JCO：一次低剂量CT即可预测未来6年肺癌风险！MIT和哈佛研究团队开发的AI模型可不依赖放射科医生和临床数据，高准确率预测肺癌 来源：奇点糕 2023-03-01 10:14 该研究开发了包括无吸烟史人群的肺癌风险预测模型，预测性能良好，可以为接受CT肺癌筛查的患者提供有关未来肺癌风险的额外信息，而且对正常临床工作流程无明显干扰。蛇胆川贝散公司贷款还不上法人会怎么样：寒露以后，随着气温的不断下降，感冒成为此时最易得的一种疾病，而伤风受凉是寒露期间感冒的重要诱因。肾气不固
肺癌筛查「公司贷款还不上法人会怎么样」使越来越多的肺癌患者能够被及早发现，大大提高了生存率。药膏祛痘
既往肺癌筛查试验表明，使用低剂量CT「公司贷款还不上法人会怎么样」对吸烟人群进行LCS，可以使肺癌相关死亡率下降20%左右[1]。但是，事实上，在美国只有10%符合条件的人群正在接受筛查[2]，而且，接受筛查者并未坚持定期随访、依从性差[3]。
另外，从不吸烟或吸烟量较少的人，肺癌诊断率正在迅速上升[4]，这部分人并不是既往LCS的重点人群，筛查人群和患病人群之间存在明显差距。为进一步加强肺癌患者管理和LCS实施策略，开发一种简便高效、适用面更广的肺癌风险预测模型很有必要。近期，由麻省理工学院Regina Barzilay、哈佛医学院Florian J. Fintelmann和Lecia V. Sequist领衔的研究团队，使用美国国家肺癌筛查试验「公司贷款还不上法人会怎么样」的LDCT序列「公司贷款还不上法人会怎么样」开发了一个名为Sybil的模型，该模型可在不依赖放射科医生、不需要临床数据的情况下，仅通过一次LDCT扫描即可预测有或没有吸烟史的人群未来6年内的肺癌风险，并在三个独立的数据集上得到验证，研究成果发表在Journal of Clinical Oncology上[5]。论文首页截图我们一起来看看这个研究是如何开展的。研究团队申请并获得了15000名接受LDCT筛查的NLST参与者的放射学和临床数据，并将来自Ardila的研究[6]「公司贷款还不上法人会怎么样」中测试集参与者的LDCTs分配至测试集「公司贷款还不上法人会怎么样」，其他参与者的LDCTs随机分配到训练集「公司贷款还不上法人会怎么样」或开发集「公司贷款还不上法人会怎么样」。训练集和开发集用于训练Sybil模型，测试集用于验证和测试。Sybil模型使用了3D卷积神经网络结构来预测未来肺癌风险，放射科医生识别可见癌结节并用边界盒标记，边界盒标记被用于协助训练模型，但在测试集中未使用。此外，研究团队还纳入了麻省总医院和长庚纪念医院的LDCT数据作为独立的外部验证数据「公司贷款还不上法人会怎么样」。需要特别指出的是，在长庚纪念医院队列中，包括无吸烟史人群。数据集构建流程图为保证图像和数据适用性，研究团队在剔除了扫描局限、数据失访、层厚大于2.5mm、非最薄序列或图像下载失败的序列后，Sybil模型训练集中最后保留了28162个LDCTs，开发集保留了6839个LDCTs，测试集保留了6282个LDCTs。训练集、开发集、测试集分别有1444个「公司贷款还不上法人会怎么样」、337个「公司贷款还不上法人会怎么样」和299个「公司贷款还不上法人会怎么样」LDCTs阳性数据「公司贷款还不上法人会怎么样」。研究团队通过计算6年内每年的曲线下面积「公司贷款还不上法人会怎么样」和一致性指数「公司贷款还不上法人会怎么样」，评估模型在NLST测试集上预测未来肺癌风险的能力。结果显示，该模型1年的AUC为0.92「公司贷款还不上法人会怎么样」，2年的AUC为0.86「公司贷款还不上法人会怎么样」，6年预测的C-index为0.75「公司贷款还不上法人会怎么样」。此外，Sybil模型在不同的性别、年龄和吸烟史亚组中都保持了高预测能力「公司贷款还不上法人会怎么样」。接着，研究团队将Sybil模型应用于两个独立的测试集。其中麻省总医院队列中筛选了8821个LDCTs，169个确诊肺癌；长庚纪念医院队列中筛选了12280个LDCTs，101个确诊肺癌。在麻省总医院和长庚纪念医院队列中，Sybil模型的肺癌风险预测能力与其在NLST测试集中相似，C-index分别为0.81「公司贷款还不上法人会怎么样」和0.80「公司贷款还不上法人会怎么样」，具有可比性。Sybil模型在6年内预测未来肺癌风险能力A为NLST、B为麻省总医院、C为长庚纪念医院虽然Sybil模型不需要依靠放射科医生辅助识别LDCT序列上的结节，但研究团队还是进一步探索了这些癌结节对Sybil风险评估的影响。结果显示，虽然Sybil模型的预测能力因去除可见结节而下降，但仍具有较高的预测能力，2年AUC为0.81「公司贷款还不上法人会怎么样」，6年AUC为0.69「公司贷款还不上法人会怎么样」。为了更好地了解Sybil的内部工作原理并探索其临床应用，研究团队对NLST测试集做了特异性分析，并对真阳性和真阴性LDCTs作了定义。真阳性LDCTs是指具有可见结节的LDCTs，且结节在6年内被确认为癌症；真阴性LDCTs是指随访6年后未诊断出癌症的LDCTs。研究团队将肺部成像报告和数据系统「公司贷款还不上法人会怎么样」评分1-2分为阴性，将3-4分为阳性，并在相同灵敏度下比较了Sybil和Lung-RADS的假阳性率「公司贷款还不上法人会怎么样」。结果显示，在相同敏感性水平下，Lung-RADS的FPR为0.10「公司贷款还不上法人会怎么样」，而Sybil的FPR为0.08「公司贷款还不上法人会怎么样」「公司贷款还不上法人会怎么样」。由此可见，Sybil模型预测肺癌的FPR更低，误诊率更低。总之，该研究开发了包括无吸烟史人群的肺癌风险预测模型，预测性能良好，可以为接受CT肺癌筛查的患者提供有关未来肺癌风险的额外信息，而且对正常临床工作流程无明显干扰。期待未来有更多前瞻性临床研究的开展，以进一步评估其性能和临床效益，早日实现个体化肺癌筛查。参考文献：[1]. National Lung Screening Trial Research Team, Aberle DR, Adams AM, et al. Reduced lung-cancer mortality with low-dose computed tomographic screening. N Engl J Med. 2011;365(5):395-409. doi:10.1056/NEJMoa1102873[2]. Fedewa SA, Kazerooni EA, Studts JL, et al. State Variation in Low-Dose Computed Tomography Scanning for Lung Cancer Screening in the United States. J Natl Cancer Inst. 2021;113(8):1044-1052. doi:10.1093/jnci/djaa170[3]. Triplette M, Wenger DS, Shahrir S, et al. Patient Identification of Lung Cancer Screening Follow-Up Recommendations and the Association with Adherence. Ann Am Thorac Soc. 2022;19(5):799-806. doi:10.1513/AnnalsATS.202107-887OC[4]. Tseng CH, Tsuang BJ, Chiang CJ, et al. The Relationship Between Air Pollution and Lung Cancer in Nonsmokers in Taiwan. J Thorac Oncol. 2019;14(5):784-792. doi:10.1016/j.jtho.2018.12.033[5]. Mikhael PG, Wohlwend J, Yala A, et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography [published online ahead of print, 2023 Jan 12]. J Clin Oncol. 2023;JCO2201345. doi:10.1200/JCO.22.01345[6]. Ardila D, Kiraly AP, Bharadwaj S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography [published correction appears in Nat Med. 2019 Aug;25(8):1319]. Nat Med. 2019;25(6):954-961. doi:10.1038/s41591-019-0447-x 版权声明 本网站所有注明“来源：生物谷”或“来源：bioon”的文字、图片和音视频资料，版权均属于生物谷网站所有。非经授权，任何媒体、网站或个人不得转载，否则将追究法律责任。取得书面授权转载时，须注明“来源：生物谷”。其它来源的文章系转载文章，本网所有转载文章系出于传递更多信息之目的，转载内容不代表本站立场。不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。JCO：一次低剂量CT即可预测未来6年肺癌风险！MIT和哈佛研究团队开发的AI模型可不依赖放射科医生和临床数据，高准确率预测肺癌。