《自然·醫學》：早期肺癌陷入AI天網！谷歌人工智慧團隊聯合多家醫院打造肺癌篩查AI，敏感性和特異性均戰勝頂級醫師丨科學大發現

要說癌中殺手，那非肺癌莫屬。不管什麼腫瘤的防治，篩查都是其中極為重要的一環，而肺癌的篩查，主要靠的就是低劑量螺旋CT了。

不久前，奇點糕曾經報道了人工智慧在殺手榜第二位的結直腸癌的篩查中勝過人類，讓腺瘤檢出率提高了近50%。那在肺癌的篩查中，人工智慧是否也有一席之地呢？

近日，斯坦福大學的 Joshua Reicher、西北大學的Mozziyar Etemadi、紐約大學的 David Naidich，聯合谷歌AI部門的科學家，使用人工智慧對肺癌篩查結果進行判讀，達到了94.4%的曲線下面積，相比專業醫師，增加了5.2%的敏感性和11.6%的特異性。相關論文發表在Nature Medicine上[1]。

我國各種惡性腫瘤死亡佔比

（來自參考文獻3）

肺癌無論在全世界還是在中國，都是癌症發病和癌症死亡的雙料冠軍[2,3]。僅2015年一年，國內就有63.1萬人死於肺癌。與其它癌症一樣，早發現早治療，把腫瘤扼殺在萌芽階段，對於肺癌的防治十分重要，這就要靠篩查了。

在2013年，美國預防工作組推薦對肺癌高危人群進行低劑量螺旋CT篩查[4]。這一篩查方法預計將減少20%的肺癌死亡率[5]。據估計，如果把高危人群的肺癌篩查率從2015年的3.9%提高到10%，僅美國一國就將增加共12300人年的壽命，產生7.71億美元的費凈收益[6]。

不過低劑量CT篩查的準確性依然有待進一步提高，其篩查出的疑似肺癌患者中，有90%以上都是假陽性[5]。這些假陽性假陰性導致的漏診、誤診，以及不必要的活檢，增加了大量的臨床和財務成本[7]。

篩查後的活檢、手術，花的都是白花花的銀子

（來自pixabay.com）

為了進一步增加篩查的準確性，降低成本，很多計算機輔助檢測程序被設計出來[8]。這些程序能識別出小的結節，將其交給醫生去判斷良惡性，從而增加篩查的敏感性。

對此，研究人員想更進一步，讓人工智慧獨自完成對腫瘤風險的判斷。他們搭建了一個卷積神經網路模型，用來對肺癌篩查的3維圖像進行分析。

研究人員使用NLST試驗[9]中14851名參與者的42290份CT數據。這些人中，總有578人在篩查後1年內，經活檢被證實患有肺癌。研究人員將這些參與者的數據按70%、15%和15%分為3組，分別用於模型的訓練、優化和測試。

（來自pixabay.com）

訓練和優化後，在包含86名肺癌患者，共有6716人的測試數據集中，人工智慧對肺癌的判斷達到了0.944的曲線下面積（曲線下面積綜合考慮了敏感性和特異性，反應判斷的準確性，取值在0~1之間，越接近1判斷越準確）。

為了與人類醫師比較，研究人員讓6位有著4~20年經驗（平均8年）的放射科醫生和人工智慧模型，在沒有先前篩查數據的情況下，對測試集中包含83名肺癌患者的507人的CT數據進行了判斷。這一子集中，人工智慧的曲線下面積為0.959。

依照高（盡量減少假陽性）、中（兼顧假陽性和假陰性）、低（盡量減少假陰性）三種嚴格程度的判斷標準，人類醫師對篩查結果判斷的敏感性和特異性，從90.0%和69.7%，到62.5%和95.3%不等。不過在任何一個標準下，人工智慧都有著比人類醫師更高的敏感性，中低標準下的特異性也都顯著優於人類醫師。

其中，在敏感性優先，最適合作為篩查標準的低標準下，人工智慧的敏感性（95.2%）比人類醫師（90.0%）高了5.2%，特異性（81.3%）更是足足比人類醫師（69.7%）高了11.6%。

人工智慧（藍色曲線）對肺癌的判斷比不同標準下的人類醫師（紅、黃、綠的十字）更為準確

與先前篩查結果進行比較是肺癌篩查中十分重要的一步[10]，如果加上先前的篩查數據，人類醫師能不能反敗為勝？人工智慧又和人類醫師在307位有先前篩查結果的參與者的數據中展開了較量。

這回，在中間標準下，人工智慧的特異性（92.7%）顯著高於人類醫師（89.1%），其它指標也都與人類醫師相當，兩者算是打成平手。

不過不管是人工智慧還是人類醫師，這回的表現都比此前對首次篩查患者進行判斷時要差，這可能是因為那些易於診斷的癌症都在首次篩查時被發現了。

有先前結果的情況下，人工智慧與人類醫師的判斷準確性相當

首次篩查比人類醫師準確，後續篩查也與人類醫師相當，人工智慧這次的表現可以說是十分驚艷，而這一切源自不同學科間的合作。

論文作者Etemadi表示：「我們作為臨床醫生使用的大多數軟體都是為病人護理而設計的，而不是為研究而設計的。我的整個團隊花了一年多的時間來提取和準備數據，以幫助這個令人興奮的項目。能夠與谷歌的世界級科學家合作，利用他們前所未有的計算能力，創造出每年能夠拯救數萬人生命的東西，這確實是一種難得的機遇。」

不過，研究人員也指出，這一結果仍需在大量患者中進行臨床驗證。

編輯神叨叨

如果想及時獲取第一手科研資訊，那你絕對不能錯過瞬息~而瞬息又推出了全新版塊——瞬間。瞬間可以給大家提供更多：

比如全球新葯研發的動態；

比如最新學術研究的熱辣點評；

比如一線臨床醫生的所做所思；

還比如，比如你醫學工作中的某一個瞬間。。。

只要有那麼一瞬間，有一百萬種可能。點擊瞬間圖片↓↓↓，分享你的醫學時光吧！

參考文獻：

1. ARDILA D, KIRALY A P, BHARADWAJ S, et al. End-to-end lung cancer screening with three-dimensional deep learning on low-dose chest computed tomography[J]. Nature Medicine, 2019.

2. https://www.uicc.org/new-global-cancer-data-globocan-2018

3. 鄭榮壽,孫可欣,張思維,曾紅梅,鄒小農,陳茹,顧秀瑛,魏文強,赫捷.2015年中國惡性腫瘤流行情況分析[J].中華腫瘤雜誌,2019,41(1):19-28.

4. Jemal A, Fedewa S A. Lung cancer screening with low-dose computed tomography in the United States—2010 to 2015[J]. JAMA oncology, 2017, 3(9): 1278-1281.

5. Nanavaty P, Alvarez M S, Alberts W M. Lung cancer screening: advantages, controversies, and applications[J]. Cancer Control, 2014, 21(1): 9-14.

6. Kim D D, Cohen J T, Wong J B, et al. Targeted Incentive Programs For Lung Cancer Screening Can Improve Population Health And Economic Efficiency[J]. Health Affairs, 2019, 38(1): 60-67.

7. Black W C, Gareen I F, Soneji S S, et al. Cost-effectiveness of CT screening in the National Lung Screening Trial[J]. New England Journal of Medicine, 2014, 371(19): 1793-1802.

8. Das M, Muhlenbruch G, Heinen S, et al. Performance evaluation of a computer-aided detection algorithm for solid pulmonary nodules in low-dose and standard-dose MDCT chest examinations and its influence on radiologists[J]. The British journal of radiology, 2008, 81(971): 841-847.

9. National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. New England Journal of Medicine, 2011, 365(5): 395-409.

10. Manos D, Seely J M, Taylor J, et al. The Lung Reporting and Data System (LU-RADS): a proposal for computed tomography screening[J]. Canadian Association of Radiologists Journal, 2014, 65(2): 121-134.

頭圖來自triotree.com

本文作者 | 孔劭凡

人工智慧這麼厲害，要不要來一曲《A. I. 愛》

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！