← 返回首頁

AI組合辨出65例肺癌中的63例,高敏感度背後仍有大量偽陽性

一項涵蓋5,110次低劑量電腦斷層檢查的回溯研究,呈現整合不同AI判讀方式的潛力;但陽性預測值僅2.7%,距離改善篩檢照護還有待驗證。

By SURL BioNews

肺癌篩檢希望及早找出腫瘤,也必須避免讓大量沒有癌症的人承受不必要的檢查。一項刊於《Radiology: Cardiothoracic Imaging》的研究,把兩種人工智慧模型與結節判讀規則結合,在一年內確診的65例肺癌中辨出63例。不過,系統發出的陽性訊號,只有2.7%對應到這段期間確診的肺癌,凸顯少漏掉癌症與控制偽陽性之間的取捨。

研究回頭分析兩個肺癌篩檢世代的首次低劑量電腦斷層影像:美國國家肺癌篩檢試驗(NLST)的2,343次檢查,以及潘普洛納國際早期肺癌行動計畫(P-IELCAP)的2,767次檢查。依HeartLung.AI公布的研究說明,評估終點是檢查後一年內經組織學確認的肺癌,而非影像上是否出現可疑結節。

這套組合試圖讓不同判讀方式相互補足。Sybil分析整份掃描影像,另一個以MONAI為基礎的模型則聚焦肺結節;研究另設一道規則,將MONAI偵測到、直徑大於6毫米且偵測信心值超過0.95的結節納入警示。這個信心值反映模型對結節偵測的把握,不能解讀為罹癌機率超過95%。

組合模型的敏感度達96.9%,仍漏掉兩例癌症;特異度則為55.0%,代表在研究列入這項計算的非癌症檢查中,約有45%被標為陽性。摘要記載,2,297個陽性預測中只有63個對應一年內確診的肺癌。換句話說,每100個陽性訊號,約僅三個符合研究設定的癌症終點;這些警示若進入臨床,如何安排複核與追蹤,將是實用性的關鍵。

兩個篩檢世代也呈現不同的風險背景:NLST的肺癌發生率為每千人年17.7例,P-IELCAP則為8.7例。Sybil在兩組的受試者工作特徵曲線下面積(AUC)均為0.93;MONAI模型則分別為0.90與0.79。AUC描述模型區分癌症與非癌症的能力,並不等同某個警示門檻下的陽性準確程度;後者也會受到受檢族群癌症比例影響。

公開資料仍有需要釐清之處。摘要列出總計5,110次檢查,但特異度計算使用的4,965次非癌症檢查,加上65例癌症後,合計為5,030次;其餘80次為何未出現在這組分母中,摘要未交代。此外,HeartLung.AI頁面仍將稿件標為已投稿,Life Science Network轉載的PubMed紀錄則已列出期刊卷期與文章編號,兩者的出版狀態標示並不一致。

這項結果支持繼續評估組合模型,尚不能證明它能改善患者結局。回溯辨識既有影像中的癌症,與實際協助醫師提早診斷、減少不必要處置,是不同層次的證據。HeartLung.AI也指出,仍須前瞻性研究確認日常診療表現與臨床效益;下一步的問題,是高敏感度能否在可承受的追蹤負擔下,轉化為更好的篩檢照護。

References

  1. OpenRounds, referencing Radiology: Cardiothoracic Imaging
  2. HeartLung.AI
  3. Life Science Network