美国预防服务工作组（USPSTF）推荐对高危人群使用低剂量螺旋CT（LDCT）来筛查肺癌。但LDCT筛查一个持续存在的问题是假阳性率很高。大约四分之一（24％）的LDCT筛查阳性患者需要随访，而这些结果中有96％是假阳性。这促使研究人员开始探索识别恶性和良性结节的新方法。

例如，匹兹堡大学的一个小组采用机器学习算法来改进肺癌的预测 [PMID: 30862725]。在他们的模型中，他们将LDCT扫描结果与其他临床数据和合并症结合起来进行预测。

近日，《Nature Medicine》刊登了一篇文章《End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography》，显示出人工智能（AI）在肺癌筛查中的巨大价值。

这项研究中，研究人员研发了一种深度学习算法，结果显示，与放射科医生相比，该算法的假阳性率和假阴性率都有所降低。不过作者也表示，这些发现还需要在大量患者群体中进行临床验证。

研究成果显著

总的来说，本研究使用的新方法有三个关键组成部分。

第一个部分是使用深度卷积神经网络（CNN）构建3D模型，使用病理确诊癌症的LDCT作为训练数据集。第二个部分是创建CNN“感兴趣区域（ROI）”检测模型，以检测CT中的3D可疑癌症区域。最后一部分是构建CNN癌症风险预测模型。

图1  整体建模框架

研究人员开发出的深度学习模型，数据来源于NLST（美国肺癌筛查试验）数据集的14851名患者的42290张CT，其中578名患者在1年随访期内通过病理证实为癌症。这些数据集被随机分为三组：训练组（70%），调整组（15%），测试组（15%）。

测试数据集共有6716例脱敏的CT图片，用于验证该算法的准确性。结果发现，该模型的AUC（曲线下面积）为94.4％。而且在1139例CT的独立临床验证中也获得了类似的结果。

图2. 完整NLST和独立测试集的结果

本研究中，6名放射科医生（平均8年临床经验）进行了两个部分的回顾性读片研究。在第一部分中，放射科医生对测试数据集中的507名患者CT进行了读片。

对于该子集，算法模型的AUC为95.9%。与放射科医生相比，模型有更好的灵敏度和特异度。例如，在LUMAS 3+与Lung- RADS 3+的对比中，模型的特异度增加了11.6%，敏感度增加了5.2%。详见下图。

图3. 读片结果1

第二部分中，获取本年和往年的CT，来进行验证。在这个数据集中，模型的AUC为92.6%。可以看出，不管是模型还是放射科医生，第二部分的表现都不如第一部分，详见下图。

图4 读片结果2

未来的工作

“该研究显示，人工智能工具有助于更好地诊断癌症患者，并可以更好地识别出没有癌症的人”，Etemadi博士说，“该研究中使用的所有数据都是回顾性的，下一步是进行前瞻性研究，以确定放射科医生使用该工具是否可以更早、更准确地诊断癌症，以及是否给患者带来更好的结局”。

Etemadi表示，研究团队目前正处于规划阶段，但正迅速向前推进。“在理想的情况下，研究需获得大量不同的患者群体，但这是一项重大挑战。医院的计算机系统与人的配合度并不高，更别说人工智能算法这样的东西了。我们的团队正在做的很大一部分工作就是构建'中间设备'来实现这个目标“。

他指出，仍需要做的工作是准确了解放射科医生或其他医生是如何使用人工智能的。“这是他们现有工作流程的一部分吗？我们是否创建了一个单独的工作流程？这些都是我们正在积极研究的非常有趣的问题”。

参考来源：

1. AI Beats Radiologists for Accuracy in Lung Cancer Screening. Mescape. May 23，2019.

2. Nat Med. 2019 May 20. doi: 10.1038/s41591-019-0447-x.

扫码关注“医咖会”公众号，及时获取最新重磅研究！