肺癌领域学术盛会世界肺癌大会（WCLC）即将于2023年9月9日~12日在新加坡召开，8月16日，WCLC官网公布了研究摘要。本期【肿瘤资讯】小编带您抢先一览WCLC小型口头报告专题“Emerging Technologies in Lung Cancer Screening”，关注该领域有哪些新的见解。
基于单次低剂量胸部计算机断层扫描预测未来肺癌风险的性别差异
讲者：麻省总医院，波士顿/马里兰州/美国 F.J. Fintelmann教授
标题：Sex Differences in the Prediction of Future Lung Cancer Risk Based on a Single Low-Dose Chest Computed Tomography Scan
研究介绍
其准确性超过了临床风险评估。Sybil主要针对男性（60%）进行训练。在现实世界中，使用在不平衡队列中训练的人工智能算法可能会导致不公平的结果。我们的目的是研究 Sybil 是否对男女两性都同样有效。
研究方法
我们纳入了 2014 年至 2019 年期间在布里格姆妇女医院和马萨诸塞州总医院接受肺癌筛查 LDCT 的参与者。没有随访的患者被排除在外。基线 LDCT 检查后 6 年内根据机构癌症登记簿确诊为肺癌的患者被视为确诊肺癌。没有在癌症登记处确诊肺癌且一次或多次随访 LDCT 阴性的患者被视为肺癌阴性。用 DeLong 检验比较了女性和男性的曲线下面积（AUC）值。
研究结果
经排除后，对来自 6,141 名患者（47.1% 为女性，平均年龄为 64.9±6.2）的 10,588 例 LDCT 进行了分析。Sybil 的 AUC 分别为：1 年时，女性为 0.89（95%CI：0.85-0.93），男性为 0.89（95%CI：0.85-0.94）；2 年时，女性为 0.85（95%CI：0.80-0.90），男性为 0.82（95%CI：0.77-0.88）；3 年时，女性为 0.83（95%CI：0.78-0.88），男性为 0.81（95%CI：0.76-0.87）；在 4 年时，女性为 0.83（95%CI：0.78-0.88），男性为 0.80（95%CI：0.75-0.86）；在 5 年时，女性为 0.84（95%CI：0.79-0.89），男性为 0.78（95%CI：0.72-0.84）。6 年时，女性的 AUC 为 0.87（95%CI：0.83-0.93），男性为 0.79（95%CI：0.72-0.86），P=0.009。
研究结论
Sybil能准确预测女性和男性未来患肺癌的风险。在预测 6 年后的长期肺癌风险方面，Sybil 在女性中的表现优于男性。
放射特征和软件算法对肺结节测量不确定性的影响
讲者：西奈山伊坎医学院，纽约/纽约州/美国 A. Jirapatnakul教授
标题：Impact of Radiomic Features and Software Algorithm on Pulmonary Nodule Measurement Uncertainty
研究介绍
肺结节大小和变化评估是小结节管理方案的基石。然而，结节大小变化的评估受到结节大小实际变化和测量不确定性的影响。大多数管理方案都设定了最小尺寸和变化阈值以及随访 CT 间隔建议，以克服测量的不确定性。如果能更好地了解与这种不确定性相关的因素，就能根据数据对随访 CT 扫描的时间提出个性化建议。在本研究中，我们评估了放射学特征和容积测量算法如何影响肺结节测量的不确定性。
研究方法
我们从接受 CT 引导下细针穿刺 (FNA) 活检的患者中选取了几分钟内多次重复 CT 扫描的结节。纳入标准如下：平均直径小于 20 毫米，至少四次 CT 扫描，切片厚度小于 1.0 毫米，结节上方和下方至少有两幅图像，结节 5 毫米范围内无图像伪影。如果患者有多个结节，则选择最大的结节。非常复杂的结节，例如有多条血管附着或与胸膜表面相邻的结节，则排除在外。在西门子 Somatom AS 上以 100 kVp 和 60 mAs 获得图像，并以 1.0 mm 的切片厚度进行重建。
每次扫描使用两种不同的算法计算结节体积：一种是使用水平集技术的开源算法（LSTK，Accumetra LLC），另一种是使用形态学过滤技术的研究算法。对结果进行审查，以确保不出现分割错误。每个结节的测量不确定性被定义为该结节重复扫描的所有体积测量值的变异系数（CoV）。
根据三维结节分割计算出结节特征：体积、X、Y 和 Z 维范围、表面曲率，以及观察者分级：是否有血管或肋胸膜附着、结节位置。
研究结果
1 号和 2 号算法 107 个结节的中位体积分别为 394.3 立方毫米和 431.5 立方毫米；一致性极佳（类内相关系数=0.98）。两种算法的结节体积中位 CoV 均较低，但差异显著（4.6% 对 8.7%，P < 0.001）。两种算法的结节体积 CoV 都有随结节直径增大而减小的趋势，但只有 2 号算法有显著差异。算法 1 的结节体积 CoV 与结节的任何特征都没有显著相关性，而算法 2 的结节体积 CoV 与结节体积（p=0.02）、附着血管（p=0.02）和结节表面积（p=0.001）显著相关。
研究结论
这是第一项使用 FNA 活检图像估算每个结节 CoV 的研究。这与使用根据长期随访确定为稳定的结节或使用两个时间点的咖啡时间扫描的研究形成了鲜明对比。即使在最佳情况下，使用相同的测量算法、扫描仪和扫描方案，小于 20 毫米的结节体积测量也存在相当大的测量不确定性。不确定性受多个因素复杂的相互作用影响，不仅包括结节直径，还包括结节的复杂性和位置。
欧洲人口中选择肺癌筛查对象的风险预测模型的性能
讲者：国际癌症研究署，里昂/法国 X. Feng教授
标题：Performance of Risk Prediction Models to Select Individuals for Lung Cancer Screening in the European Population
研究介绍
欧洲正在实施低剂量 CT 肺癌筛查。与基于年龄和吸烟状况的分类标准（如 USPSTF-2020 指南所推荐的标准）相比，风险预测模型在用于选择筛查对象时，可识别出更多的未来肺癌病例。然而，肺癌风险模型在欧洲人群中的表现尚未得到全面评估。
研究方法
我们分析了来自 9 个欧洲国家的 4 个前瞻性队列数据：α-生育酚、β-胡萝卜素癌症预防研究（ATBC，芬兰）、北特伦德拉格健康研究（HUNT，挪威）、康斯坦茨（法国）和欧洲癌症与营养前瞻性调查（EPIC，丹麦、德国、意大利、西班牙、瑞典、荷兰和挪威）。参与者年龄在 45-80 岁之间，目前或曾经有吸烟史。我们评估了 7 个肺癌风险模型的预测性能，包括 Bach、PLCOm2012、LCRAT、LCDRAT、LLPv2、LLPv3 和 HUNT 模型。我们用预期病例与观察病例的比率（E/O）来量化模型的校准，并用 AUC 来量化模型的区分度。
研究结果
虽然 LLPv2 模型在 8 个国家预测的风险超过了 1.5 倍，但大多数模型在大多数国家都有合理的校准。PLCOm2012、LCDRAT、LCRAT、Bach 和 HUNT 模型在大多数国家显示出相似的区分度，AUC 在 0.68 到 0.83 之间，而 LLPv2 和 LLPv3 模型通常显示出较低的区分度，AUC 在 0.64 到 0.78 之间。当汇总 9 个国家的数据并应用 USPSTF-2020 标准时，33.9% 的人符合筛查条件，其中包括 74.8% 在 5 年内确诊的肺癌病例。当应用阈值选择与 USPSTF-2020 同等规模的筛查人群时，PLCOm2012、LCDRAT、LCRAT、Bach 和 HUNT 模型识别了 77.6%-79.0% 的未来肺癌病例，但选择的人群年龄稍大（中位年龄为 58-59 岁，而 USPSTF-2020 为 57 岁）。
表 根据ATBC、EPIC和Constances队列的汇总数据，对欧洲国家当前吸烟者和曾经吸烟者进行肺癌筛查资格界定的肺癌风险模型的性能进行分析
研究结论
在 4 个欧洲队列中，多个成熟的风险预测模型表现良好，如果用来代替分类资格标准，可以提高肺癌筛查计划的效率。
人工智能作为前瞻性欧洲肺癌筛查（4-IN-THE-LUNG-RUN）试验的并行阅读器
讲者：格罗宁根大学，格罗宁根/荷兰 M. Oudkerk教授
标题：Artificial Intelligence as Concurrent Reader in Prospective European Lung Cancer Screening (4-IN-THE-LUNG-RUN) Trial
研究介绍
在最近启动的欧洲 4-IN-THE-LUNG-RUN (4ITLR) 试验中，参与者接受肺癌筛查，并随机选择每年或每半年进行一次筛查。传统上，肺癌筛查中的低剂量胸部 CT（LDCT）扫描由两名独立的人类读片员进行评估。随着用于肺癌筛查的 LDCT 数量快速增加，以及用于肺结节检测和分类的强大人工智能软件的出现，人类阅读者的工作量可以减少。本研究的目的是初步评估在肺癌筛查中将完全集成的人工智能作为并行（第二）阅读器的可行性和潜力。
研究方法
在 4ITLR 试验中，参与者必须符合以下纳入标准：60-79 岁，≥35 包年；当前吸烟者或戒烟时间小于 10 年。首批 380 名参与者通过第三代双源 CT 进行了一次低剂量胸部扫描。胸部 CT 扫描评估是否存在≥30 立方毫米的肺结节，并根据结节结果将参与者分为 "阴性"、"不确定 "或 "阳性 "组。每个类别的临床处理如下： 1）阴性：下一轮筛查；2）不确定： 3）阳性：转诊至专科医生。由经验丰富的放射科医生在数据管理系统（DMS）中登记每个结节的详细信息，作为第一次独立读片。人工智能肺部筛查软件（AVIEW，Coreline Soft，首尔）自动进行第二次独立读片，并自动将详细信息登记到 DMS 中。对于第一次和第二次读片分类不一致的参与者，由一个小组（经验丰富的放射科医生和技术医师）进行第三次非盲目仲裁读片，并将最终结果登记在 DMS 中。
研究结果
平均年龄为 68.2 岁（标准差：5.0），57.1% 为男性。第一次和第二次读片对结节分类的总体一致率为 78.7%。共有 81 个病例需要进行（第三次）仲裁判读。在仲裁病例中，45% 的病例与放射科医生第一次读片确定的类别相同，34% 的病例与人工智能读片确定的类别相同，其余 21% 的病例与放射科医生或人工智能指定的类别不同。最后，72.1%、23.4%、4.5% 的参与者被归类为 "阴性"、"不确定 "和 "阳性"。最后的数据将于 2023 年 9 月公布。
研究结论
目前的研究表明，在前瞻性肺癌筛查研究中加入人工智能作为同步读片器是可行的，这样就不需要第二个人工读片器，而且只导致五分之一的读片器出现仲裁。在未来的研究中，包括后续细节，我们将评估当前读片策略的诊断性能。
如果将人工智能用作肺癌筛查中排除阴性病例的首读过滤器，可大大减轻放射科医生的工作量
讲者：格罗宁根大学，荷兰格罗宁根诊断准确性研究所 格罗宁根/荷兰 H.L. Lancaster教授
标题：AI Can Greatly Reduce Radiologist Workload if Used as a First Read Filter to Rule-Out Negative Cases in Lung Cancer Screening
研究介绍
低剂量 CT（LDCT）肺癌筛查（LCS）即将广泛实施，以通过早期检测降低肺癌死亡率。尽管其有效性已得到证实，但由于放射科医生的工作量将大幅增加，因此仍存在一些问题。如果将人工智能作为一读过滤器来排除阴性病例，就能提供这种解决方案。
研究方法
欧洲肺癌筛查试验中的 1254 次基线 LDCT 胸部扫描由 3 位经验各异的放射科医生、一位接受过肺结节检测和分割培训的科研人员以及一个人工智能原型进行独立阅读。根据容积分析，对读者和人工智能检测出的最大实性（成分）结节进行了进一步分析。由两名经验丰富的放射科医生组成的独立共识小组对任何读者或人工智能之间存在差异的病例进行了重新分析，他们对最初的结果是盲法。随后将单个结果与共识参考读片进行比较，并将其分为：正确的阳性（CP）或阴性（CN）（与共识读片相匹配）、阳性分类错误（PMs）（读者/AI 报告为≥100mm3，但共识读片为<100mm3）或阴性分类错误（NMs）（AI 报告为<100mm3，但共识读片为≥100mm3）。工作量减少的计算方法如下 (n-（CP+PM））/n，其中 n 为扫描总数。
研究结果
在共识参考读数中，无结节或结节<100mm3 的病例有 817 例（65.2%），结节≥100mm3 的病例有 437 例（34.8%）。读者和人工智能的差异见表 1。人工智能的阴性误诊率比所有人工读片机低 50%，阴性预测值为 0.92 [95%CI 0.90-0.93]。
表1 人工读片和人工智能的正确结果和差异概览
研究结论
根据上述结果，如果将人工智能用作排除阴性病例的首读过滤器，放射科医生只需阅读 35% 的基线 LDCT 病例，其中≥1 个肺结节≥100mm3 即可排除阴性病例。现在将对筛查出的肺癌和试验后发现的肺癌的组织学结果进行分析，以计算假阳性和阴性结果。
基于人工智能的非小细胞肺癌早期检测和亚型分析--利用孤岛非编码 RNAs 从血液样本中检测非小细胞肺癌
讲者： Exai 生物科技公司 M. Karimzadeh
标题：AI-Based Early Detection and Subtyping of Non-Small Cell Lung Cancer from Blood Samples Using Orphan Noncoding RNAs
研究介绍
肺癌是全球癌症相关死亡的主要原因。目前急需无创、灵敏、特异的检测方法，以便在初期诊断和治疗过程中更早地检测出肺癌，从而改善患者的预后。孤儿非编码 RNA（oncRNA）是一种新型小 RNA（smRNA），存在于肿瘤中，而在健康组织中基本不存在。在此，我们应用一种生成式人工智能（AI）模型来分析从血清中提取的oncRNAs，以研究它们在非小细胞肺癌（NSCLC）的早期检测和亚型（鳞癌和腺癌）方面的能力。
研究方法
我们从 Indivumed 公司（德国汉堡；222 例对照和 320 例 NSCLC 病例）和 MT 集团（加利福尼亚州洛杉矶；345 例对照）收集了 887 份血清样本。我们使用从每个人的 0.5 mL 血清中分离出的 RNA 生成 smRNA 文库并进行测序，平均深度为 18.5 ± 6.5 百万 50-bp 单端读数。
我们利用癌症基因组图谱（TCGA）smRNA-seq数据库和内部参考的122名非癌症供体血清队列（用于过滤真正的smRNA），鉴定出255953种不同的NSCLC特异性oncRNA。本研究对血清样本进行处理后，在至少一个样本中检测到了 185,905 个（72.6%）oncRNA。
为了将来自多个供应商和采集地点的异构样本数据集中的样本组合起来并建立模型，我们开发了一个定制的生成式人工智能模型，该模型能够对来自不同供应商和采集地点的样本进行分析。
研究结果
通过 10 倍交叉验证，人工智能模型和线性模型的 AUC 分别为 0.98（95%CI：0.97-0.99）和 0.85（95%CI：0.82-0.87）。更重要的是，在特异性为 95% 的情况下，人工智能模型的 I 期灵敏度为 0.88（95%CI：0.82-0.93），而线性模型为 0.36（95%CI：0.28-0.45）。对于晚期（II、III 和 IV 期），人工智能模型和线性模型的灵敏度分别为 0.93（95%CI：0.88-0.96）和 0.42（95%CI：0.35-0.49）。在检测小于 2 厘米的肿瘤（T1a-b）时，人工智能模型的灵敏度为 0.85（0.73-0.94），特异性为 95%，而线性模型的灵敏度为 0.35（95%CI：0.22-0.49）。
在晚期（III/IV 期）NSCLC 中，还利用血清中的小 RNA 含量训练了人工智能模型来区分鳞状细胞癌和腺癌。其灵敏度为 0.67（95%CI：0.53-0.8），特异性为 70%，而线性模型的灵敏度为 0.46（95%CI：0.32-0.6），特异性为 70%。
研究结论
这些结果表明，通过对常规抽血样本进行测序，肿瘤基因组学分析和人工智能具有准确、灵敏和早期检测 NSCLC 的潜力。此外，人工智能模型直接从血清中对 NSCLC 进行亚型的能力，确立了肿瘤 RNA 作为预测患者预后的非侵入性生物标记物的潜在作用。
唾液代谢图谱用于区分良性和恶性肺结节以及早期肺癌检测
讲者：浙江大学，杭州/中国 J. WU教授
标题：Saliva Metabolic Profiling for Benign and Malignant Pulmonary Nodules Distinguish and Early Lung Cancer Detection
研究介绍
肺癌是发病率和死亡率增长最快、对健康和生命威胁最大的恶性肿瘤之一。由于目前缺乏有效的诊断方法，大部分肺癌患者确诊时已处于中晚期。近年来，对肺癌高危人群进行低剂量螺旋 CT（LDCT）筛查，可以发现早期肺癌，降低肺癌死亡率。然而，低剂量螺旋 CT 只能通过成像检测肺结节的存在，不能直接鉴别良性和恶性结节。此外，高假阳性率可能导致不必要的侵入性检查和过度治疗，而一些小的恶性结节或早期肺癌的延迟诊断将给患者带来更大的伤害。本研究通过分析人类唾液样本中的代谢谱数据，并基于机器学习算法建立了一个区分肺部良恶性结节的模型，从而开发出一种无创的方法，适用于早期肺癌的检测，具有广泛的临床应用前景。
研究方法
共收集了 175 名恶性肺结节患者和 178 名良性肺结节患者的 353 份唾液样本。采用纳米质谱芯片 Met-Si Array® 辅助 LDI-TOF-MS 进行唾液代谢谱分析。提取代谢标记物的特征并基于机器学习拟合模型。然后构建了区分恶性和良性肺结节的代谢组学判别模型，并使用包括 174 个恶性肺结节样本和 179 个良性肺结节样本的独立测试集进行验证。此外，还评估了鉴别模型在不同阶段和不同大小的肺结节中的诊断效率。
研究结果
通过支持向量机和遗传算法构建了唾液代谢组学判别模型。在训练集和测试集中，受试者操作特征曲线（ROC）的曲线下面积（AUC）值分别为0.783和0.809，灵敏度和特异度分别为80%-69%和82%-70%，远优于CEA、CA125等传统血清学标志物。同时，69%的CEA阴性肺癌患者和71%的CA125阴性肺癌患者被代谢组学判别模型检出。对 0 期、IA 期和 IB 期肺癌的预测准确率分别为 64%、76% 和 83%。此外，该代谢组学判别模型还对需要重点关注的长度为 5-10 毫米和 10-15 毫米的肺结节显示出较高的准确性，其中恶性肺结节的检出率为 70% 和 83%，良性肺结节的特异性为 60% 和 91%。所有这些结果都显示了代谢组学判别模型在早期诊断恶性肺结节方面的潜力。
研究结论
本研究建立了一种基于唾液代谢图谱的新型无创肺结节良恶性鉴别方法，有望在临床上广泛推广应用。
利用人工智能模型预测低剂量 CT 筛查的未来肺癌风险
讲者：加拿大卑诗癌症中心、加拿大卑诗大学，温哥华/加拿大 R. Yuan教授
标题：Predicting Future Lung Cancer Risk with Low-Dose Screening CT Using an Artificial Intelligence Model
研究介绍
在下一次预定筛查之前确诊的间期肺癌（ILC）通常属于晚期（III/IV 期非小细胞肺癌）或小细胞癌，其预后比早期癌症差。我们面临的挑战是，如何预测在上一轮预定筛查中CT显示肺部 "肉眼正常 "的情况下，哪些人将来会罹患癌症。我们的目标是使用基于放射组学方法的人工智能模型，在未来癌症发生之前识别肺部的亚视觉变化。
研究方法
这项试点研究包括来自 PanCan 研究温哥华站点的 22 名 ILC（8 名女性：14 名男性，61-71 岁）。收集了他们被诊断为 ILC 时的低剂量 CT（CTd）和之前筛查时的 CT（CTp）。CTd 上已知的 ILC 结节在轴向图像上用边界框标记，以给出感兴趣体积（VOIca）。在对侧肺部对称放置一个相同大小的 VOI，作为对照（VOI-ve）。这些 VOI 也精确映射到所有 CTp 上。在该试验项目中，无论 CTp 是否属于同一个人，每个 CTp 都是独立处理的。在 CTd 上，我们对每个 VOIca 和 VOI-ve 使用了放射学特征提取管道。通过顺序前向特征选择，从形状、纹理和强度特征中识别出能够区分 VOIca 和 VOI-ve 的关键特征。我们利用经过 5 次交叉验证的机器学习（ML）模型（线性判别分析，LDA），结合临床因素（如人口统计学、吸烟）对这些选定的放射学特征进行训练，从而生成一个预测工具。我们在所有 CTp 上测试了这一人工智能模型，看它是否能在 CTd 前 2 年内或 2 年以上的 CTp 上区分 VOIca 和 VOI-ve。
研究结果
共纳入了 20 个 ILC 的 20 个 CTd 和 48 个 CTp。在 48 份 CTp 中，22 份 CTp 在 CTd 前两年内；26 份 CTp 在 CTd 前两年以上。在 20 份 CTd 上训练的 LDA 挑选出了 5 个具有高度鉴别力的放射学特征，这些特征可以区分 CTd 上的 VOIca 和 VOI-ve（AUC：0.91，灵敏度：0.87，特异性：0.81）。当将该 LDA 模型应用于 22 个在诊断前两年内做过 CTp 的人的 VOI，以预测罹患癌症的可能性时，其 AUC 为 0.72，灵敏度为 0.8，特异性为 0.9： 0.72，灵敏度：0.69，特异性：0.68。然而，当 LDA 模型应用于 26 例 CTd 前两年以上的 CTp 时，其 AUC 为 0.64，灵敏度为 0.64，特异性为 0.68，表现一般： 0.64，灵敏度：0.47，特异性：0.78。
研究结论
使用 ML 放射线组学的人工智能模型是一种很有前途的方法，可用于识别两年内更具生物学侵袭性的间期肺癌。
排版编辑：肿瘤资讯-云初
苏公网安备32059002004080号
