首页 > 文章详情

2026 WCLC | Sybil人工智能与Lung-RADS在低剂量CT肺癌筛查中的比较

08月31日

编译：肿瘤资讯

来源：肿瘤资讯

Session Type

Mini Oral

Session Title

MO14. Scaling Lung Cancer Screening — AI, Access, and Real-World Impact

摘要号

MO14.06

英文标题

Comparison of Sybil Artificial Intelligence With Lung-RADS for Lung Cancer Detection on Low-Dose CT Screening

中文标题

Sybil人工智能与Lung-RADS在低剂量CT肺癌筛查中的比较

讲者

Rowena Yip, PhD, MPH

讲者机构

Icahn School of Medicine at Mount Sinai

背景

低剂量CT（LDCT）肺癌筛查依赖于指南推荐、以放射科医师为基础的框架（如Lung-RADS）进行基于结节的危险分层。Sybil是一种深度学习模型，可直接从LDCT影像中预测肺癌风险，无需识别结节或放射科医师输入。我们在两个独立筛查队列中比较了Sybil与Lung-RADS在一年内肺癌检出方面的判别性能。

方法

我们评估了来自美国国家肺癌筛查试验（US-NLST）的2,343名参与者（41例一年内癌症，占1.7%）和来自潘普洛纳国际早期肺癌行动项目（P-IELCAP）的3,610名参与者（28例一年内癌症，占0.8%）。计算各模型的时间依赖性ROC曲线及曲线下面积（AUC）。采用DeLong检验评估两两AUC差异。在预设阈值及模型间匹配假阳性（FP）率条件下比较敏感性和FP率。对于Sybil，预设风险阈值为0.6%；另在每个队列中选择第二个阈值，以达到与Lung-RADS ≥3相当或更低的FP率。

结果

在US-NLST中，一年内肺癌检出的AUC分别为Sybil 0.93 [0.89-0.98]和Lung-RADS 0.90 [0.84-0.95]（DeLong p=0.227）。在预设阈值下，Lung-RADS ≥3在14.8% FP率下达到75.6%的敏感性，而Sybil（0.6%）在23.0% FP率下达到90.2%的敏感性。在匹配FP率下，Sybil（1.1%）在12.3% FP率下达到87.8%的敏感性。在P-IELCAP中，Sybil的AUC最高，为0.93 [0.89-0.97]，而Lung-RADS为0.85 [0.77-0.94]（DeLong p=0.085）。在预设阈值下，Sybil（0.6%）在15.6% FP率下达到89.3%的敏感性，而Lung-RADS ≥3在10.3% FP率下达到75.0%的敏感性。当匹配Lung-RADS的FP率时，Sybil（1.1%）在保持同等敏感性（75.0%）的同时实现了更低的FP率（7.6% vs. 10.3%）。

结论

Sybil作为一种无需放射科医师进行结节评估的全自动模型，在两个大型队列中表现出与Lung-RADS相当的性能，且ROC-AUC数值更高。这些发现提示，端到端人工智能模型可能补充现有肺癌筛查框架，但在临床实施前仍需前瞻性验证。