屏幕LungNet:个性化长期预测肺癌风险从单个低剂量CT查的肺癌风险

科学领域:

• 放射学和瘤学 放射学和瘤学
• 人工智能在医学中的应用
• 医学成像分析 医学成像分析

背景情况:

• 低剂量CT (LDCT) 肺癌查通常集中在结节上,可能会忽视整体肺部特征并低估长期风险.
• 现有的查方法可能无法充分捕捉肺癌发展的复杂性.

研究的目的:

• 开发和验证一种新的肺癌风险预测模型,该模型包括结节和全球肺部特征.
• 评估全球肺部特征的附加值,以改善与仅结节模型相比的3年肺癌风险预测.

主要方法:

• 开发ScreenLungNet,使用来自中国队列的LDCT数据和临床CT数据的3年风险预测模型.
• 使用视觉变压器从多个结节和全球肺部特征中提取特征.
• 将ScreenLungNet与使用AUC,精度,灵敏度,特异性,PPV和NPV的单结节,多结节和全局特征模型进行比较.

主要成果:

• 与只有结节的模型相比,ScreenLungNet显示出优异的3年肺癌风险预测性能 (AUC 0.93-0.94).
• 在国家肺部查试验 (NLST) 队列中,ScreenLungNet实现了高性能 (AUC 0.93,精度94.8%,特异性95.2%).
• 该模型在NLST基线负子集 (AUC 0.87) 中保持了强大的预测能力.

结论:

• 整合多个结节特征和全球肺部特征显著提高了长期肺癌风险预测.
• 屏幕LungNet提供了改进的风险分层,可以预测查负面参与者的风险.
• 这种模型代表了利用全面CT数据用于肺癌查的进步.