0引言
肺癌是全球和国内发病率和死亡率均名列前茅的晚期癌症。计算机断层扫描（CT）通常用于初步筛查，以发现能够降低肺癌发病率和死亡率的T1肺癌病变[1]。随着时间的推移，在不同人群的运用CT扫描率显著提高，CT检查中发现了许多早期病灶，如实性结节、部分实性结节和磨玻璃密度结节（Ground-glassnodule, GGN）等。如何在大量与立体影像有所关联的数据中区分T1肺癌病灶，已然成为立体影像和医生的新课题[2-3]。重点和难点在于人工智能在结节初筛中的应用，或许能更有效地帮助解决这一问题[4]。在本研究中，将选用人工智能和机器人工具软件对40例诊断为肺癌的T1期肺癌患者的CT扫描进行反复读取，并全方位评估人工智能和机器人技术在诊断早期肺癌中对图像数据的准确性。
1资料与方法
1.1一般资料
研究对象2021年1月至2021年12月40例为T1期肺癌患者，其中对照组、观察组的患者男/女比例为26/14（65.00%/35.00%），26/14（65.00%/35.00%）；年龄为30~75岁，平均（52.51±4.19）岁，30~75岁，平均（52.96±4.25）岁。一般资料对比差异不大（P>0.05）。
纳入标准：手术病理的T1期肺癌病灶的诊断标准如下：三维肺部CT图像显示直径1 cm<结节直径<3 cm的结节被肺层胸膜包围，不累及近端肺叶支气管的末端位置，组织病理学证实为肺部良性肿瘤。
排除标准：未经手术治疗的结节病理检查结果；组织病理学提示转移性肿瘤。
1.2方法
CT检查：患者仰卧位，头靠前，以胸骨柄为定位中心，患者调整呼吸，屏气；进行胸部计算机断层扫描系统并调整与检查有所关联的参数：电压和电流100 mA，电压和电流120 kV，距离水平5 mm，层厚5 mm，矢量空间512×512，螺距0.993，范围从尖端上方开始肺高于横膈膜；发现病变组织后，进行亚靶向治疗予以扫描系统，扫描相关参数：电压电流260 mA，电压电流120 kV，水平距离1 mm，层厚1 mm，向量空间保持不变，速率设置为1.375。
添加人工智能标记：通过采用标记工具软件在T1期肺癌胸部CT片上添加人工特殊标记。标记人员通常为具备10年以上呼吸内科及重症监护及以上经验的主治医师，结合术后病理结果和术前三维影像的详细报告，对鼻腔各较深层次CT片上，顺着病灶边缘的咽癌结节非常清晰地标示。
肺癌结节识别的外部特征及其分类方法：学习深度神经网络技术对比，早期和后期人工智能和机器人系统为人工标出的分别为1 mm和5 mm层厚的CT图像实施训练，对肺癌结节实施特征分类。
1.3效果判定
参考95%目标特异性和灵敏度的结合，借助人工智能和机器人进行阅读测试，重复阅读2次后评估相对稳定性。并从胸科挑选具备10年以上呼吸系统阅片经验的功能主治医师5名及以上。选择随机双盲法读片40例，比较两种具体读片方法的特异性和敏感性，评价人工智能和机器人软件检测肺小结节的标准化程度。
1.4统计学方法
使用SPSS 22.0统计学软件处理数据，计量资料用（x̄±s）表示，采用t检验，计数资料用（%）表示，采用
检验，P<0.05表示差异有统计学意义。
2结果
2.1分析人工智能诊断准确性
人工智能诊断的符合率、敏感度、特异度分别为97.50%（39/40）、0%（0/1）、94.87%（37/39）。
2.2分析人工读片准确性
以手术病理检验结果为金标准分析人工读片的符合率、敏感度、特异度分别为100.00%（40/40）、100.00%（1/1）、100.00%（39/39）。
表2 分析人工读片准确性（n）
2.3对比人工读片与人工智能结果的差异性
诊断符合率、敏感度、特异度对比，人工读片均高于人工智能，差异有统计学意义（P<0.05），见表3。
2.4对比患者对两种诊断方式的诊断满意度
诊断总满意度对比，人工读片高于人工智能，差异有统计学意义（P<0.05），见表4。
3讨论
肺癌是目前世界上和国内发病率和死亡率最低的晚期癌症。世界各国每年新增约60万肺癌患者[5]。CT筛查有助于早期发现肺癌，可降低肺癌发病率和死亡率20%。胸部低剂量螺旋CT这一具体概念最早在20世纪90年代初被提及，随即应用于肺癌筛查中的BA，但逐渐淡出人们的视野，已然成为体检项目的比较。目前，我国建议40岁以上或有长期吸烟史的肺癌高危人群每年至少进行二次胸部CT初步扫描[6]。CT图像的诊断工作，T1肺癌主要表现为结节，体积小，颜色饱和度低，形状和大小高度异质性。目前，大部分医院临床诊断最好采取使用较传统的人工方式或结合CAD辅助读片进行。一方面，初步筛选工作由临床医生和专门从事立体成像的医师手动完成。光是每个人的胸部CT显示影像就至少有100多张，极精细水平的扫描系统还有600多张，工作量巨大，比较容易漏诊延误治疗。但随着时间的推移，体检的人数不断提高，加上人工处理的具体方式，使其根本无法胜任这一项任务[7]。
近年来，开发了多种用于结节CT筛查的计算机辅助诊断（CAD）检索系统，可能公开的代表性检索系统有ISICAD和SubsolidCAD，规模较大的CAD、ETROCAD等。这些CAD检索系统都是根据计算机视觉技术的传统最小二乘法，借助软件检测结节。目前，一方面应用于呼吸系统大、中型结节的初步筛查。如果没有初步筛查的特异性和敏感性较低的具体情况[8-9]。近十年来，市场开始研究人工智能应用于医疗保健行业的诊断，现阶段未能逐步形成与行业有所关联关系的技术标准，并且得到推广。随着时间的推移人工智能和机器人的发展，从某种角度来说，对于早期的肺部小结节，借助人工智能逐步形成的最小二乘法，能够帮助专业医生看片，这是未来发展的趋势[10]。
人工智能通常被称为智能机器，是指以人造机器的性能表现出来的人工智能，其中包含构建类人甚至超人的逻辑思维、计算机知识、规划设计、学习、相互交流、感觉、物体、借助使用实用工具和设计操纵机制的潜力等[11-12]。随着时间的推移计算机科学技术的发展，人工智能技术的发展以及神经网络模型技术和全方位成熟，由医学临床专家开发新的康复系统已经成为现实。目前，肺结节CT在图像上显示出错综复杂，医生依靠胶片读数的化学分析进行初步筛查诊断，具备较大的主观意识，而AI识别技术常用于获取各种相关参数聚类分析进而帮助主治医师初步筛查T1肺癌。相关研究表明，借助深度神经网络技术借助线性处理、逻辑思维能力、强大的先验记忆功能以及预测事件发展的潜力，改变了医疗行业进行深度神经网络能够帮助智能生物解决问题，减少错误，进一步提高能够解决问题的工作效率[13-14]。借助本次研究的内容，发现人工智能识别技术最适合阅读图像。
本研究的内容是确定肺癌患者术后CT采集，然后结合术后病理结果和术前CT影像的详细报告，非常准确地发现肺癌病灶组织，然后选用标记工具分析肺癌结果的软件。顺着结节边缘的位置被非常精确地描绘，这确保了学习集中的HBsAb金标准。研究结果始终表明，借助人工智能和机器人阅读40例胸部CT，与10名具备10年以上胸部CT阅片经验的资深主治医师相比，T1肺癌筛查的敏感性低于人工读片，而AI识别技术的特异性明显低于人工读片。但AI识别技术比对读片的总时间明显少于人工读片。这表明人工智能识别技术选用深度神经网络来从旁协助主治医师阅读医学图像中的CT扫描图。能够将更多的时间花在创造性的临床医学研究上，进一步提升T1肺癌的敏感性。软件肺癌结节检出率与人工的读片相似，两者相对比较无显著差异，人工智能和机器人对肺癌结节的检出数量优于手读切片，灵敏度更高，但数量较少，因为有经验的看片人不一定能把T1肺癌的征兆表现典型T1肺癌，特别是小于1 cm的病灶组织，更容易漏诊。未来我们将继续加大样本量，借助人工智能和机器人自动禁用身体特征学习，进一步提高人工智能和机器人筛选的特异性。本项目对比的人工智能能够达到30 mm/s的读取速度，平均10 s就能够完成一次读取，进一步节省了读取时间。但我们相信，借助人工智能和机器人自动关闭和学习早期肺癌的胸部CT显示影像，能够在识别T1肺癌方面达到较高的灵敏度和特异性，如果辅助专业医生的话在诊断方面，减少专业医生的工作量。未来人工智能训练样本的不断提高，初步筛选率和数据的准确率也将不断提高。下一步，将其导入美国中央大学国家综合癌症网络（NCCN）指南。可见，针对结节的物理特性，强烈推荐药物治疗。将机器人的人工智能和三维图形嵌入人工智能中，并计划使其与PACS成像功能对接可连接，运用到临床。
综上所述，借助人工智能和机器人自动学习T1期肺癌胸部CT显示图像，对于T1期肺癌的早期识别能够达到较高的灵敏度和特异性，能够帮助专业医生进行诊断。
参考文献
[1]冯时,滕晓东.人工智能在肺癌病理精准诊断中的研究进展[J].中国胸心血管外科临床杂志,2021,28(5):592-596.
[2]杨利莉,汪芳,王泽润,等.基于人工智能对非小细胞肺癌影像T分期与病理T分期的对照研究[J].宁夏医学杂志,2021,43(9):782-784.
[3]张镇健.肺癌分子标记物在病理诊断及临床治疗中的应用价值[J].医学信息,2021,34(1):142-143.
[4]周小君,马玲,盛林丽,等.人工智能量化参数预测磨玻璃结节早期肺癌浸润性的临床初探[J].实用放射学杂志,2021,37(3):388-391.
[5]董来东,黄果.基于CT影像的人工智能辅助诊断系统对4771例肺癌诊断价值的系统评价与Meta分析[J].中国胸心血管外科临床杂志,2021,28(10):1183-1191.
[6]刘琨,张明洋,李浩然,等.人工智能技术在泌尿系统肿瘤诊断中的研究现状及展望[J].生物医学工程学杂志,2021,38(6):1219-1228.
[7]张佳彬,王慧娟,黄伟年,等.人工智能自动识别图像功能在诊断新生儿肺部疾病中的应用研究[J].影像研究与医学应用,2021,5(3):251-252,256.
[8]毛卫霞,任聪云,李少臻,等.人工智能联合低剂量肺部CT扫描在肺原位癌筛查中的诊断价值[J].中国医学装备,2021,18(12):45-48.
[9]潘雅婷,廖心怡,于观贞.人工智能在肿瘤病理诊断及临床决策中的展望[J].第二军医大学学报,2021,42(10):1168-1174.
[10]魏宁,蔺瑞江,马敏杰,等.人工智能辅助诊断系统影像学微特征与磨玻璃结节样肺腺癌预后的关系[J].肿瘤防治研究,2021,48(9):877-882.
[11]陈凯玲,王文平.基于超声影像的人工智能在肝脏局灶性病变中的研究进展[J].中华超声影像学杂志,2021,30(9):824-828.
[12]张宝忠.人工智能肺结节筛查在肺癌高危人群中应用价值研究[J].系统医学,2021,6(2):59-61,80.
[13]徐涑珅.人工智能三维重建在肺小结节单孔胸腔镜肺段精准切除定位中的价值[J].医学信息,2021,34(2):135-137.
[14]黄颖敏,陈智毅.人工智能技术在乳腺疾病超声诊断中的新应用与思考[J].广东医学,2021,42(2):170-174.
