当前位置： AI资讯 > 内文2019-04-01 关键词： 临床决策支持(CDSS) , 医疗AI
低剂量CT对于肺癌的早期发现和诊断至关重要，与胸部X射线相比，CT手段可使肺癌死亡率降低20％。研究显示，24％接受低剂量CT的患者被查出肺部结节，但最终仅4%会发展为肺癌，即CT结果有96％是假阳性（即肺癌阴性）。对于96％良性结节的人来说，后续“不必要的”随访检查，不仅带来经济压力，检查本身也有一定风险。
匹兹堡大学（University of Pittsburgh）和UPMC希尔曼癌症中心（UPMC Hillman Cancer Center）的研究人员正在开发的基于机器学习的肺癌风险预测模型，经验证可大幅减少肺癌筛查中的假阳性，对减少不必要的检查、降低医疗成本有积极意义。
研究人员使用匹兹堡医学中心218名高风险的肺结节患者的人口统计学数据、吸烟史、疾病合并症和低剂量CT影像报告结果等，对机器学习模型进行训练和验证。这些受试患者的肺部结节直径在 0.6-3.6厘米之间，并在随后的2-15年长期随访中进一步证实了结节的发展状态。
研究显示，通过训练优化得到的最终预测模型，AUC为0.903（±0.061），准确地识别和预测了近30%的良性结节，其中没有1例被最终诊断为肺癌（特异性=1），该机器学习具有良好的肺结节鉴别能力，明显优于其他风险分类模型和放射科医生的鉴别诊断结果。
“我们准确地排除了大约三分之一患者患肺癌的可能性，因此他们不需要再做活检，不需要PET扫描或间隔较短的CT随访。他们只需要在一年内回来复查即可。”UPMC希尔曼肺癌中心的联合主任 David Wilson 表示，该机器学习模型获得更高的成本效益，有利于医疗资源的合理利用。
此外，研究还确定了与肺癌相关的3个临床变量关系，包括戒烟年数、结节个数及结节周围的血管数量。患者戒烟年数和肺部结节的数量与肺癌风险呈负相关，血管数量则与之呈正相关。而肺气肿在该研究模型中与“肺癌状态”没有直接关系。
研究人员阐释了模型的局限性，首先是训练数据不够大，存在过度拟合的问题等。但毫无疑问，机器学习模型在未来癌症风险预测和鉴别诊断方面具有重要潜力，为患者癌症期更精确的治疗、癌前病变期更少的侵入性检查提供了机会。
参考文献：
https://thorax.bmj.com/content/early/2019/03/27/thoraxjnl-2018-212638
成为我们的
合作伙伴
