AI 助力肺癌篩查難題：未來可期！

肺癌預後極差，我國肺癌的 5 年生存率僅為 16.1%。2015 年，我國肺癌的發病和死亡例數分別達 733,300 人和 610,200 人，發病率和死亡率非常接近，其原因主要是由於臨床診斷病例多已為晚期，失去了手術機會。

因此，肺癌的早期診斷和早期治療是提高肺癌生存、降低肺癌死亡率的重要措施。

我國於 2009 年啟動了肺癌高危人群篩查工作。2011 年，美國國家肺癌篩查試驗（National Lung Screening Trial, NLST）結果首次表明，在高危人群中，低劑量螺旋 CT（Low-dose computed tomography, LDCT）相比 X 線X光可帶來降低 20%肺癌死亡率的生存獲益。

2015 年，基於 NLST 的研究結果及我國肺癌篩查技術方案制定了中國低劑量螺旋 CT 肺癌篩查指南（2015 版），並於 2018 年修訂更新。

隨著低劑量螺旋 CT（LDCT）的普及，一方面使肺癌患者得以早診早治，提高治癒率，另一方面 LDCT 仍存在一些問題。

將 CT 作為篩查手段仍存在較高假陽性率（即 CT 發現的結節可能不一定是惡性，或是極度惰性生長腫瘤）和假陰性率（CT 成像解析度越來越高，提供的組織學信息越來越多，能夠被檢測的肺結節體積越來越小，給醫師帶來極大讀片工作量，造成醫師疲勞、分心，增加誤判和漏判的概率）

近年來，人工智慧在圖像識別領域發展迅速，在醫療領域已廣泛應用於皮膚病、糖尿病視網膜病變、影像學檢查等領域，而 LDCT 帶來的問題是否能通過人工智慧得以解決，或者在多大程度上得到解決還有待探索。

因此，廣東省肺癌研究所吳一龍教授/鍾文昭教授團隊聯合國內多家中心，共同開發了基於卷積神經網路演算法（機器學習演算法一類）的肺結節診斷模型。據悉，該研究成果已被全球癌症領域知名醫學期刊《腫瘤學家》（《THE Oncologist》）收錄並全文發表。

研究方法：

圖源：站酷海洛plus正版圖片

研究採用了 3 個數據集分別進行建模、訓練和驗證的工作。

首先，開源的 LUNA16（Lung Nodule Analysis 2016 挑戰賽）和 Kaggle（最大的數據科學平台）的肺部 CT 數據集用於卷積神經網路演算法模型的建立；

然後，通過廣東省人民醫院、中山大學附屬第三醫院、佛山市第一人民醫院、廣州胸科醫院 2015 年 5 月至 2016 年 10 月可獲得原始影像數據和病理對照的 820 例病例資料對演算法進行訓練；

最後，通過廣東省人民醫院肺癌研究所, 呼吸科及放射科自 2017 年 1 月連續收集的 50 例有病理金標準明確良惡性的肺結節 CT 影像數據對訓練好的模型進行驗證。

並且研究邀請了 25 位國內多中心，經驗豐富的專科醫師團隊（包括影像，胸外科，呼吸科，腫瘤科等）對這些用於驗證的前瞻性 CT 片進行良惡性評估，最終評估的結果直接與訓練建立的肺結節診斷模型的分析結果再次進行對比驗證。

研究結果：

基於多中心影像數據訓練後的模型診斷敏感性和特異性分別達到 84.4%和 83.0%，AUC 為 0.855。同時可以觀察到，隨著訓練圖象樣本量的增加，模型整體檢測靈敏度，特異度以及 AUC 均增加。

基於前瞻性收集的 50 例肺部結節 CT，研究分別對比了醫師團隊，預訓練模型，訓練後模型以及 Kaggle 第一位模型演算法的診斷效力。

可以看到預訓練模型與醫師團隊評估結果相近，相比於 Kaggle 第一位演算法兩者均具有更高準確性，而該訓練後模型無論在靈敏度（96.0%），特異度（88.0%）抑或是準確度（92.0%）上均較其它三者具有更高的診斷效力。

不同於既往報導未使用真實世界數據或使用病理結果對模型進行深入驗證的研究，這項研究使用改進的深度神經網路和具有病理金標準標籤的大數據集，對基於深度學習的模型的應用進行了優化，並將其推廣到真實醫療環境中，使其敏感性和特異性達到了 84.4%和 83.0%，最大限度地減少了假陽性和假陰性結果。

此外，亞組分析顯示，其對小結節的檢測效率（0-10mm）很高，同大結節（10-30mm）診斷效力類似。同時，該模型的診斷能力也比既往報導的計算機輔助結節檢測工具有更高的敏感度和特異度，而且，該模型隨著數據的增加，能進一步優化其診斷鑒別效能。

目前，該研究入組的肺結節均為臨床診斷早期肺結節，並非來自於篩查隊列的數據，可能無法完全反映該模型在早期篩查中應用實際效能。另外，該模型在區分出進展緩慢的早期結節方面的能力還不足，需要更多多次隨訪影像資料的納入以更好對早期篩查患者進行分層及指導後續處理方案。

因此，該模型納入的數據量樣本量仍然有限，還需要在更大樣本量中進一步驗證。

在醫療圖像識別領域，AI 的發展如火如荼，已廣泛在皮膚病、糖尿病視網膜病變、影像學檢查等領域開展各類型的探索。機器學習是目前 AI 的核心機制，往往需要大量的數據作為訓練的基礎。

在上述研究中，採用了國外的數據集和國內的多中心病例數據進行訓練，得到了比較好的結果，而且研究也發現，隨著數據的增加，能進一步優化其診斷鑒別效能。因此，更多臨床機構的參與會推動研究的快速進展。

另外，醫療 AI 的發展是需要醫學專業體系、人工智慧技術演算法體系、互聯網應用技術體系，以及支持包含醫生和患者在內的專業服務運營管理體系的共同支撐，以及學會、機構、企業等各方合作，才能得到臨床醫生的廣泛應用，進而形成良性循環，實現可持續的發展。

編輯：decie | 責任編輯：王弘

投稿：[email protected]

題圖：站酷海洛plus

參考文獻：

1. 周清華, 范亞光, 王穎等. 中國肺癌低劑量螺旋CT篩查指南（2018年版）. 中國肺癌雜誌. 2018年2月第21卷第2期.

2. Zhang C, Sun X, Dang K, Li K, Guo XW, Chang J, Yu ZQ, Huang FY, Wu YS, Liang Z, Liu ZY, Zhang XG, Gao XL, Huang SH, Qin J, Feng WN, Zhou T, Zhang YB, Fang WJ, Zhao MF, Yang XN, Zhou Q, Wu YL, Zhong WZ. Oncologist. 2019 Apr 17. pii: theoncologist.2018-0908. doi: 10.1634/theoncologist.2018-0908.