深度学习模型对低剂量胸部CT的肺癌风险进行外部测试
Jong Hyuk Lee1,2, Kum Ju Chae3, Michael T Lu4,5
1Department of Radiology, Seoul National University Hospital, 101, Daehak-ro, Jongno-gu, Seoul 03080, Korea.
Radiology
|August 5, 2025
概括
肺癌预测的深度学习模型Sybil在亚洲人中表现强,有严重吸烟史,但与从未吸烟或轻度吸烟的人扎,特别是对于未来的癌症检测.
科学领域:
- 医疗成像中的人工智能
- 胸部瘤学 胸部瘤学
- 无线电学和深度学习
背景情况:
- 赛比尔是一个开源的深度学习模型,需要通过低剂量CT (LDCT) 来进行肺癌预测的外部验证.
- 它的有效性在识别高风险的个人谁是从不吸烟或轻度吸烟者是不确定的.
研究的目的:
- 在亚洲健康检查队列中,对Sybil在预测肺癌风险方面的表现进行外部验证.
- 评估Sybil在识别高风险个体中的实用性,包括从未吸烟者和轻度吸烟者.
主要方法:
- 对18057名 (年龄在50-80岁) 个体的LDCT扫描以及随访数据的回顾性分析.
- 使用时间依赖的AUC对1年和6年肺癌风险的Sybil的预测性能的评估.
- 根据吸烟史 (重度与从未/轻度) 和肺癌在基线扫描中的可见性进行子组分析.
主要成果:
- 在整体队列中,Sybil在整体队列中实现了高AUC (0.91为1年,0.74为6年).
- 在重度吸烟者中,Sybil在可见肺癌 (AUC 0.94) 中表现强,在未来癌症 (AUC 0.70) 中可接受.
- 在从未/轻度吸烟者中,Sybil在可见癌症方面表现良好 (AUC 0.89),但在未来癌症方面表现不佳 (AUC 0.56).
结论:
- 在亚洲重度吸烟者中,Sybil对可见的肺癌表现出色,对未来的肺癌是可以接受的.
- 在亚洲人中,西比尔在检测未来的肺癌方面的表现很差,亚洲人从未吸烟或有轻度吸烟史.
