Radiology：人工智能在肺癌筛查中的附加价值

身体成分测量可捕捉人体的物理和体质特征。异常的身体组成表型，如肥胖和肌肉减少症，与几种慢性健康状况有关，包括代谢紊乱、慢性炎症和身体功能障碍。在肺癌治疗中，身体组成已被证明会影响化疗后的生存、总生存期、生活质量、和其他重要的肿瘤学指标。研究还证明了身体成分对心血管疾病(CVD)和慢性阻塞性肺疾病的风险分层和预后价值。

现阶段，胸部平扫低剂量CT (LDCT)是肺癌筛查的标准成像方案。除了肺实质外，这种成像方式还提供了胸部解剖结构的高空间分辨率描述，从而可以对身体成分进行机会性评估。限制其应用的一个因素是视野受限，因为当关键的层面被扫描边界截断时，传统的层面评估通常是不够的。事实上，最近的一项研究报道，96.1%的国家肺筛查试验(NLST)的LDCT图像和69.4%的内部肺筛查程序的LDCT图像显示轻度至重度的身体层面截断。一些研究已经证明了评估包括在视野范围内的区域组织的价值，如胸肌或棘旁肌作为整体肌肉评估的替代测量。

在先前的研究中开发并测试了一种人工智能(AI)算法，该算法可以从肺部筛查LDCT中获得身体成分测量值。与先前的区域组织评估方法不同，该算法自动扩展视野以恢复截断的身体层面，重建具有完整身体解剖结构的合成CT图像，并接近未截断的版本。这一创新可以使用视野中所有的身体部位对身体成分进行近似的层面评估，同时保持结果“可解释”，从而可以直观地检查评估质量。

近日，发表在Radiology杂志上的一篇研究评价了基于CT的人工智能体成分测量在全国肺筛查试验(NLST)中肺癌发病率、肺癌死亡、心血管疾病(CVD)死亡和全因死亡率风险预测中的附加价值。

在NLST的二次分析中，研究通过使用先前开发的人工智能算法从基线LDCT检查中获得身体成分测量，包括骨骼肌和皮下脂肪组织的面积和衰减属性。使用性别和原因特异性Cox比例风险模型评估这些测量的附加价值，在有或没有人工智能导出的身体成分测量的情况下预测肺癌发病率、肺癌死亡、心血管疾病死亡和全因死亡率。模型对混杂变量进行了调整，包括年龄、身体质量指数、定量肺气肿、冠状动脉钙化、糖尿病、心脏病、高血压和卒中病史，以及其他PLCOM2012肺癌危险因素。采用似然比检验评估拟合优度的改善。

在20768名纳入的参与者(中位年龄61岁[IQR, 57-65岁];12317名男性)中，有865人诊断为肺癌，4180人在随访期间死亡。纳入人工智能衍生的身体成分测量可改善肺癌死亡的风险预测(男性参与者:χ2 = 23.09, P < 0.001;女性受试者:χ2 = 15.04, P = 0.002)，心血管疾病死亡(男性受试者:χ2 = 69.94, P < 0.001;女性:χ2 = 16.60, P <0 .001)，全因死亡率(男性:χ2 = 248.13, P < .001;女性:χ2 = 94.54, P <0 .001)，但肺癌发病率无统计学意义(男性:χ2 = 2.53, P = .11;女性受试者:χ2 = 1.73, P = 0.19)。

 表 体成分测量值与人体测量指数的相关性

本项研究表明，从基线低剂量CT检查中自动得出的身体成分测量值增加了肺癌死亡、心血管疾病死亡和全因死亡的预测价值，但对NLST中肺癌发病率没有预测价值。

原文出处：

Kaiwen Xu,Mirza S Khan,Thomas Z Li,et al.AI Body Composition in Lung Cancer Screening: Added Value Beyond Lung Cancer Detection.DOI:10.1148/radiol.222937