來源：生物谷原創(chuàng) 2023-01-30 11:46
來自麻省理工學院等機構(gòu)的科學家們通過研究開發(fā)并測試了一種名為Sybil的人工智能工具來幫助預測人群患肺癌的風險。
肺癌是美國乃至全球人群因癌癥死亡的主要原因，低劑量胸部計算機斷層掃描（LDCT，Low-dose chest computed tomography）被推薦用于針對50-80歲有明顯吸煙史或目前正在吸煙的人群進行肺癌的篩查，利用LDCT進行肺癌篩查被證明能將肺癌患者的死亡率降低24%。但隨著非吸煙人群中肺癌發(fā)病率的上升，科學家們就需要新型策略來篩查并準確預測更多人群患肺癌的風險，近日，一篇發(fā)表在國際雜志Journal of Clinical Oncology上題為“Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography”的研究報告中，來自麻省理工學院等機構(gòu)的科學家們通過研究開發(fā)并測試了一種名為Sybil的人工智能工具來幫助預測人群患肺癌的風險。
基于對來自美國和中國臺灣患者的LDCT掃描結(jié)果的分析，人工智能工具Sybil或能準確預測有或者無明顯吸煙史肺癌患者患肺癌的風險。醫(yī)學博士Lecia Sequist說道，近年來，肺癌的發(fā)病率在從不吸煙或多年不吸煙的人群中不斷攀升，這或許就表明存在很多風險因素會促進機體患肺癌的風險，而且其中一些因素目前研究人員尚不清楚。如今研究人員就開發(fā)出了一種特殊工具，其能利用圖像觀察集體生物學并對癌癥風險進行預測，這或許就代替了研究人員評估個體的環(huán)境或遺傳風險因素等。
美國預防服務特別工作組推薦對于50歲以上或有20包/年（pack-years）吸煙史的人群（目前正在吸煙或在過去15年內(nèi)戒煙的人群）每年進行LDCT篩查，但僅有不到10%的符合條件的患者每年接受篩查。為了幫助改善肺癌篩查的效率并提供個體化的評估，研究者Sequist及其同事聯(lián)合研究，利用來自全美肺部篩查試驗（NLST，National Lung Screening Trial）的數(shù)據(jù)開發(fā)了名為Sybil的工具，其是一種深度學習模型，能分析掃描并預測個體未來1-6年患肺癌的風險。研究者表示，Sybil只需要一個LDCT結(jié)果就能分析，且并不依賴于臨床數(shù)據(jù)或放射科醫(yī)生的結(jié)果注釋，其已經(jīng)被設計成了能在標準放射科讀片站后臺進行實時運行，這或許就使得定點照護的臨床決策支持成為了可能。
圖片來源：https://pubmed.ncbi.nlm.nih.gov/36634294/
研究人員使用三個獨立的數(shù)據(jù)集對Sybil工具進行了驗證，即一組來自6000多名NLST參與者的掃描結(jié)果（此前并未應用Sybil工具）、來自麻省總醫(yī)院的8821張LDCTs掃描結(jié)果以及來自中國臺灣長庚紀念醫(yī)院的12280張LDCTs掃描結(jié)果，后一組掃描包括所有有多種吸煙史的人群，包括從未吸煙的人群等。研究者表示，Sybil能準確預測上述數(shù)據(jù)集中患者患肺癌的風險，他們使用曲線下面積（AUC，Area Under the Curve）來確定Sybil的準確程度，AUC能衡量一種測試手段是否能有效區(qū)分疾病和正常樣本的程度，其中1.0分為滿分。Sybil在預測參與者一年內(nèi)的患癌情況方面，針對額外的NLST中參與者的AUCs為0.92、麻省總醫(yī)院數(shù)據(jù)集的AUCs為0.86，來自中國臺灣的數(shù)據(jù)集的AUCs為0.94。Sybil在預測三年內(nèi)參與者肺癌風險方面，上述不同研究數(shù)據(jù)集中的AUCs分別為0.75、0.81和0.80。
研究者Regina Barzilay說道，Sybil工具能查看并預測患者在6年內(nèi)患肺癌的風險，本文研究是一項回顧性研究，其需要對患者進行前瞻性的跟蹤研究來驗證Sybil工具的有效性。此外，研究中的美國參與者中絕大多數(shù)都是白人（92%），未來研究中，研究人員還需要通過研究確定是否Sybil能準確預測多種類型人群患肺癌的風險。未來研究人員將會開展一項前瞻性臨床試驗在真實世界中對Sybil進行測試，同時理解其是如何補充放射科臨床醫(yī)生的工作的，目前該工具的代碼已經(jīng)公開發(fā)布。這項研究中，Sybil工具能從LDCT中檢測出人類肉眼無法看到的風險模式，研究人員很高興能進一步檢測該程序從而觀察是否其能增加相關(guān)信息，并幫助放射科臨床醫(yī)生進行診斷，從而對患者進行更進一步的個體化篩查和診斷。
綜上，本文研究結(jié)果表明，Sybil工具或能通過單一的LDCT掃描來準確預測個體未來患肺癌的風險，并進一步實現(xiàn)對肺癌患者的個體化篩查；后期研究人員還需要進行更多深入的研究來理解Sybil的臨床應用，目前研究者所開發(fā)的模型和注釋是公開可用的。（生物谷Bioon.com）
原始出處：
Peter G Mikhael, Jeremy Wohlwend, Adam Yala, et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography, J Clin Oncol
. 2023 Jan 12;JCO2201345. doi: 10.1200/JCO.22.01345
