European Radiology：结合人工智能，提高术前CT图像恶性肺结节的诊断效率！

随着低剂量计算机断层扫描（LDCT）在肺癌筛查中的广泛使用，肺部结节的患者数量大大增加。然而，这些肺部结节中只有不到10%是恶性肿瘤。对于直径小于2厘米的结节，恶性肿瘤的概率甚至低于2%。在目前的常规诊断技术下，这些恶性结节仍然难以诊断，特别是那些<2厘米的结节来说更是如此。因此，这些可能导致越来越多的误诊（即良性结节手术患者）或过度治疗。因此，对肺部结节的准确诊断十分关键。

最近，基于人工智能（AI）的CT已经得到越来越多的关注。与人工CT评估相比，AI具有更高的准确性，在诊断任务中需要更少的人工干预。以前的研究报告称，三维（3D）纹理特征分析可以提高诊断的敏感性和特异性，分别为23%和28%。然而，传统的CT和基于AI的CT评估都有很高的假阳性率（分别为49%和30%）。因此，仅使用这种筛查技术很难区分良性和恶性结节。

血清肿瘤生物标志物检测被认为是有效和经济的肿瘤诊断方法。早期的研究已经说明了癌胚抗原（CEA）在肺癌检测、预后和随访中的意义。在一个中国患者队列中，七种自身抗体（p53、GAGE7、PGP9.5、CAGE、MAGEA1、SOX2和GBU4-5）在检测肺癌方面显示出高特异性（90%）但低敏感性（61%）。

近日，发表在European Radiology杂志的一项研究探讨了基于人工智能的CT诊断系统、7-自体抗体（7- AAB）检测和其他重要的临床因素的结合来开发一种新的肺部结节诊断模式，为临床提供了一项操作简单、诊断效率高、无创且有效的临床决策工具。

本项研究包括424名影像学检出肺结节的患者，每位患者均在术前接受了7-自体抗体（7-AAB）小组测试、基于CT的AI诊断以及通过手术切除进行病理诊断。这些患者被随机分为训练集（n = 212）和验证集（n = 212）。根据训练组的单变量和多变量分析所确定的预测因素，通过正向逐步逻辑回归法制定了列线图，并在验证组中进行了内部验证。 

基于年龄以及基于CT的AI诊断、7-AAB小组和CEA测试结果等具有统计学意义的变量，并构建了一个诊断列线图。在验证组中，敏感性、特异性、阳性预测值和AUC分别为82.29%、90.48%、97.24%和0.899（95%[CI], 0.851-0.936）。列线图显示出明显高于7-AAB小组测试结果（82.29% vs. 35.88%，p < 0.001）和CEA（82.29% vs. 18.82%，p < 0.001）的敏感性，特异性也明显高于AI诊断（90.48% vs. 69.04%，p = 0.022）。对于直径≤2厘米的病变，列线图的特异性高于AI诊断系统（90.00% vs. 67.50%，p = 0.022）。 

 图 列线图的校准曲线。X轴代表提名图预测的肺癌概率，Y轴代表肺癌的实际概率

基于7-AAB小组、AI诊断系统和其他临床特征的结合，本项研究提出的列线图在区分良恶性肺结节，尤其是直径≤2厘米的肺结节方面表现出良好的诊断性能。

原文出处：

Yu Ding,Jingyu Zhang,Weitao Zhuang,et al.Improving the efficiency of identifying malignant pulmonary nodules before surgery via a combination of artificial intelligence CT image recognition and serum autoantibodies.DOI:10.1007/s00330-022-09317-x