四川大學(xué)華西醫(yī)院李為民教授、上?？萍即髮W(xué)/聯(lián)影智能沈定剛教授、聯(lián)影智能石峰博士、四川大學(xué)華西醫(yī)院王成弟研究員等在國(guó)際頂尖醫(yī)學(xué)期刊 Nature Medicine 上發(fā)表了題為：Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography 的研究論文。

該研究基于中國(guó)人群肺癌篩查隊(duì)列、肺結(jié)節(jié)臨床隊(duì)列，創(chuàng)新性地研發(fā)了數(shù)據(jù)驅(qū)動(dòng)的中國(guó)肺結(jié)節(jié)報(bào)告和數(shù)據(jù)系統(tǒng)（C-Lung-RADS），實(shí)現(xiàn)了肺結(jié)節(jié)惡性風(fēng)險(xiǎn)精準(zhǔn)分級(jí)和個(gè)性化管理。

低劑量螺旋計(jì)算機(jī)斷層掃描（LDCT）已被證實(shí)是肺癌篩查的有效工具，多項(xiàng)關(guān)鍵研究證實(shí)，LDCT顯著降低了肺癌死亡率。在中國(guó)進(jìn)行的前瞻性多中心隊(duì)列研究表明，在肺癌高危人群進(jìn)行一次LDCT篩查可將肺癌死亡率降低31%。隨著LDCT的廣泛應(yīng)用，肺結(jié)節(jié)的檢出率逐漸提高。然而，其中至少95%篩查出的肺結(jié)節(jié)是良性的，因此，準(zhǔn)確估計(jì)LDCT檢測(cè)到的肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)至關(guān)重要，能夠避免漏診、延誤診斷和不必要的活檢程序。

現(xiàn)有的肺結(jié)節(jié)管理指南主要根據(jù)密度和大小對(duì)結(jié)節(jié)進(jìn)行分類(lèi)。根據(jù)密度，肺結(jié)節(jié)被分為實(shí)性結(jié)節(jié)和亞實(shí)性結(jié)節(jié)，后者進(jìn)一步分為純磨玻璃結(jié)節(jié)（pGGN；無(wú)固體成分）和混合磨玻璃結(jié)節(jié)（mGGN；既有磨玻璃成分又有固體成分）。結(jié)節(jié)的大小也會(huì)影響對(duì)其性質(zhì)的評(píng)估。作為最流行的指南之一，肺CT篩查報(bào)告和數(shù)據(jù)系統(tǒng)（Lung-RADS）建議將6毫米以下的實(shí)性結(jié)節(jié)和30毫米以下的pGGN視為良性。此外，包括梅奧模型和布魯克大學(xué)模型在內(nèi)的幾個(gè)風(fēng)險(xiǎn)預(yù)測(cè)模型將臨床和結(jié)節(jié)特征結(jié)合起來(lái)評(píng)估肺結(jié)節(jié)。

然而，這些模型在中國(guó)人群中的表現(xiàn)并不理想，需要手動(dòng)評(píng)估，這既費(fèi)時(shí)又費(fèi)力。因此，迫切需要開(kāi)發(fā)自動(dòng)化的肺結(jié)節(jié)風(fēng)險(xiǎn)評(píng)估工具。

人工智能（AI）的快速發(fā)展已經(jīng)革新了醫(yī)療流程，在皮膚癌亞型分類(lèi)、肺炎鑒別診斷和癌癥預(yù)后預(yù)測(cè)等影像識(shí)別任務(wù)中取得了顯著效果。在臨床工作流程中，已將幾種基于深度學(xué)習(xí)的產(chǎn)品應(yīng)用于肺結(jié)節(jié)檢測(cè)。

利用AI技術(shù)進(jìn)行肺結(jié)節(jié)惡性程度評(píng)估是一個(gè)新興方向。基于計(jì)算機(jī)斷層掃描（CT）體積構(gòu)建的端到端深度學(xué)習(xí)模型預(yù)測(cè)NLST隊(duì)列中肺結(jié)節(jié)惡性的概率，曲線下面積（AUC）為0.944，略?xún)?yōu)于專(zhuān)業(yè)醫(yī)師?？紤]到肺結(jié)節(jié)中惡性比例較低，并非所有情況下都需要耗費(fèi)大量的計(jì)算資源進(jìn)行評(píng)估。在醫(yī)療資源有限的地區(qū)，部署AI模型可能加劇醫(yī)療資源不平等的問(wèn)題。此外，為了與臨床場(chǎng)景相匹配，需要對(duì)惡性結(jié)節(jié)進(jìn)行全面評(píng)估，整合多維信息。

在這項(xiàng)最新研究中，研究團(tuán)隊(duì)提出了一種基于大規(guī)模數(shù)據(jù)集的基于風(fēng)險(xiǎn)的中國(guó)肺結(jié)節(jié)報(bào)告和數(shù)據(jù)系統(tǒng)（C-Lung-RADS），用于估計(jì)肺結(jié)節(jié)的惡性風(fēng)險(xiǎn)。

該研究基于四川大學(xué)華西醫(yī)院及其醫(yī)聯(lián)體的12萬(wàn)受試者開(kāi)展，納入胸部CT檢查檢出肺結(jié)節(jié)人群，其中健康體檢隊(duì)列（Medical Checkup Cohort，MCC）45064例肺結(jié)節(jié)人群數(shù)據(jù)作為訓(xùn)練集（80%）和內(nèi)部測(cè)試集（20%），社區(qū)篩查隊(duì)列（Mobile Screening Cohort，MSC）14437例肺結(jié)節(jié)人群數(shù)據(jù)數(shù)據(jù)作為外部測(cè)試集。

該系統(tǒng)使用分步操作方式，在第一階段，通過(guò)自動(dòng)獲取結(jié)節(jié)的大小和密度，該系統(tǒng)能夠區(qū)分出低風(fēng)險(xiǎn)、中風(fēng)險(xiǎn)、高風(fēng)險(xiǎn)和極高風(fēng)險(xiǎn)的結(jié)節(jié)。此外，它還整合了包括影像學(xué)、臨床和隨訪數(shù)據(jù)在內(nèi)的多模態(tài)特征，以識(shí)別可疑惡性結(jié)節(jié)并細(xì)化風(fēng)險(xiǎn)等級(jí)。隨后，在獨(dú)立測(cè)試隊(duì)列中使用移動(dòng)CT獲取的數(shù)據(jù)對(duì)C-Lung-RADS的性能進(jìn)行了驗(yàn)證，并進(jìn)一步探索了精確管理策略的可訪問(wèn)性。

在識(shí)別可疑惡性結(jié)節(jié)并細(xì)化風(fēng)險(xiǎn)等級(jí)中，對(duì)于內(nèi)部測(cè)試集，多維度模型（影像+臨床+隨訪）的曲線下面積（AUC）為0.918，高于雙維度模型（影像+臨床）的0.882，以及單維度模型的0.881。在獨(dú)立驗(yàn)證集中多模態(tài)模型的診斷效能同樣最佳，AUC為0.927。

此外，C-Lung-RADS診斷惡性肺結(jié)節(jié)的靈敏度為79.9%，明顯高于Lung-RADS的60.3%，在陽(yáng)性預(yù)測(cè)值相當(dāng)?shù)那闆r下，C-Lung-RADS陰性預(yù)測(cè)值顯著高于Lung-RADS v2022（96.1% vs 92.9%）。同樣在獨(dú)立測(cè)試集中，C-Lung-RADS鑒別高危肺結(jié)節(jié)的靈敏度為87.1%，優(yōu)于Lung-RADS 63.3%，在陽(yáng)性預(yù)測(cè)值相當(dāng)?shù)那闆r下，C-Lung-RADS陰性預(yù)測(cè)值顯著高于Lung-RADS v2022（99.0% vs 97.1%）。

上述數(shù)據(jù)證實(shí)了在肺癌篩查場(chǎng)景中，C-Lung-RADS較Lung-RADS更適用于中國(guó)人群肺結(jié)節(jié)的風(fēng)險(xiǎn)分層。

基于精確的風(fēng)險(xiǎn)分層和量身定制的管理，C-Lung-RADS系統(tǒng)為低風(fēng)險(xiǎn)病例減少了不必要的侵入性檢查程序，并為極高風(fēng)險(xiǎn)結(jié)節(jié)推薦了及時(shí)干預(yù)，以避免診斷延遲。該系統(tǒng)有潛力改善決策范式，并在常規(guī)檢查和篩查場(chǎng)景中促進(jìn)更有效的肺癌診斷。

四川大學(xué)華西醫(yī)院為第一作者和通訊作者單位，四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科李為民教授、王成弟研究員、聯(lián)影智能石峰研究員、上?？萍即髮W(xué)沈定剛教授為論文共同通訊作者；四川大學(xué)華西醫(yī)院呼吸與危重癥醫(yī)學(xué)科王成弟研究員、呼吸病學(xué)博士生邵俊、聯(lián)影智能賀懌楚博士為論文共同第一作者。