机器学习引导肺结节恶性病的检测与分子成像引导的手术
Feredun Azari1,2, Gregory T Kennedy1,3, Andrew Hanna4
1Division of Thoracic Surgery, University of Pennsylvania Perelman School of Medicine, Philadelphia.
JAMA network open
|January 13, 2026
概括
一个人工智能 (AI) 算法在肺癌手术期间分析分子成像,以快速确定肺结节是否恶性. 这种人工智能工具为传统方法提供了更快,更准确的替代方案,改善了手术诊断.
科学领域:
- 肺部医学 肺部医学
- 手术瘤学手术瘤学
- 医学成像分析分析 医学成像分析
背景情况:
- 在美国,每年诊断出超过100万个肺结节.
- 分子成像指导手术用于结节诊断,但在准确性和效率方面面临挑战.
- 定位小结节和评估恶性瘤在技术上很困难,容易出现人为错误.
研究的目的:
- 展示机器学习 (ML) 算法的使用与分子成像来分析手术内数据.
- 使用人工智能在手术期间评估肺结节的恶性潜力.
- 为了提高肺癌手术的诊断准确性和效率.
主要方法:
- 来自宾夕法尼亚大学的前性收集数据库 (2014-2021) 的回顾性分析.
- 开发一种名图和人工智能图像分析仪,将算法瘤与背景比率 (TBR) 检测结合起来.
- 在手术内分子成像 (IMI) 指导手术 (2021-2024) 期间对AI算法 (光学活检) 的前性测试.
主要成果:
- 在恶性结节评估中,AI算法实现了0.865-0.893的曲线下的面积 (AUC).
- 恶性瘤的关键预测因素包括吸烟史,活体TBR和现场光.
- 前性测试显示高灵敏度 (93.8%) 和特异性 (100%) 恶性瘤检测,结果在2分钟以下.
结论:
- 通过人工智能分析的手术内成像数据准确地确定了无确定的肺结节患者的结节恶性瘤.
- 与冷部分分析相比,AI算法显著减少了诊断时间 (1.8分钟与34分钟相比).
- 这种人工智能方法有可能在肺癌手术期间克服诊断挑战.
