J AM COLL RADIOL：计算机辅助诊断工具在肺结节CT筛查中的价值及应用

肺癌是癌症死亡的主要原因，在美国每年有16万人因此死亡。我们现在了解到，肺癌的早期检测可以显著降低死亡率，这主要是基于两个大型的、前瞻性的、使用低剂量CT进行肺癌筛查的随机临床试验提出，结果显示肺癌死亡率降低了20%到24%。现阶段，多个国家都推荐使用CT进行肺癌筛查。

新阶段，美国也扩大了肺癌筛查的资格标准。虽然扩大资格标准预计会进一步降低肺癌相关的死亡率，但这也伴随着医疗系统财务成本的增加和患者健康护理风险的增加。大部分费用可归因于CT的偶然发现和诊断的不确定性，以及导致额外的后续程序，包括侵入性程序和由此产生的并发症。尽管在指南中已经对假阳性进行了调整，但这些推荐通常涉及到对敏感性的权衡。

在肺癌筛查中发现的肺结节的管理是筛查的一个重要方面。ACR的肺部CT筛查报告和数据系统（Lung-RADS）为从业人员提供了一个框架，以便对肺癌筛查研究中发现的肺部结节进行高效和有效的管理（肺部影像报告和数据系统）。在因其他原因进行的常规CT检查中，肺结节也是一种常见的放射学发现，对于偶然发现的结节，通常使用具有类似考虑因素的指南进行管理。提高CT扫描对肺结节良性或恶性分类的诊断精度，对减少不必要的手术和早期肺癌诊断都有重要作用。
其他小组已经开发了机器学习方法来对胸部CT识别的肺结节进行分类。然而，目前仍不清楚这些机器学习方法如何融入当前的临床工作流程，以及与广泛采用的Lung-RADS分类系统相比其表现的价值及水平。

近日，发表在J AM COLL RADIOL杂志的一项研究评估了用于放射科实践的成像分类器改善肺结节分类和随访效果的能力。

研究使用国家肺部筛查试验（NSLT）的成像数据开发和训练了一个机器学习分类器，以产生单个肺部结节的恶性风险评分（恶性相似度指数[mSI]）。除了NLST队列外，研究还从一个三级转诊肺癌筛查项目数据集和一个CT检测到的所有结节的外部非筛查数据集中建立了外部队列。将mSI与Lung-RADS相结合的性能与Lung-RADS单独以及Mayo和Brock风险计算器进行比较。 
本项研究分析了这些队列中的963名受试者和1331个结节。mSI的准确性（曲线下面积=0.89）与现有的临床风险模型（曲线下面积=0.86-0.88）相当，在704个结节的NLST队列中具有独立预测性。与Lung-RADS相比，mSI明显提高了所有队列的敏感性（25%-117%），筛查队列的特异性也明显提高（17%-33%）。当与Lung-RADS结合使用时，使用mSI将导致各队列的早期诊断和减少随访，包括有可能对前一年CT扫描的42%的恶性NLST结节进行早期诊断。 

图 全国肺部筛查试验（NLST）队列中前一年扫描的表现。(A)根据mSi和(B)肺部影像报告和数据系统分类，诊断前1年进行过CT筛查的癌症患者的恶性肿瘤风险评分恶性肿瘤相似度指数（mSI）分布。由于没有记录明确的衰减（n 1/4 10）或直径（n 1/4 2），12个结节被排除在此分析之外。(C)两个例子显示了前一年筛查CT中突出显示的结节（mSI分别为0.94和0.95，左边和右边）

研究数据显示，与Lung-RADS相比，计算机辅助诊断软件改善了来自胸部CT的筛查和偶然发现的肺结节的风险分类，mSI增加了独立于现有放射学和临床变量的预测价值。这些结果表明，一个在实践中直接实施的工具具有普遍性和潜在的临床价值及影响。 

原始出处：

Scott J Adams,David K Madtes,Brent Burbridge,et al.Clinical Impact and Generalizability of a Computer-Assisted Diagnostic Tool to Risk-Stratify Lung Nodules With CT.DOI:10.1016/j.jacr.2022.08.006