美國(guó)麻省理工學(xué)院Mikhael等報(bào)告，一種名為“Sybil”的人工智能(AI)工具能夠根據(jù)單次低劑量CT(LDCT)掃描結(jié)果即可預(yù)測(cè)出短期和長(zhǎng)期的肺癌風(fēng)險(xiǎn)。(J Clin Oncol. 2023年1月12日在線版)

在開發(fā)Sybil的過程中，研究人員獲得了15 000例NLST樣本的影像學(xué)和臨床數(shù)據(jù)，這些LDCT隊(duì)列參與者被分為訓(xùn)練組、開發(fā)組和測(cè)試組。外部驗(yàn)證數(shù)據(jù)來自另外兩項(xiàng)大型中心的LDCT篩查數(shù)據(jù)，分別為麻省總醫(yī)院(MGH)2015~2021年6392名成人的

13 309份數(shù)據(jù)和中國(guó)臺(tái)灣長(zhǎng)庚紀(jì)念醫(yī)院(CGMH)2007~2019年10 696名成人的12 480份數(shù)據(jù)。CGMH數(shù)據(jù)與NLST數(shù)據(jù)和MGH數(shù)據(jù)不同，即：包括無癌癥病史和無吸煙史，但卻有LDCT數(shù)據(jù)的任何成人。

結(jié)果顯示，Sybil在這兩個(gè)獨(dú)立測(cè)試集中的表現(xiàn)與在NLST數(shù)據(jù)集中的表現(xiàn)相當(dāng)，MGH數(shù)據(jù)中1年肺癌預(yù)測(cè)時(shí)的受試者工作特征曲線下面積(AUC)為0.86(95%CI 0.82~0.90)，CGMH數(shù)據(jù)中為0.94(95%CI 0.91~1.00)。6年時(shí)的一致性指數(shù)分別為0.81(95%CI 0.77~0.85)和0.80(95%CI 0.75~0.86)。

當(dāng)在分析中去除可識(shí)別的已知的癌性肺結(jié)節(jié)時(shí)，模型的性能有下降，2年預(yù)測(cè)時(shí)的AUC為0.81(95%CI 0.74~0.86)，6年預(yù)測(cè)時(shí)的AUC為0.69(95%CI 0.63~0.74)，但總體而言Sybil“仍然具有預(yù)測(cè)能力”。

此外，Sybil不但可降低基線掃描的假陽性率，且能保持住同等的檢測(cè)敏感性。

在NLST訓(xùn)練集，Sybil能夠預(yù)測(cè)1年內(nèi)的肺癌情況，AUC為0.92(95%CI 0.88~0.95)，預(yù)測(cè)2年時(shí)的AUC為0.86(95%CI 0.82~0.90)，6年預(yù)測(cè)的一致性指數(shù)為0.75(95%CI 0.72~0.78)。

在性別、年齡和吸煙史各亞組中，Sybil的表現(xiàn)仍得以保持，其結(jié)果在總計(jì)超過23 000例LDCT篩查的兩個(gè)大型獨(dú)立數(shù)據(jù)集上得到了驗(yàn)證。

有評(píng)論者強(qiáng)調(diào)：研究人員為了使他們模型獲得“正確”結(jié)果而進(jìn)行了“深度和廣度”并重的探究，但該模型的整體性能確實(shí)“優(yōu)異”。從實(shí)際角度來看，預(yù)測(cè)工具存在不需要患者的人口統(tǒng)計(jì)數(shù)據(jù)、風(fēng)險(xiǎn)因素/人工驗(yàn)證、淋巴結(jié)特征等優(yōu)點(diǎn)，而這些特征參數(shù)的獲得都需要時(shí)間和專業(yè)知識(shí)來支撐。

此外，該模型還有如下優(yōu)點(diǎn)：可以減少不必要的檢查和有創(chuàng)性操作的應(yīng)用;能預(yù)測(cè)出哪些患者可以安全地延長(zhǎng)篩查間期，其中患癌風(fēng)險(xiǎn)極低者甚至可以完全停止篩查;能發(fā)現(xiàn)目前不符合美國(guó)預(yù)防服務(wù)工作組篩查標(biāo)準(zhǔn)的高危人群。 (編譯 王婧涵)