首页 > 文章详情

《Nature Medicine》重磅研究获《STTT》深度点评：AI驱动中国人群肺结节风险精准分层，华西医院李为民/王成弟团队引领肺癌筛查新突破

03月13日

编译：肿瘤资讯

来源：肿瘤资讯

肺癌（LC）是全球范围内导致癌症相关死亡的主要原因之一，早期诊断对提高患者生存率至关重要。低剂量计算机断层扫描（LDCT）已被广泛应用于肺癌筛查，但其在肺结节恶性风险评估中的准确性仍面临挑战。

2024年9月，四川大学华西医院的李为民/王成弟专家团队在《Nature Medicine》发表了一项关于胸部CT检出肺结节的数据驱动风险分层和精确管理的研究，该研究成功解决了LDCT筛查中的两个关键问题：准确区分恶性结节与良性结节的困难，以及在资源有限地区肺癌筛查覆盖率不足的问题。他们开发并验证了一种基于人工智能（AI）的多步骤、多维度的系统，并引入了数据驱动的中国肺结节报告和数据系统（C-Lung-RADS）^[1]。

近期，《STTT》杂志上发表了意大利佛罗伦萨大学Mario Serio教授对该研究的点评，探讨了这一创新系统的优势、挑战及其在临床实践中的潜在应用^[2]。

C-Lung-RADS系统提升肺结节恶性风险的精准分层

李为民教授团队开发的C-Lung-RADS系统通过多阶段、多维度的方式对肺结节的恶性风险精准分层。C-LungRADS系统考虑了中国筛查人群的独特特征，如年轻化且非吸烟者比例较高，与西方国家以老年吸烟者为主的筛查人群存在显著差异。系统分为三个阶段：第一阶段基于结节的大小和密度，通过分类树模型对结节进行初步风险分类，分为低、中、高和极高风险；第二阶段使用深度卷积神经网络（DCNN）模型，生成基于影像的恶性概率评分；第三阶段则通过梯度提升回归模型（GBR），整合影像、临床和随访数据，进一步细化结节的风险分层。该系统在内部测试集和独立测试集中均表现出色，AUC分别达到0.918和0.927，敏感性分别为85.1%和85.6%。此外，该系统还与移动CT单元结合，扩大了在资源有限地区的筛查覆盖率。

C-Lung-RADS肺结节风险分级及精准管理策略

AI筛查潜力无限，C-Lung-RADS系统在独立测试集上的应用仍需进一步探讨

C-Lung-RADS系统不仅在技术上取得了突破，还通过与移动CT单元的结合，扩展了肺癌筛查在资源有限地区的覆盖范围。这一创新举措有望改善资源分配不均的问题，使更多人群受益于肺癌早期筛查。尽管该AI系统在性能上表现出色，但其在独立测试集上的表现仍值得进一步探讨。从单维度到多维度的转变在内部测试集上显示出明显的性能提升，但在独立测试集上并未观察到同样的改进。这可能是因为系统的评分校准是在训练集上进行的，而不是在未见过的验证集上，导致潜在的过拟合问题。此外，研究未明确区分初发结节和新发结节的性能差异，而现有证据表明，预测模型在初发结节上的表现通常优于新发结节。

提升可解释性有助于AI系统的临床应用

在临床实践中，AI系统的可解释性至关重要。尽管该研究提供了一定程度的可解释性，但其实际价值有限。例如，研究中展示的类别激活图仅是对输入DCNN的结节分割的扩展，未能明确指出哪些特定区域（如部分实性结节的实性成分）对模型决策有显著影响。增强模型的可解释性将有助于提高其在临床实践中的应用价值。

可重复性是复杂AI系统应用的关键

对于复杂的AI系统，清晰详细的文档是确保理解和可重复性的关键。然而，该研究中，一些关键步骤的描述完整性尚且不够。例如，用于停止第二阶段DCNN模型损失函数的内部测试集的描述缺乏清晰度，可能引发数据泄露的担忧。尽管作者分享了一些代码，但缺乏关键组件、确切的依赖关系和训练好的DCNN模型，限制了结果的复现性和系统在新案例中的应用。

AI在评估合并症中的多维度价值

除了评估肺结节的恶性风险，LDCT和AI还可以评估与常见合并症相关的放射学特征，如肺气肿和血管变化（特别是冠状动脉钙化）。肺气肿是一个可量化的变量，不仅预测肺癌风险，还是肺癌筛查人群总体和呼吸系统死亡率的强预测因子。深度学习算法已被用于评估冠状动脉钙化和心外膜脂肪，以高效识别心血管疾病（CVD）事件和死亡风险。这对于接受肺癌筛查的年轻人群尤为重要，因为他们可以从及时识别增加的CVD风险中获益，从而采取一级和二级预防措施。

总结

李为民教授团队提出的AI驱动方法在提高中国人群肺结节风险分层方面具有创新性，通过优化肺结节风险分层和结合移动CT单元，有望扩大中国肺癌筛查的覆盖范围。然而，要充分发挥其临床价值，仍需解决AI系统的可解释性和可重复性问题。此外，将AI系统与评估合并症的工具相结合，将进一步提升其在临床实践中的应用潜力。

参考文献

1.Wang C, Shao J, He Y, et al. Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography. Nat Med. 2024 Nov;30(11):3184-3195. doi: 10.1038/s41591-024-03211-3. Epub 2024 Sep 17. PMID: 39289570; PMCID: PMC11564084.

2.Mascalchi M, Marzi C, Diciotti S. Artificial intelligence propels lung cancer screening: innovations and the challenges of explainability and reproducibility. Signal Transduct Target Ther. 2025 Jan 24;10(1):18. doi: 10.1038/s41392-024-02111-9. PMID: 39848967; PMCID: PMC11758031.

责任编辑：Nydia
排版编辑：Nydia

03月28日

韩朝

黑山仁和医院 | 肿瘤内科

通过优化肺结节风险分层和结合移动CT单元，有望扩大中国肺癌筛查的覆盖范围

03月16日

王会宇

青岛市城阳区人民医院 | 放疗科

中国学者开发的C-Lung-RADS系统通过AI整合影像特征、临床数据及中国人群特征（如年轻化、非吸烟群体），实现肺结节恶性风险的精准分层（AUC 0.92），其多维度评估显著提升筛查准确性，对低风险结节可减少25%过度诊疗，同时保持高风险病例85%以上敏感性。

03月16日

夏月琴

盐城市第七人民医院（盐城市公共卫生临床中心、盐城市职业病防治院） | 肿瘤内科

对于局部晚期可切除食管或胃食管结合部腺癌患者，优先推荐围手术期FLOT方案，随后进行手术切除