首页 > 文章详情

2024 WCLC | AI工具Sybil与传统肺癌风险预测模型的比较

08月19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。R. Meza团队研究中Sybil是一种新建立的深度学习模型，旨在通过单次低剂量CT（LDCT）预测未来六年内的肺癌风险，从而优化肺癌筛查策略。然而，在对比Sybil与现有的风险预测工具（如PLCOm2012和Brock模型）时，研究发现，Sybil在某些情况下的表现不及传统模型。特别是在筛查阴性的患者中，PLCOm2012模型的预测能力优于Sybil。研究结果表明，AI工具在应用于临床前，需与现有方法进行充分比较，并通过额外的校准过程以提高其性能。【肿瘤资讯】特此整理，以飨读者。

研究标题：

Comparison of Sybil with Brock and PLCOm2012 Models Among Screening Participants with Positive and Negative Baseline Screens

在基线筛查阳性和阴性的筛查参与者中比较Sybil与Brock和PLCOm2012模型

摘要号：MA18.13

引言

近年来，研究者对人工智能（AI）决策支持工具提高肺癌风险预测的关注度日益增长。一种名为Sybil的深度学习模型被建立用于预测未来六年内肺癌风险，以个性化肺癌筛查策略。从单次低剂量计算机断层扫描（LDCT）中准确分层低风险筛查参与者，使其在2到6年内进行下一次筛查或CT监测，这对于医疗资源利用、辐射暴露和成本控制方面具有重要意义。本研究旨在评估Sybil与国际肺筛查试验（ILST）相关策略在预测和检出肺癌方面的性能。在ILST策略中，首次LDCT未检出肺结节或结节Brock肺癌概率（PanCan模型）<1.5%的受试者被建议在24个月后进行下一次LDCT（整个筛查队列中71%的受试者属于这一阴性筛查类别，其中0.19%在24个月内被诊断为肺癌）。

方法

分析ILST温哥华（N=2121）和泛加拿大早期肺癌检测研究（PanCan，N=2192）的基线LDCT数据，并使用Sybil模型进行分析。对比Sybil与PLCOm2012肺癌风险预测模型在无结节或结节Brock肺癌概率<1.5%（以下简称为阴性筛查）个体中的表现效能。研究者还比较了Sybil与Brock模型在肺癌概率大于1.5%的肺结节中的表现效能。通过受试者工作特征曲线（ROC）下面积（AUC）评估模型性能。

结果

在阴性筛查个例中，PLCOm2012的表现更好，在ILST研究中的AUC为0.760，而Sybil为0.59（图1）。在肺结节恶性风险>1.5%的患者中，Brock模型和Sybil的表现相似，AUC分别为0.786和0.796。在基于PanCan数据集进行比较时，得到了类似的结果（阴性筛查中的AUC为0.633，Sybil为0.560；在结节恶性风险评分>1.5%的筛查中AUC为0.753，Sybil为0.743）。在加入吸烟相关协变量进行校正后，所有模型的预测性能均有所提高。

结论

在临床背景进行前瞻性评估之前，AI工具的性能需要与具有充分随访和已知结局的现有肺癌风险预测工具进行比较。

责任编辑：肿瘤资讯-云初
排版编辑：肿瘤资讯-HYF

参考文献

Comparison of Sybil with Brock and PLCOm2012 Models Among Screening Participants with Positive and Negative Baseline Screens. 2024 WCLC24. MA18.13.