人工知能を用いた非固形肺結節における病理サブタイプの推定

目的 本研究は、非固形結節（SSNs）を有する患者における浸潤性肺腺癌の病理サブタイプを区別するための人工知能（AI）の価値を調査することを目的としました。材料と方法 この回顧的研究には、120のSSNを有する110人の連続した患者が含まれました。SSNの定性的および定量的な画像特性は、人工知能評価システムを用いて自動的に抽出され、その後、放射線科医が再確認しました。すべての症例は、非IA（11の異型腺腫性過形成（AAH）および25の上皮内腺癌（AIS）を含む）とIA（7の最小侵襲性腺癌（MIA）および77の浸潤性腺癌（IAC）を含む）の2つのグループに分けました。非IAとIAの間で単変量解析にて統計的に有意な差を示した変数は、多変量ロジスティック回帰分析に含まれました。受信者動作特性（ROC）分析を実施して、カットオフ値とその診断パフォーマンスを明らかにしました。結果 多変量ロジスティック回帰分析の結果、主要径（オッズ比 OR = 1.38; 95%信頼区間 CI, 1.02–1.87; P = 0.036）および三次元（3D）CT値のエントロピー（OR = 3.73, 95% CI, 1.13–2.33, P = 0.031）が腺癌の独立したリスク因子であることが示されました。浸潤性腺癌の診断における主要径および3D CT値のエントロピーのカットオフ値はそれぞれ15.5 mmおよび5.17でした。分類性能を向上させるために、主要径と3D CT値のエントロピーを組み合わせたモデルとして融合し、そのモデルのAUCは0.868（感度 = 0.845, 特異度 = 0.806）でした。結論 主要径と3D CT値のエントロピーは非IAとIAを区別することができ、AIはSSNsを有する患者における浸潤性肺腺癌の病理サブタイプを区別する性能を向上させることができます。