Nature Medicine：基于人工智能和成像的癌症筛查：为黄金时间做好准备

论文ID

题目：Large-scale pancreatic cancer detection via non-contrast CT and deep learning

期刊：Nature Medicine

IF：82.9

发表时间：2023年11月20日

通讯作者单位：上海胰腺疾病研究所放射科

DOI：https://doi.org/10.1038/s41591-023-02640-w

主要内容：

新数据显示，人工智能可以增强基于成像的胰腺癌筛查;但是，其评估必须严格，并遵守与常规筛查相同的标准。

近年来，人工智能（AI）已成为我们生活中无处不在的元素。当我们在互联网上使用搜索引擎、在社交媒体上发帖或阅读社交媒体或使用交通工具时，我们会有意识或无意识地与人工智能技术进行交互。在临床医学中，人工智能的采用速度要慢得多，诊断和治疗建议仍然几乎完全基于人类的判断。直到最近，人工智能技术才被评估为适用于多种临床场景和潜在益处，其中视频和成像应用处于领先地位。在本期《自然医学》杂志上。作者报告一项研究的结果，其中他们评估了用于检测和分类非对比计算机断层扫描 （CT） 成像中胰腺病变的 AI 技术。该方法试图满足早期发现胰腺癌的临床需求，胰腺癌是一种具有挑战性的疾病，因为它的症状通常是非特异性的，导致发现较晚和预后不良。

曹等在一家大容量胰腺癌机构的 3,200 多张图像集上训练了他们的 AI 算法，其中约 70% 来自胰腺病变患者。人工智能算法在约6,200名患者的多中心队列中进行了验证，其中包括确诊胰腺癌的病例和没有胰腺病变的对照组，对训练队列中选定病例的多阅读器研究，以及包括来自同一机构的20,530名患者的第二个验证队列。该算法在识别胰腺病变方面达到了 92.9% 的灵敏度和 99.9% 的特异性，曲线下面积 （AUC） 为 0.986–0.996。人类放射科医生在检测胰腺癌（最常见和最有害的胰腺肿瘤）的算法方面表现出色。    

作者的结果这与支持在一系列临床环境中使用人工智能的最新证据非常吻合。一项针对将人工智能用于患者管理各种目的的随机对照试验的范围综述显示，69项试验中有84项（82%）报告了其主要终点的阳性结果1.尽管可能存在发表偏倚，但这一发现仍然令人信服。一个突出的例子来自一项随机对照试验，该试验涉及 80,000 多名接受乳腺癌乳房 X 光检查筛查的女性，其中人工智能支持的乳房 X 光检查阅读比放射科医生阅读的比率高出 ，将乳腺癌检出率从每 5,1 名参与者 6.1 例提高到 1.000 例，同时将阅读工作量减少了 40% 以上。基于人工智能的成像甚至被评估为传统上无法仅通过成像诊断的疾病的筛查工具。应用于胸部 X 线片的深度学习模型检测到左心室射血分数低于 40%，灵敏度和特异性分别为 82% 和 86% （AUC 0.92）——这对于传统上被认为不能提供足够心脏功能信息的方法来说是显着的。甚至分析视网膜图像以检测中风或帕金森病等眼外疾病——这种方法对某些人来说可能听起来像科幻小说——也显示出有希望的结果。

作者使用的算法的准确度指标。优于几种公认的筛查方法，例如宫颈癌的巴氏涂片检查或乳腺癌的乳房 X 光检查。因此，人们很容易呼吁将这种特定方法整合到大规模筛查工作中——要么向特定人群提供腹部非增强 CT，要么将该工具应用于因其他原因（与癌症筛查无关）而进行的非增强 CT。然而，调查结果还说明了基于人工智能的筛查研究面临的一些挑战，在提出结论性建议之前需要考虑这些挑战。

将基于人工智能的筛查应用于为其他目的而获取的图像，例如在急诊科就诊或常规检查期间，由于具有协同作用和降低成本的潜力，因此具有吸引力。然而，筛查方法的成功取决于疾病的早期阶段的检测以及与治愈性治疗相关的适应性。在这种情况下，对于所研究的每种癌症类型和人群，必须始终特别考虑准确性。这与胰腺癌高度相关，因为胰腺癌晚期预后不良。因此，任何潜在的胰腺癌筛查方法都应检测早期，例如 T1 病变（直径<2 cm）。曹等报告该亚组的敏感性值在测试队列中为 85.7%，在验证队列中为 92.2%。未报告该亚组的特异性和预测值。

如果CT扫描等检查主要用于其他目的，并且筛查是疾病患病率低的人群的副产品，则这些指标尤为重要。假阳性结果会吓到患者，并需要采取昂贵且通常具有侵入性的进一步诊断措施。因此，患者的准确知情同意至关重要，必须很好地解释基于人工智能的筛查中积极但消极的发现可能产生的后果。此外，由于对人工智能的普遍怀疑，一些患者可能不愿意让人工智能工具而不是人类评估他们的数据，即使存在令人信服的数据。

最后，任何癌症筛查方法的价值都在于降低全因死亡率。仅靠早期发现肿瘤并不能保证这一点。作者的研究是回顾性设计，因此无法评估筛查对纳入患者死亡率的影响。因此，关于该方法效用的任何明确结论都为时过早，因为基于人工智能的筛查应该以与传统筛查相同的严格评估——使用随机对照试验将该方法与全因死亡率的有效比较进行比较。

尽管存在这些挑战，但可以设想一个未来，人工智能将用于将常规成像信息与临床病史信息相结合，甚至个人在线搜索趋势和社交媒体的使用— 用于预测和早期发现胰腺癌等具有挑战性的疾病（图 1）。基于.AI的筛查是一种非常有前途的方法，在不久的将来有可能产生临床影响;然而，在准备将其引入广泛实践之前，需要进一步彻底的评估。    

原文链接：https://www.nature.com/articles/s41591-023-02640-w  

转自：“生物医学科研之家”微信公众号

如有侵权，请联系本站删除！