哈佛大學開發人工智慧工具 準確預測肺癌風險
哈佛大學(Harvard University)的醫學院研究團隊與麻省理工學院(Massachusetts Institute of Technology),利用美國的國家肺癌篩檢試驗NLST (National Lung Screening Trial), 是一項旨在評估低劑量電腦斷層掃描(LDCT)對於高風險肺癌患者篩查的大規模臨床試驗數據,共同開發出一人工智慧工具—‘Sybil’。Sybil 是一種深度學習模型,可以分析掃描結果,並且準確預測了有或沒有明顯吸煙史的個體未來一到六年罹患肺癌的風險。
非吸菸者肺癌患病率上升 需新策略的篩查和準確預測
「肺癌的發病率在從未吸煙或多年未吸煙的人中持續上升,這表明有許多風險因素導致肺癌風險,其中一些目前尚不清楚。」合著者、腫瘤內科醫學教授 Lecia Sequist 說道。低劑量電腦斷層掃描(LDCT)用於肺癌篩查是有效的,但大多數符合條件的人並未接受篩查。該團隊提供個性化的未來癌症風險評估工具,可以將方法集中於最有可能受益的人群。利用建立一個深度學習模型,以預測個人風險,而無需額外的人口統計或臨床數據,提高肺癌篩查的效率。
Sybil使用美國的國家肺癌篩檢試驗(NLST)的數據開發,這是一種深度學習模型,可以分析掃描並預測未來一到六年的肺癌風險。“Sybil僅需要一個LDCT,不依賴臨床數據或放射學家的註釋。”麻省綜合醫院(Mass General)放射學副教授Florian Fintelmann合著者表示。“它被設計成在放射影像閱讀的後台中實時運行,這使得它可以作為臨床決策支持的即時點護理。”他說。
人工智慧’Sybil’ 檢測出人眼無法看到的風險
該團隊使用了三組獨立的數據集來驗證Sybil —— 一組來自超過6000名Sybil以前未見過的NLST參與者的放射影像,來自麻省總醫院(Massachusetts General Hospital)的8821個LDCT,以及來自台灣長庚紀念醫院的12280個LDCT,數據包括所有具有吸煙史以及從未吸煙的人。
Sybil能夠準確地預測這些組別中的肺癌風險。研究人員使用曲線下面積(AUC)來確定Sybil的準確性,這是一種衡量一項測試區分疾病和正常樣本的能力的指標,其中1.0是完美得分。
Sybil預測了一年內的癌症,對於額外的NLST參與者,麻省總醫院數據集和來自台灣的數據集,AUC分別為0.92、0.86和0.94,並且Sybil預測了六年內的肺癌,對於這三個數據集,AUC分別為0.75、0.81和0.80。
(接受者操作特徵曲線顯示 Sybil 透過 (A) NLST、(B) MGH 和 (C) CGMH 測試集進行單次低劑量電腦斷層掃描後 6 年預測未來肺癌的能力。
"Sybil可以透過查看圖像,來預測患者在六年內罹患肺癌的風險,"麻省理工學院的人工智能和健康科學領域研究中心的學院主任Regina Barzilay說,“在我們的研究中,Sybil能夠從LDCT中檢測出人眼無法看到的風險模式,”Sequist說。“我們很高興能進一步測試這個程序,看看它是否可以提供有助於放射科醫生診斷的信息,並讓我們走上為患者個人化篩查的道路。”
編輯來源和事實核查:
1.AI Tool Predicts Risk of Lung Cancer,Harvard College,2023.01.18
2.Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography,Journal of Clinical Oncology,2023.01.12