约翰?霍普金斯Kimmel癌症中心的研究人员报道称，他们的DeepLR计算机算法有望成为一种准确的工具，用来帮助预测哪些肺部病变患者可能会患上肺癌，以及他们会多快患上肺癌。
DeepLR算法旨在及早发现肺癌，也就是在癌症可能治愈的阶段诊断出肺癌。放射科医生对参与美国国家肺癌筛查试验，接受后续低剂量CT筛查的25097名受试者的影像报告被用来对DeepLR进行训练。
在来自泛加拿大肺癌早期检测研究的2294名受试者中，DeepLR算法的准确性得到了独立验证。相比美国放射学会推荐的肺部CT筛查报告和数据系统，DeepLR能更准确地预测人们在1年、2年或3年内患上肺癌的风险。
此外，DeepLR的价值还在于它能确定哪些人群具有更高的肺癌死亡风险。
该研究结果刊登在2019年10月17日的《柳叶刀-数字医疗》杂志上。
美国预防服务工作组建议对肺癌高风险人群（比如有吸烟史的人群）进行年度肺部筛查。北美和欧洲的现行肺癌筛查指南无法提供超过一年的肺癌风险评估或肿瘤侵袭性预测，相比之下，对于接受了至少两次年度低剂量CT扫描的吸烟者来说，DeepLR可以提前三年预测恶性肿瘤。
该研究结果表明，DeepLR可以帮助医生确定哪些人需要立即接受防癌治疗（如手术），哪些人可以安全地每隔两到三年进行肺癌筛查。
肿瘤学副教授、DeepLR算法的开发者Peng Huang博士表示，因为放射科医生出具的肺部CT报告都是常规收集的，所以在门诊和住院部都很容易实现。当放射科医生出具的CT报告和病史数据可被获取时，DeepLR也可以远程使用。DeepLR可以安装在大多数电子设备上，只需5GB或更少的内存就能运行。
Huang博士接着说，现行指南的阳性预测值（筛查结果呈阳性的人患肺癌的概率）通常很低（<10%），而且缺乏更好的预测工具，可能会导致人们要接受数千次昂贵且不必要的额外CT筛查和其他检查。
Huang博士指出，像DeepLR这样的人工智能工具可能有助于安全地减少低风险人群的筛查次数，减少扫描带来的辐射暴露，降低将肺结节误诊为恶性肿瘤的风险。“过度诊断导致过度积极或过早的治疗，也是一个问题，”Huang博士说。
现行肺癌筛查指南通常根据上一次CT扫描发现的较大肺结节的直径、体积、密度的变化或新结节的出现来确定下一次CT扫描的时间。
Huang博士说，DeepLR提供的是整个肺部和胸部的全貌，而不只是观察某个具有代表性的肺结节。该算法是先提取CT影像的空间特征，如“所有结节的位置、直径、形状和密度”，以及CT影像的时间特征，如“结节增大或缩小，或结节形状发生改变”，然后将这些特征结合到深度学习算法中。
Huang博士将该算法的有效性比作一个肿瘤委员会，即医生和其他医疗服务提供者开会讨论癌症病例。她说：“它能模仿人类读片子和其他信息的方式，但是它总结复杂信息的能力要优于人眼和现行指南，因此这个人工智能算法更强大。”
DeepLR算法在使用新的数据集进行训练之后，还可用于指导其他癌症的筛查。
《柳叶刀-数字医疗》2019年11月刊登了对该研究的综述。综述对DeepLR算法与谷歌开发的一种技术进行了比较，得出结论：“Huang博士及其团队的研究具有更大价值，因为DeepLR算法可以在高风险筛查人群中识别出肺癌低风险人群，这类人群在未来3年内患肺癌的几率只有0.2%。因此，这类人群可能获益于两年后甚至三年后的重复筛查，而不是现行指南建议的一年一次筛查。该研究结果证实，他们根据时间依赖特性进行训练的深度学习方法在肺癌检测灵敏度方面优于基于直径的肺结节检测方法。”
目前，对DeepLR算法的前瞻性验证研究正在进行中。
来源：
本文编译自约翰?霍普金斯医院官网于2020年5月5日发布的AI Helps Predict Lung Cancer Risk
原文链接：
https://www.hopkinsmedicine.org/news/newsroom/news-releases/ai-helps-predict-lung-cancer-risk
本文由盛诺一家原创编译，转载需经授权
