您好,欢迎您

2024 WCLC | 深度学习模型Sybil预测1年内肺癌发生风险最佳

08月18日
编译:肿瘤资讯
来源:2024 WCLC

2024世界肺癌大会(WCLC)将于美国当地时间9月7-10日在圣地亚哥举行,旨在为全球肺癌领域的学者、专家、从业人员提供最新临床研究、科学研究成果及广阔的学术交流平台。


近日,WCLC官网已披露部分摘要。加拿大Lunenfeld-Tanenbaum 研究所R. Phellan Aro教授公布了一项研究,旨在评估深度学习模型Sybil在三个独立筛查研究中的肺癌风险预测能力。【肿瘤资讯】特此整理,以飨读者。

研究标题:Validation of the Sybil Deep Learning Lung Cancer Risk Prediction Model in Three Independent Screening Studies

摘要号:MA02.11

背景

肺癌是全球癌症死亡的主要原因。通过低剂量螺旋CT(LDCT)进行早期诊断可以降低肺癌的发病率和死亡率。然而,在LDCT筛查计划中进行有效的患者管理仍具有挑战性。Sybil是一种深度学习模型,通过分析单个完整的LDCT影像来预测未来的肺癌风险。本研究通过三个独立的筛查研究验证了Sybil的性能。

方法

基于来自加拿大早期肺癌检测项目、匹兹堡肺癌筛查研究和多伦多筛查项目的38,922个LDCT影像和2,010例确诊的肺癌病例,研究使用Sybil估算未来1至6年肺癌的发生风险,并计算接收者操作特征(ROC)曲线下面积(AUC)。同时,按结节直径、密度和结节存在情况对AUC进行评估。

结果

在这三项研究中,Sybil在预测1年内确诊肺癌时的AUC为0.93,但预测6年内肺癌时降至0.79(详见表1)。当仅分析存在肺结节的个体时,Sybil的AUC表现保持一致。然而,在基线无结节的个体中,Sybil的AUC降至0.65。

按结节直径分层时,Sybil在较大结节(最大直径 > 10 mm)中的表现更好,1年预测的AUC为0.91,而小结节的AUC为0.86。按密度分层时,Sybil在预测磨玻璃结节的1至2年风险时,AUC超过0.93,但在预测3至6年部分实性结节时,其AUC超过0.81。

为评估Sybil在无结节情况下的预测能力,研究使用了基线没有结节但确诊为肺癌患者的LDCT影像数据。在91例基线无结节但在1至6年内被确诊肺癌的患者中,83例基线Sybil评分较低,这表明Sybil在无结节情况下的预测性能可能不足。

1.png

结论

研究在三个独立的肺癌筛查研究中评估了Sybil的预测性能。其预测性能在1年内最佳,但在3年后预测的准确性有所下降。研究还发现,Sybil在无结节情况下可能无法准确预测肺癌风险,并且对基线未出现但快速增长结节的预测能力可能有限。

责任编辑:肿瘤资讯-Yuno
排版编辑:肿瘤资讯-Yuno

版权声明

本文专供医学专业人士参考,未经著作人许可,不可出版发行。同时,欢迎个人转发分享,其他任何媒体、网站如需转载或引用本网版权所有内容,须获得授权,且在醒目位置处注明“转自:良医汇-肿瘤医生APP”。


微信图片_20240817102759.jpg