深度学习预测肺癌风险

肺癌是全球癌症死亡的主要原因，根据世界卫生组织的数据，2020年估计有180万人死于癌症。低剂量的胸部CT用于筛查肺癌高危人群，如长期吸烟者。它已被证明可以显著降低肺癌死亡率，主要是通过帮助在癌症较容易成功治疗的早期阶段发现癌症。

虽然肺癌在CT图像上通常表现为肺结节，但大多数结节是良性的，不需要进一步的临床检查。因此，准确区分良性和恶性结节对早期发现癌症至关重要。

在这项新研究中，研究人员利用深度学习开发了一种评估肺结节的算法。深度学习是一种能够在成像数据中找到特定模式的人工智能应用程序。研究人员对来自国家肺部筛查试验(National Lung Screening Trial)的16000多个结节(包括1249个恶性肿瘤)的CT图像进行了训练。他们在丹麦肺癌筛查试验(Danish Lung Cancer Screening Trial)的三组大的结节成像数据上验证了该算法。

深度学习算法取得了良好的结果，优于所建立的泛加拿大肺癌早期检测模型，用于肺癌结节恶性风险估计。它的表现与11名临床医生相当，包括4名胸廓放射科医生，5名放射科住院医师和2名肺科医生。

来自丹麦肺癌筛查试验(DLCST)的结节CT图像的例子，深度学习(DL)算法与临床医生在恶性风险评估中的一致性(a-d)高和(e-h)低。每幅图像左下方圆圈状的数字是算法的恶性肿瘤评分，右下方圆圈状的数字是临床医生的恶性肿瘤评分中位数。颜色充盈的程度与恶性肿瘤风险成正比(在0到1的范围内，0代表最低风险，1代表最高风险)。

资料来源:北美放射学会

该研究的第一作者、荷兰奈梅亨内梅亨大学医学中心(Radboud University Medical Center)诊断图像分析组(Diagnostic Image Analysis Group)的博士候选人基兰·维达亚·文卡德什(Kiran Vaidhya Venkadesh)说:“该算法可能有助于放射科医生准确估计肺结节的恶性风险。”“这可能有助于优化肺癌筛查参与者的随访建议。”

研究人员说，这种算法可能会给诊所带来一些额外的好处。奈梅亨Radboud大学医学中心医学影像系助理教授、资深作者Colin Jacobs博士说:“由于不需要人工解释结节成像特征，该算法可能会减少CT解释中大量观察者间的可变性。”“这可能会减少不必要的诊断干预，降低放射科医生的工作量，并降低肺癌筛查的成本。”

研究人员计划通过纳入年龄、性别和吸烟史等临床参数，继续改进算法。

他们还在研究以多次CT检查为输入的深度学习算法。目前的算法非常适合在初始筛检或基线筛检时分析结节，但对于在后续筛检中发现的结节，与以前的CT相比，生长和外观是重要的。

Jacobs博士及其同事开发了其他算法，可以可靠地从与慢性阻塞性肺病和心血管疾病相关的胸部CT中提取成像特征。他们将研究如何有效地将这些成像特征集成到当前的算法中。

这项研究发表在杂志上放射学．