基于AI定量检测pGGN体积与质量并预测其生长规律

作者：梁媛; 都丽娜; 伍建林^*

来源：临床放射学杂志, 2022, 41(10): 1898-1902.

DOI：10.13437/j.cnki.jcr.2022.10.038

• 人工智能(AI)
• 肺纯磨玻璃结节
• 体积
• 质量
• X线

目的 利用人工智能(AI)肺结节体积与质量的三维定量检测功能评估持续存在肺纯磨玻璃结节(pGGN)生长速率和探索其自然生长规律。方法 回顾性搜集患者78例，共计141个pGGN;共有510次CT扫描(基线78次、随访432次)纳入本研究。使用基于卷积神经网络“Infervision软件”对基线和所有随访CT扫描的pGGN进行定量检测，包括体积、质量、体积倍增时间(VDT)和质量倍增时间(MDT)。分别利用Kaplan-Meier生存曲线、Wilcoxon秩和检验及Mann-Whitney U检验对比分析不同组别间pGGN生长曲线、VDT和MDT的差异等指标。结果 所有pGGN的平均随访时间为(55.7±30.8)个月。其中生长组63个pGGN、稳定组78个pGGN。随访2、3、5年pGGN的累积生长率分别为23.8%、46%、79.4%。Kaplan-Meier生存分析曲线显示，约50个月时，初始体积≥523.6 mm3组及初始质量≥100 mg组pGGN增长率明显高于初始体积<523.6 mm3组和初始质量<100 mg组。生长组pGGN的中位VDT和MDT(分别为809.67天、784.76天)均明显低于稳定组pGGN(分别为1890.10天、 1601.11天)。生长组pGGN的中位MDT低于VDT;稳定组pGGN的中位MDT也低于VDT。结论 持续存在的pGGN呈惰性生长过程，AI定量检测有助于评估预测其生长规律；通常体积和质量较大的pGGN更可能出现增长，且质量指标(MDT)变化预测价值优于体积指标(VDT)变化。

• 单位
  大连大学附属中山医院