← 返回首頁

胸部CT多看一處:AI跨國驗證辨識食道癌風險

原本為其他目的拍攝的胸部影像,可能多提供一次發現食道病變的機會。EAGLE在大型驗證中展現辨識能力,但早期病變仍可能漏失,能否改善患者存活還待證明。

By SURL BioNews

一張已經拍好的胸部電腦斷層影像,能否多提供一次發現食道癌的機會?9月22日刊於《自然醫學》的研究,讓這個構想有了大型驗證證據。名為EAGLE的人工智慧模型分析不使用顯影劑的胸部CT,嘗試找出需要進一步接受內視鏡評估的人,為既有檢查增加一道食道病變的風險提示。

這項任務並不容易。食道是中空管狀器官,影像容易受到管腔塌陷與動作偽影影響,微小病變也難與正常組織區分。依阿里巴巴達摩院的開發說明,團隊將內視鏡報告及增強CT提供的病灶位置,與相對應的非增強影像配對訓練。四川省腫瘤醫院則指出,模型除了給出陽性或陰性判斷,也會標示可疑區域與熱圖,供醫師檢視。

研究以兩個中心的6,813名患者資料訓練模型,再於12個中心、共80,612名患者中驗證;開發團隊表示,驗證涵蓋中國、捷克與澳洲。在其中八個中心、11,466人的外部測試中,食道癌敏感度為90.0%,特異度為98.5%。前者表示能辨識約九成癌症病例,後者則反映排除非病例的能力;兩個數字都不能直接解讀為「收到警示就有九成機率罹癌」。

早期病變的結果更需要分開看。外部測試對癌前病變的敏感度為52.5%;另一組702人、同時接受CT與內視鏡的資料,在採用較高敏感度的判定門檻時,高級別上皮內瘤變與第一期食道癌的敏感度分別為65.0%及78.4%。這些結果顯示模型能捕捉部分早期線索,也提醒讀者:不同族群與門檻的數字不能直接比較,陰性結果仍可能漏掉病變。

警示發出後會帶來多少後續檢查,是臨床落地的另一道考題。法國國家癌症研究院收錄的研究摘要指出,團隊在35,402人的真實世界資料中校準模型,在保留敏感度的同時,將偽陽性減少72.7%。不過,17,446人的前瞻性院內驗證,陽性預測值仍為42.2%,代表陽性警示中超過一半未被確認為研究定義的陽性病例,後續確認流程依然關鍵。

研究也在1,607人的低劑量CT驗證中得到相近表現,因此提出與既有肺癌篩檢流程結合的可能。若分析的是已取得的影像,便不必為這次AI判讀另拍一次CT。開發團隊另稱,以EAGLE先做風險分層的臨床模擬,可使內視鏡病變檢出率提高約三倍;這反映的是受檢者的篩選效率,尚不能推論整體人群的癌症發現率或存活也會同步提高。

EAGLE目前提供的是一條值得進一步評估的篩檢路徑:從既有影像找出線索,再由臨床檢查確認。跨中心驗證增加了其可用性的證據,但研究尚未建立降低死亡率的效益。真正走入常規照護前,仍須釐清各地族群的表現、警示後的轉診負擔,以及漏診與額外檢查之間如何取得平衡。

References

  1. Nature Medicine via PubMed
  2. Sichuan Cancer Hospital
  3. Alibaba Cloud Community
  4. Institut national du cancer