European Radiology:计算机辅助诊断在肺癌CT筛查中的Lung-RADS分类应用

现阶段，低剂量CT进行肺癌筛查已越来越多的被临床所接受，并广泛应用于临床实践中。为规范肺结节的分类及描述，临床上引入了肺部影像报告和数据系统（Lung-RADS）以协助影像科医生对肺结节的判读。Lung-RADS分类主要由结节大小、结节类型和生长情况决定，每个评估方面都会产生阅读者之间的差异性。先前的一项研究发现，低剂量CT上结节类型的成对观察者间一致性只能达到中等的（平均Cohen's kappa，0.51）。考虑到每个分类等级的大小标准边界十分严格，特别是在第3类，Lung-RADS分类也可能受制于读卡器之间的变异而产生误差。

为了减少阅读者之间的差异和判析上的不同，可以使用自动分割工具对肺结节进行Lung-RADS分类。医学影像深度学习应用的最新进展超越了简单的结节检测，实现了结节的自动分割、分类和测量，并对其恶性风险进行评估，这种系统被称为计算机辅助诊断（CAD）。

近日，发表在European Radiology杂志的一项研究评估了CAD在肺部RADS分类中阅读者间一致性的影响，为肺结节的自动检测及风险评估提供了保障，为提高影像判析的一致性提供了参考依据。

从国家肺癌筛查试验中随机抽取了200张涵盖所有肺部Lung-RADS类别的基线CT扫描。五位放射科医生独立审查了CT图像，并分配了无CAD和有CAD的Lung-RADS类别。CAD系统显示了最多五个最具有风险优势的结节的测量结果和预测的Lung-RADS类别。使用多因素Fleiss κ统计分析了阅读者之间的一致性。 

五位阅读者报告了139-151个无CAD的阴性筛查结果和126-142个有CAD的结果。在有CAD的情况下，阅读者倾向于将Lung-RADS类别上移（平均12.3%）而不是下移（平均4.4%）。在没有CAD的情况下，五位阅读者对肺部RADS分类的意见一致（Fleiss kappa，0.60[95%置信区间，0.57，0.63]），而在有CAD的情况下，意见一致程度有很大程度的提高（Fleiss kappa，0.65[95% CI，0.63，0.68]）。分歧的主要原因是在无CAD和有CAD的阅读环节中分配不同的风险主导结节（54.2% [201/371] vs. 63.6% [232/365]）。使用CAD后，结节大小测量的分歧比例从5.1%（102/2000）降至3.1%（62/2000）（P < 0.001）。在31个肺癌阳性病例中，应用CAD后，阅读者对之间的实质性差异（1/2类与4A/B类）降低（集合敏感性，85.2%与91.6%；P = 0.004）。 

图 a, b 轴位和冠状位CT图像显示左上叶约18.8毫米的纤维结节。在第1次评估中，只有读者4选择了这个病变作为风险主导的结节，并将其归为肺部RADS 4B类。读者1和2选择其他小结节为风险主导结节（c，d），读者3和5没有选择任何结节。由于CAD选择了与读者4相同的病变，读者1和5遵循CAD的结果。然而，即使有了CAD的标记，读者2也选择了与第1次评估相同的结节，而读者3仍然没有选择任何结节作为风险主导的结节。根据这些结果，我们推测一些读者认为这种纤维结节不构成 "结节"，尽管有一位读者在没有CAD结果的情况下将这种病变视为结节。CAD：计算机辅助诊断；Lung-RADS：肺部成像报告和数据系统。

综上所述，CAD的应用表明在Lung-RADS类别中，阅读者之间的一致性有所提高，同时在肺癌阳性病例中显示出测量变异性的减少，并可进一步提高临床对肺结节诊治的规范化程度。

原文出处:

Sohee Park,Hyunho Park,Sang Min Lee,et al.Application of computer-aided diagnosis for Lung-RADS categorization in CT screening for lung cancer: effect on inter-reader agreement

.DOI:10.1007/s00330-021-08202-3