Progress in application of artificial intelligence in diagnosis of multiple pulmonary nodules

doi:10.3877/cma.j.issn.1674-0785.2024.08.014

Abstract

Abstract:

Lung cancer is a malignancy with the highest incidence and mortality rates worldwide，and the early-stage imaging findings of lung cancer are often pulmonary nodules.Multiple pulmonary nodules have attracted great attention due to their increasing detection rate and high specificity.Thus，accurate prediction of the nature of pulmonary nodules is crucial for early diagnosis and treatment of lung cancer.In recent years， there have been great improvements in the diagnosis of pulmonary nodules due to the integration of artificial intelligence （AI） into medical technologies， particularly the application of deep learning， machine learning， and radiomics to analyze and predict the features and nature of pulmonary nodules.These approaches have dramatically enhanced the efficiency and accuracy of early screening for lung cancer， offering important guidance for the diagnosis and treatment of this malignancy.This article reviews the progress in AI application in the diagnosis of pulmonary nodules， especially in multiple pulmonary nodules， and analyzes the current advantages and limitations of AI technology as well as future development directions， aiming to provide new ideas and methods for the diagnosis and treatment of multiple pulmonary nodules.

Key words: Artificial intelligence, Multiple pulmonary nodules, Deep learning, Machine learning, Radiomics

Mingyuan Sun, Heng Chu, Haibin Xu, Zhe Zhang. Progress in application of artificial intelligence in diagnosis of multiple pulmonary nodules[J]. Chinese Journal of Clinicians(Electronic Edition), 2024, 18(08): 787-792.

/ / Recommend

Add to citation manager EndNote|Ris|BibTeX

URL: https://zhlcyszz.cma-cmc.com.cn/EN/10.3877/cma.j.issn.1674-0785.2024.08.014

https://zhlcyszz.cma-cmc.com.cn/EN/Y2024/V18/I08/787

Figures/Tables 1

References 41

1	Bonney A， Malouf R， Marchal C， et al.Impact of low-dose computed tomography （LDCT） screening on lung cancer-related mortality ［J］.Cochrane Db Syst Rev， 2022， 8（8）： CD013829.
2	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.
3	He YT， Zhang YC， Shi GF， et al.Risk factors for pulmonary nodules in north China： A prospective cohort study ［J］.Lung Cancer （Amsterdam，Netherlands）， 2018， 120： 122-129.
4	钟华，姚烽，陈群慧，等.肺部多发结节的诊断和治疗［J］.中华肿瘤杂志， 2023， 45（6）： 455-463.
5	Hattori A， Matsunaga T， Takamochi K， et al.Surgical management of multifocal ground-glass opacities of the lung： correlation of clinicopathologic and radiologic findings ［J］.Thorac Cardiovasc Surg，2017， 65（2）： 142-149.
6	Pan W， Fang X， Zang Z， et al.Diagnostic efficiency of artificial intelligence for pulmonary nodules based on CT scans ［J］.Am J Transl Res， 2023， 15（5）： 3318-3325.
7	Liu P ran， Lu L， Zhang J yao， et al.Application of artificial intelligence in medicine： An overview ［J］.Current Medical Science， 2021， 41（6）：1105-1115.
8	Basu K， Sinha R， Ong A， et al.Artificial intelligence： How is it changing medical sciences and its future？［J］.Indian J Dermatol， 2020，65（5）： 365-370.
9	郑娟，徐兴祥.多发性肺结节的临床研究进展［J］.国际呼吸杂志，2021， 41（24）.
10	Fu F， Zhang Y， Wen Z， et al.Distinct prognostic factors in patients with stage I non-small cell lung cancer with radiologic part-solid or solid lesions ［J］.J Thorac Oncol， 2019， 14（12）： 2133-2142.
11	Callister ME， Baldwin DR， Akram AR， et al.British Thoracic Society guidelines for the investigation and management of pulmonary nodules［J］.Thorax， 2015， 70 Suppl 2： ii1-ii54.
12	Jiang N， Zhang L， Hao Y， et al.Combination of electromagnetic navigation bronchoscopy-guided microwave ablation and thoracoscopic resection： An alternative for treatment of multiple pulmonary nodules ［J］.Thorac Cancer， 2020， 11（6）： 1728-1733.
13	陈丽，徐培，唐丽娜，等.530 例肺结节患者的临床病理特征分析［J］.广西医学， 2021， 43（16）： 1977-1980.
14	颜世锐，许萌.以多发肺结节起病的盖尔森基兴奴卡菌感染一例［J/OL］.中华临床医师杂志（电子版）， 2022， 16（8）： 815-817.
15	Taci H， Söyler Y， Uğurman F， et al.An uncommon cause of multiple pulmonary nodules： pulmonary hyalinizing granuloma ［J］.Hippokratia， 2019， 23（1）： 33-36.
16	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.
17	Marchianò A， Calabrò E， Civelli E， et al.Pulmonary nodules： volume repeatability at multidetector CT lung cancer screening ［J］.Radiology，2009， 251（3）：919-925.
18	Mehta HJ， Ravenel JG， Shaftman SR， et al.The utility of nodule volume in the context of malignancy prediction for small pulmonary nodules ［J］.Chest， 2014， 145（3）：464-472.
19	Yu WS， Hong SR， Lee JG， et al.Three-dimensional ground glass opacity ratio in CT images can predict tumor invasiveness of stage IA lung cancer ［J］.Yonsei Med J， 2016， 57（5）： 1131-1138.
20	Li X， Hu B， Li H， et al.Application of artificial intelligence in the diagnosis of multiple primary lung cancer ［J］.Thorac Cancer， 2019，10（11）： 2168-2174.
21	National Lung Screening Trial Research Team； Aberle DR， Adams AM， Berg CD， et al.Reduced lung-cancer mortality with low-dose computed tomographic screening ［J］.N Engl J Med， 2011， 365（5）：395-409.
22	Armato SG， McLennan G， Bidaut L， et al.The Lung Image Database Consortium （LIDC） and Image Database Resource Initiative （IDRI）：a completed reference database of lung nodules on CT scans ［J］.Med Phys， 2011， 38（2）：915-931.
23	Masood A， Sheng B， Yang P， et al.Automated decision support system for lung cancer detection and classification via enhanced RFCN with multilayer fusion RPN ［J］.IEEE Trans Ind Informat， 2020， 16（12）：7791-7801.
24	Nakaura T， Higaki T， Awai K， et al.A primer for understanding radiology articles about machine learning and deep learning ［J］.Diagn Interv Imaging， 2020， 101（12）： 765-770.
25	Chassagnon G， De Margerie-Mellon C， Vakalopoulou M， et al.Artificial intelligence in lung cancer： current applications and perspectives ［J］.Jpn J Radiol， 2023， 41（3）： 235-244.
26	Peeken JC， Asadpour R， Specht K， et al.MRI-based delta-radiomics predicts pathologic complete response in high-grade soft-tissue sarcoma patients treated with neoadjuvant therapy ［J］.Radiother Oncol， 2021， 164： 73-82.
27	Ma Y， Li J， Xu X， et al.The CT delta-radiomics based machine learning approach in evaluating multiple primary lung adenocarcinoma［J］.BMC Cancer， 2022， 22（1）： 949.
28	Chen K， Nie Y， Park S， et al.Development and validation of machine learning-based model for the prediction of malignancy in multiple pulmonary nodules： Analysis from multicentric cohorts ［J］.Clin Cancer Res， 2021， 27（8）： 2255-2265.
29	Zhang L， Shao Y， Chen G， et al.An artificial intelligence-assisted diagnostic system for the prediction of benignity and malignancy of pulmonary nodules and its practical value for patients with different clinical characteristics ［J］.Front Med （Lausanne）， 2023， 10： 1286433.
30	Lv J， Li J， Liu Y， et al.Artificial intelligence-aided diagnosis software to identify highly suspicious pulmonary nodules ［J］.Front Oncol，2021， 11： 749219.
31	林绍涌，朱先理，魏梁锋，等.ChatGPT 在临床医学实践中的应用进展［J/OL］.中华临床医师杂志（电子版）， 2023， 17（10）： 1113-1116.
32	Liu Q， Lv X， Zhou D， et al.Establishment and validation of multiclassification prediction models for pulmonary nodules based on machine learning ［J］.Clin Respir J， 2024， 18（5）： e13769.
33	Takeshita Y， Onozawa S， Katase S， et al.Evaluation of an artificial intelligence U-net algorithm for pulmonary nodule tracking on chest computed tomography images ［J］.J Int Med Res， 2024， 52（2）：03000605241230033.
34	Fan W， Liu H， Zhang Y， et al.Diagnostic value of artificial intelligence based on computed tomography （CT） density in benign and malignant pulmonary nodules： a retrospective investigation ［J］.Peerj， 2024， 12：e16577.
35	Zhang H， Wang S， Deng Z， et al.Computed tomography-based radiomics machine learning models for prediction of histological invasiveness with sub-centimeter subsolid pulmonary nodules： a retrospective study ［J］.Peerj， 2023， 11： e14559.
36	Mu J， Kuang K， Ao M， et al.Deep learning predicts malignancy and metastasis of solid pulmonary nodules from CT scans ［J］.Frontiers in Medicine， 2023， 10： 1145846.
37	Tang TW， Lin WY， Liang JD， et al.Artificial intelligence aided diagnosis of pulmonary nodules segmentation and feature extraction［J］.Clin Radiol， 2023， 78（6）： 437-443.
38	Zhang K， Wei ZH， Wang X， et al.［The diagnostic value of machinelearning-based model for predicting the malignancy of solid nodules in multiple pulmonary nodules］［J］.Zhonghua Wai Ke Za Zhi， 2022，60（6）： 573-579.
39	Zhang R， Wei Y， Shi F， et al.The diagnostic and prognostic value of radiomics and deep learning technologies for patients with solid pulmonary nodules in chest CT images ［J］.BMC Cancer， 2022，22（1）： 1118.
40	Ge Z， Sahiner B， Chan HP， et al.Computer-aided detection of lung nodules： false positive reduction using a 3D gradient field method and 3D ellipsoid fitting ［J］.Med Phys， 2005， 32（8）： 2443-2454.
41	Coppini G， Diciotti S， Falchini M， et al.Neural networks for computeraided diagnosis： detection of lung nodules in chest radiograms ［J］.IEEE Trans Inf Technol Biomed， 2003， 7（4）： 344-357.

作者	年份	结节类型	AI工具	目的	样本	结果
Qiao Liu等^［32］	2024	-	机器学习	建立基于机器学习的新型多分类预测模型来预测肺结节恶性肿瘤的概率	914名患者	RF模型对ML、PL和BL模型的AUC值分别为0.80、0.90和0.75
Yuhei Takeshita等^［33］	2024	-	U-net模型	验证人工智能对肺结节进行自动跟踪的可行性	40例患者共49个肺结节	随访CT检查368次，每次评估的成功率为94%，逐个结节评估的成功率为78%
Wei Fan等^［34］	2024	-	深度学习	人工智能CT密度检测和处理肺良恶性结节中的诊断价值	130名患者226个肺结节	人工智能识别肺结节的敏感性为94.69%，识别高危结节的敏感性为95.40%，特异性为75%。
Haochuan Zhang等^［35］	2023	亚厘米亚实性结节	LR&SVM&XGBoost	预测亚厘米亚实性肺结节的组织学侵袭性	177名患者，203个结节	LR训练集AUC=0.743（0.6610.824）；测试集AUC=0.803（0.694～0.913）
						SVM训练集AUC=0.828（0.760.896）；测试集AUC=0.726（0.598～0.854）
						XGBoost训练集AUC=0.917（0.8690.965）；测试集AUC=0.874（0.776～0.972）
Junhao Mu等^［36］	2023	实性结节	深度学习	预测肺实性结节的恶性和转移	1571例	预测恶性肿瘤AUC=80.37%
Junhao Mu等^［36］	2023	实性结节	深度学习	预测肺实性结节的恶性和转移	1571例	预测转移AUC=86.44%
T.-W.Tang等^［37］	2023	-	NoduleNet深度学习模型	结合深度学习模型建立基于lung-rads标准的肺结节诊断流程	1186个结节	总体诊断准确率为0.75
Lichuan Zhang等^［29］	2023	单发	深度学习	探讨人工智能辅助诊断系统在肺结节预测中的价值	260例	人工智能预测准确率为77.57%，敏感性为89.60%，特异性为48.28%。
Wei Pan等^［6］	2023	-	人工智能	探讨人工智能在CT扫描中诊断肺结节的准确性	309名患者的360个结节	人工智能诊断肺结节的准确率为81.94%，漏诊率为15.14%，误诊率为24.77%，真阴性率为75.23%
Yanqing Ma等^［27］	2022	单发和多发	CT delta-放射组学	评估多发性原发性肺腺癌（MPLA）和孤立性原发性肺腺癌（SPLA）之间的差异	1094例患者，含268例MPLA和826例SPLA	A组随访间隔3～12个月，105例MPLA vs 145例SPLA）训练集AUC为0.972（95%CI：0.951～0.989），测试集AUC为0.798（95%CI：0.704～0.892）
						B组（随访间隔13～24个月，68例MPLA vs. 96例SPLA）训练集AUC为0.989（95%CI：0.978～0.997），测试集AUC为0.821（95%CI：0.708～0.915）
						C组（随访间隔25～48个月，52例MPLA vs 79例SPLA）训练集AUC为0.998（95%CI：0.993～1.000），测试集AUC为0.853（95%CI：0.752～0.940）
Zhang Kai等^［38］	2022	多发	PKUML模型	评估模型判定MPN性质的效力	287名患者，446个实结节	AUC=0.883（95%CI：0.849～0.917），敏感度为74.2%，特异度为88.6%（阈值0.541）Cindex=0.883
Rui Zhang等^［39］	2022	实性结节	CNN&RF	评估放射组学和深度学习技术对实性肺结节的诊断	720个实性肺结节	CNN模型AUC=0.819（95%CI：0.760～0.877），敏感性0.778，特异性0.788，准确性0.783，与放射组学模型差异无统计学意义
Kezhong Chen等^［28］	2021	多发	PKU-M模型	评估MPN恶性概率	520名患者，1739个结节	AUC为0.909（95%CI：0.854～0.946）
Kezhong Chen等^［28］	2021	多发	PKU-M模型	评估MPN恶性概率	520名患者，1739个结节	Brier评分为0.122
Xin Li等^［20］	2019	多发	3D DenseSharp Network	评估AI预测与术后病理结果符合程度	53名患者，108个病灶	恶性肿瘤总体符合率为88.8%，AUC=0.766
Zhanyu Ge等^［40］	2005	-	CAD	利用三维体积法降低预测肺结节的假阳性率	56名患者	旧特征空间假阳性率：1.61
						新特征空间假阳性率：0.37
						组合特征空间假阳性率：0.34
Giuseppe Coppini等^［41］	2003	-	ANNs	检测胸片中的肺结节	65张胸部后前位x线片：45张包含结节，20张无结节	准确率达95.7%

作者	年份	结节类型	AI工具	目的	样本	结果
Qiao Liu等^［32］	2024	-	机器学习	建立基于机器学习的新型多分类预测模型来预测肺结节恶性肿瘤的概率	914名患者	RF模型对ML、PL和BL模型的AUC值分别为0.80、0.90和0.75
Yuhei Takeshita等^［33］	2024	-	U-net模型	验证人工智能对肺结节进行自动跟踪的可行性	40例患者共49个肺结节	随访CT检查368次，每次评估的成功率为94%，逐个结节评估的成功率为78%
Wei Fan等^［34］	2024	-	深度学习	人工智能CT密度检测和处理肺良恶性结节中的诊断价值	130名患者226个肺结节	人工智能识别肺结节的敏感性为94.69%，识别高危结节的敏感性为95.40%，特异性为75%。
Haochuan Zhang等^［35］	2023	亚厘米亚实性结节	LR&SVM&XGBoost	预测亚厘米亚实性肺结节的组织学侵袭性	177名患者，203个结节	LR训练集AUC=0.743（0.6610.824）；测试集AUC=0.803（0.694～0.913）
						SVM训练集AUC=0.828（0.760.896）；测试集AUC=0.726（0.598～0.854）
						XGBoost训练集AUC=0.917（0.8690.965）；测试集AUC=0.874（0.776～0.972）
Junhao Mu等^［36］	2023	实性结节	深度学习	预测肺实性结节的恶性和转移	1571例	预测恶性肿瘤AUC=80.37%
Junhao Mu等^［36］	2023	实性结节	深度学习	预测肺实性结节的恶性和转移	1571例	预测转移AUC=86.44%
T.-W.Tang等^［37］	2023	-	NoduleNet深度学习模型	结合深度学习模型建立基于lung-rads标准的肺结节诊断流程	1186个结节	总体诊断准确率为0.75
Lichuan Zhang等^［29］	2023	单发	深度学习	探讨人工智能辅助诊断系统在肺结节预测中的价值	260例	人工智能预测准确率为77.57%，敏感性为89.60%，特异性为48.28%。
Wei Pan等^［6］	2023	-	人工智能	探讨人工智能在CT扫描中诊断肺结节的准确性	309名患者的360个结节	人工智能诊断肺结节的准确率为81.94%，漏诊率为15.14%，误诊率为24.77%，真阴性率为75.23%
Yanqing Ma等^［27］	2022	单发和多发	CT delta-放射组学	评估多发性原发性肺腺癌（MPLA）和孤立性原发性肺腺癌（SPLA）之间的差异	1094例患者，含268例MPLA和826例SPLA	A组随访间隔3～12个月，105例MPLA vs 145例SPLA）训练集AUC为0.972（95%CI：0.951～0.989），测试集AUC为0.798（95%CI：0.704～0.892）
						B组（随访间隔13～24个月，68例MPLA vs. 96例SPLA）训练集AUC为0.989（95%CI：0.978～0.997），测试集AUC为0.821（95%CI：0.708～0.915）
						C组（随访间隔25～48个月，52例MPLA vs 79例SPLA）训练集AUC为0.998（95%CI：0.993～1.000），测试集AUC为0.853（95%CI：0.752～0.940）
Zhang Kai等^［38］	2022	多发	PKUML模型	评估模型判定MPN性质的效力	287名患者，446个实结节	AUC=0.883（95%CI：0.849～0.917），敏感度为74.2%，特异度为88.6%（阈值0.541）Cindex=0.883
Rui Zhang等^［39］	2022	实性结节	CNN&RF	评估放射组学和深度学习技术对实性肺结节的诊断	720个实性肺结节	CNN模型AUC=0.819（95%CI：0.760～0.877），敏感性0.778，特异性0.788，准确性0.783，与放射组学模型差异无统计学意义
Kezhong Chen等^［28］	2021	多发	PKU-M模型	评估MPN恶性概率	520名患者，1739个结节	AUC为0.909（95%CI：0.854～0.946）
Kezhong Chen等^［28］	2021	多发	PKU-M模型	评估MPN恶性概率	520名患者，1739个结节	Brier评分为0.122
Xin Li等^［20］	2019	多发	3D DenseSharp Network	评估AI预测与术后病理结果符合程度	53名患者，108个病灶	恶性肿瘤总体符合率为88.8%，AUC=0.766
Zhanyu Ge等^［40］	2005	-	CAD	利用三维体积法降低预测肺结节的假阳性率	56名患者	旧特征空间假阳性率：1.61
						新特征空间假阳性率：0.37
						组合特征空间假阳性率：0.34
Giuseppe Coppini等^［41］	2003	-	ANNs	检测胸片中的肺结节	65张胸部后前位x线片：45张包含结节，20张无结节	准确率达95.7%

[1]	Yang Li, Jinyu Cai, Xiaozhi Dang, Wanying Chang, Yan Ju, Yi Gao, Hongping Song. Application value of a deep learning-based model for generating strain elastography images using breast grayscale ultrasound images [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(06): 563-570.
[2]	Wei Hong, Xirong Ye, Zhihong Liu, Yinfeng Yang, Zhihong Lyu. Value of ultrasound radiomics combined with clinicopathological features in predicting complete pathological response to neoadjuvant chemotherapy for breast cancer [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(06): 571-579.
[3]	Jingwu Yang, Meijun Zhou, Yufan Chen, Sushu Li, Yanni He, Nan Cui, Hongmei Liu. Artificial intelligence ultrasound combined with quality control circle activity comprehensively improves ability of junior sonographers to assess risk of thyroid nodules [J]. Chinese Journal of Medical Ultrasound (Electronic Edition), 2024, 21(05): 522-526.
[4]	Jiawei Zhang, Rui Wang, Kecheng Zhang, Lei Yi, Zengding Zhou. Establishment and testing effectiveness of P-YOLO model for intelligent detection of the depth of burn wounds [J]. Chinese Journal of Injury Repair and Wound Healing(Electronic Edition), 2024, 19(05): 379-385.
[5]	Li Ye, Yu Du. Application of deep learning in clinical diagnosis and treatment of pulpal and periapical diseases [J]. Chinese Journal of Stomatological Research(Electronic Edition), 2024, 18(06): 351-356.
[6]	Ying Xiong, Jinglai Lin, Qi Bai, Jianming Guo, Shuo Wang. How far is AI from clinical application in automated renal cell carcinoma pathological diagnosis？ [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 535-540.
[7]	Wei Li, Zijian Song, Yancheng Lai, Rui Zhou, Han Wu, Longxin Deng, Rui Chen. The current state and prospects of artificial intelligence applied to prognosis prediction in prostate cancer patients [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 541-546.
[8]	Junlong Huang, Wenshuang Li, Xiaoyang Li, bolong Liu, Yilong Chen, Huiping Qiu, Xiangfu Zhou. Application of artificial intelligence model based on pelvic floor ultrasound for the diagnosis of female stress urinary incontinence [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(06): 597-605.
[9]	Qizhou Mo, Jin Su, Jian Huang, Jianwei Li, Sining Li, Jianjun Liu. Application of intelligent pressure-controlled flexible ureteroscopic suctioning lithotripsy in upper urinary tract stones with diameter of 10-25 mm [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(05): 497-502.
[10]	Xingxing Ruan, Zhiyuan Huang, Fuxiang Liu, Jinming Di. Clinical research paper writing based on the perspective of doctors in diagnosing and treating patients [J]. Chinese Journal of Endourology(Electronic Edition), 2024, 18(04): 397-401.
[11]	Yiliang Li, Yakufu Sulayiman, Maimaitiming Maimaitiaili, Abudoureyimu Kelimu. An analysis of short-term outcomes of robotic-assisted versus conventional laparoscopic esophageal hiatal hernia repair combined with nissen fundoplication [J]. Chinese Journal of Hernia and Abdominal Wall Surgery(Electronic Edition), 2024, 18(05): 512-517.
[12]	Yi Zhao, Changtian Li, Wenbo Tang, Xueting Bai, Rong Liu. Clinical application of laparoscopic intraoperative ultrasound automatic main pancreatic ductidentificationmod [J]. Chinese Journal of Laparoscopic Surgery(Electronic Edition), 2024, 17(05): 290-294.
[13]	Jingming Lu, Dawei Han, Yaoxing Ren, Tianxiao Huang, Junxi Xiang, Xufeng Zhang, Yi Lyu, Fumin Wang. Meta-analysis of lymph node metastasis prediction of intrahepatic cholangiocarcinoma based on preoperative radiomics [J]. Chinese Journal of Hepatic Surgery(Electronic Edition), 2024, 13(06): 852-858.
[14]	Wei Liu, Xu Gao, Yuhai Xie, Zhe Jiang, Shicheng Liu. Application value of enhanced CT based radiomics model in predicting recurrence of acute pancreatitis [J]. Chinese Journal of Digestion and Medical Imageology(Electronic Edition), 2024, 14(04): 348-354.
[15]	Weiwei Zhang, Xiaochuan Huo. The importance of cultivating critical thinking among medical students in the AI era [J]. Chinese Journal of Cerebrovascular Diseases(Electronic Edition), 2024, 18(04): 357-359.

Please choose a citation manager

Content to export