在偶然的肺结节中对人工智能定义的肺结节恶性病症评分的评估:CREATE研究

科学领域:

• 放射学 放射学是指放射学
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 胸部X射线 (CXR) 上的偶然肺结节 (IPN) 需要准确的风险分层.
• 区分恶性和良性结节对于及时干预和避免不必要的程序至关重要.
• 人工智能 (AI) 工具为改善结节检测和风险评估提供了潜力.

研究的目的:

• 评估基于AI的qXR肺结节恶性瘤评分 (qXR-LNMS) 在检测CXRs上的高风险IPN方面的有效性.
• 评估qXR-LNMS的正预测值 (PPV) 和负预测值 (NPV) 与使用低剂量计算机断层扫描 (LDCT) 的放射科医生评估相比.

主要方法:

• 一项前性观察性研究 (CREATE,NCT05817110) 涉及712名35岁以上的参与者,他们在CXR上有IPNs (8-30毫米).
• 参与者被FDA批准的qXR检测算法标记,并由放射科医生确认.
• qXR-LNMS的PPV和NPV与基于LDCT的恶性瘤风险评估和肺RADS/Mayo Clinic模型进行了比较.

主要成果:

• 在qXR-LNMS显示PPV为54.2% (95%CI,49.8-58.5) 和NPV为93.5% (95%CI,89.3-96.1),与放射学家对LDCT的评估相比.
• 在70.6%的参与者中观察到梅奥诊所模型和qXR-LNMS之间的一致性 (斯皮尔曼相关性,0.247).
• 结果在关键子组中一致,PPV和NPV估计达到预先规定的值.

结论:

• qXR-LNMS显示了在CXR上预测良性和恶性IPN的潜力.
• 这种人工智能工具可以支持肺癌查计划,特别是在资源有限的环境中.
• 建议进行进一步的验证研究,以确认qXR-LNMS的临床效用.