检验统计量值		-0.496^a	0.485		0.897		0.120		0.001		-0.327^a	1.271^a	28.360^a
P值		0.621	0.486		0.344		0.729		0.971		0.744	0.206	<0.001
项目	结节部位〔n（%）〕					恶性概率〔n（%）〕		表面征象〔n（%）〕		平均CT值（±s，HU）	偏度〔M（P ₂₅，P ₇₅）〕	峰度（±s）
项目	右肺上叶	右肺中叶	右肺下叶	左肺上叶	左肺下叶	中危	高危	有	无	平均CT值（±s，HU）	偏度〔M（P ₂₅，P ₇₅）〕	峰度（±s）
实性结节组	22（26.8）	11（13.4）	16（19.5）	25（30.5）	8（9.8）	40（48.8）	42（51.2）	40（48.8）	42（51.2）	-222.8±216.8	0.6（-0.1，1.4）	2.3±0.7
GGN组	35（37.6）	8（8.6）	12（12.9）	26（28.0）	12（12.9）	44（47.3）	49（52.7）	45（48.4）	48（51.6）	-600.2±191.1	0.3（-0.1，1.1）	2.3±0.8
检验统计量值	4.155					0.038		0.003		12.239^a	1.285^b	-0.639^a
P值	0.385					0.846		0.959		<0.001	0.201	0.524

项目	例数	年龄（±s，岁）	性别〔n（%）〕		吸烟史〔n（%）〕		癌症家族史〔n（%）〕		结节单、多发〔n（%）〕		结节平均直径（±s，cm）	结节体积（±s，mm³）	实性占比（±s，%）
项目	例数	年龄（±s，岁）	男	女	有	无	有	无	单发	多发	结节平均直径（±s，cm）	结节体积（±s，mm³）	实性占比（±s，%）
实性结节组	82	54.7±12.9	46（56.1）	36（43.9）	33（40.2）	49（59.8）	30（36.6）	52（63.4）	28（34.1）	54（65.9）	1.1±0.5	881.2±460.5	91.0±11.3
GGN组	93	55.6±11.6	57（61.3）	36（38.7）	31（33.3）	62（66.7）	33（35.5）	60（64.5）	32（34.4）	61（65.6）	1.2±0.5	793.0±456.5	21.8±19.7
检验统计量值		-0.496^a	0.485		0.897		0.120		0.001		-0.327^a	1.271^a	28.360^a
P值		0.621	0.486		0.344		0.729		0.971		0.744	0.206	<0.001
项目	结节部位〔n（%）〕					恶性概率〔n（%）〕		表面征象〔n（%）〕		平均CT值（±s，HU）	偏度〔M（P ₂₅，P ₇₅）〕	峰度（±s）
项目	右肺上叶	右肺中叶	右肺下叶	左肺上叶	左肺下叶	中危	高危	有	无	平均CT值（±s，HU）	偏度〔M（P ₂₅，P ₇₅）〕	峰度（±s）
实性结节组	22（26.8）	11（13.4）	16（19.5）	25（30.5）	8（9.8）	40（48.8）	42（51.2）	40（48.8）	42（51.2）	-222.8±216.8	0.6（-0.1，1.4）	2.3±0.7
GGN组	35（37.6）	8（8.6）	12（12.9）	26（28.0）	12（12.9）	44（47.3）	49（52.7）	45（48.4）	48（51.6）	-600.2±191.1	0.3（-0.1，1.1）	2.3±0.8
检验统计量值	4.155					0.038		0.003		12.239^a	1.285^b	-0.639^a
P值	0.385					0.846		0.959		<0.001	0.201	0.524

变量	赋值
肺结节增长	增长=1，无增长=0
年龄	实测值
性别	男=1，女=0
吸烟史	有=1，无=0
癌症家族史	有=1，无=0
结节类型	多发=1，单发=0
结节平均直径	实测值
结节体积	实测值
实性占比	实测值
结节部位	右肺上叶=1，右肺中叶=2，右肺下叶=3，左肺上叶=4，左肺下叶=5
恶性概率	高危=1，中危=0
表面征象	有=1，无=0
平均CT值	实测值
偏度	实测值
峰度	实测值

变量	赋值
肺结节增长	增长=1，无增长=0
年龄	实测值
性别	男=1，女=0
吸烟史	有=1，无=0
癌症家族史	有=1，无=0
结节类型	多发=1，单发=0
结节平均直径	实测值
结节体积	实测值
实性占比	实测值
结节部位	右肺上叶=1，右肺中叶=2，右肺下叶=3，左肺上叶=4，左肺下叶=5
恶性概率	高危=1，中危=0
表面征象	有=1，无=0
平均CT值	实测值
偏度	实测值
峰度	实测值

变量	单因素Cox比例风险回归分析		多因素Cox比例风险回归分析
变量	HR（95%CI）	P值	HR（95%CI）	P值
年龄	1.016（0.989，1.043）	0.250	—	—
性别	0.759（0.380，1.516）	0.434	—	—
吸烟史	1.863（0.949，3.659）	0.071	—	—
癌症家族史	2.228（1.134，4.381）	0.020	—	—
结节数目	1.088（0.530，2.233）	0.817	—	—
结节平均直径	4.059（2.282，7.218）	<0.001	2.185（1.079，4.425）	0.030
结节体积	1.001（1.001，1.002）	<0.001	1.001（1.000，1.001）	0.022
实性占比	0.987（0.958，1.017）	0.391	—	—
结节部位	1.047（0.817，1.341）	0.717	—	—
恶性概率	2.559（1.245，5.260）	0.011	2.232（1.036，4.806）	0.040
表面征象	2.781（1.354，5.715）	0.005	2.125（1.006，4.489）	0.048
平均CT值	1.000（0.999，1.002）	0.679	—	—
偏度	0.962（0.693，1.334）	0.816	—	—
峰度	1.035（0.655，1.633）	0.884	—	—

基于人工智能随访预测肺结节增长的影响因素研究

Inflencing Factors for Pulmonary Nodular Growth Predicted by Artificial Intelligence-based Follow-up

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 26

相关文章 15

编辑推荐

Metrics

留言

[1]	刘伟娜, 葛海燕, 马静, 曹琴英, 白星宇, 崔士芳, 乔彦霞. 脐血维生素A和维生素E水平与早产儿发生呼吸窘迫综合征的关系研究[J]. 中国全科医学, 2023, 26(33): 4152-4158.
[2]	李纪新, 邱林杰, 任燕, 王文茹, 李美洁, 张晋. 膳食炎症指数与超重和肥胖及腹型肥胖关系的Meta分析[J]. 中国全科医学, 2023, 26(32): 4089-4097.
[3]	马丽媛, 王增武, 樊静, 胡盛寿. 《中国心血管健康与疾病报告2022》要点解读[J]. 中国全科医学, 2023, 26(32): 3975-3994.
[4]	李雨荆, 晋一超, 陈醒, 嵇梦颖, 戴辉华. 服用他莫昔芬的乳腺癌患者宫腔镜检出子宫内膜病变的危险因素研究[J]. 中国全科医学, 2023, 26(32): 4026-4030.
[5]	程晓冉, 张笑天, 李明月, 程昊哲, 汤皓晴, 郑汇娴, 张柏松, 刘晓云. 医防融合背景下慢性病随访对高血压和糖尿病患者健康行为及血压/血糖控制的影响研究[J]. 中国全科医学, 2023, 26(28): 3482-3488.
[6]	任园园, 程功, 蒋红英, 王依阳, 陈亮, 赵慧, 梁宸源. 冠心病患者冠状动脉钙化及其严重程度的影响因素研究[J]. 中国全科医学, 2023, 26(24): 2980-2985.
[7]	何满兰, 袁萍, 何磊, 陈璐. 神经源性膀胱患者尿路感染危险因素的Meta分析[J]. 中国全科医学, 2023, 26(21): 2659-2665.
[8]	陈龙, 曾凯, 李莎, 陶璐, 梁玮, 王皓岑, 杨如美. 人工智能算法偏见与健康不公平的成因与对策分析[J]. 中国全科医学, 2023, 26(19): 2423-2427.
[9]	郭天赐, 陈继鑫, 余伟杰, 刘爱峰. 人工智能在骨关节炎诊疗中的应用进展[J]. 中国全科医学, 2023, 26(19): 2428-2433.
[10]	奉水东, 李君艳, 邓蜀湘, 陈立谋, 曹梦悦, 唐艳, 唐鹏, 刘俊, 沈敏学, 杨飞. 矿区空气污染物暴露与中老年人血脂异常的相关性研究[J]. 中国全科医学, 2023, 26(18): 2238-2244.
[11]	马勇, 高伟波, 朱继红. 细菌性肝脓肿患者发生血小板减少影响因素研究[J]. 中国全科医学, 2023, 26(17): 2120-2124.
[12]	沈惠文, 林永忠, 陈淑良, 张立红, 马春野, 马得原, 张策. 基于人工智能算法的脑卒中溶栓药物精准治疗：真实世界研究[J]. 中国全科医学, 2023, 26(17): 2070-2077,2088.
[13]	薛婧如, 孙素真. 儿童肺炎支原体脑炎的临床特征及预后不良危险因素分析[J]. 中国全科医学, 2023, 26(17): 2125-2131.
[14]	王海, 王卓莉, 裴红红, 潘龙飞. 西安市2021—2022年跨年期间新型冠状病毒感染重症病例的危险因素分析及预测指标研究[J]. 中国全科医学, 2023, 26(17): 2132-2137.
[15]	沈傲梅, 路潜, 符鑫, 韦小夏, 卞静如, 张丽媛, 强万敏, 庞冬. 基于前瞻性队列研究的Meta分析构建乳腺癌相关淋巴水肿风险预测模型研究[J]. 中国全科医学, 2023, 26(17): 2078-2088.