JCO：科学家开发出一种能预测人类肺癌风险的人工智能工具Sybil

肺癌是美国乃至全球人群因癌症死亡的主要原因，低剂量胸部计算机断层扫描（LDCT，Low-dose chest computed tomography）被推荐用于针对50-80岁有明显吸烟史或目前正在吸烟的人群进行肺癌的筛查，利用LDCT进行肺癌筛查被证明能将肺癌患者的死亡率降低24%。但随着非吸烟人群中肺癌发病率的上升，科学家们就需要新型策略来筛查并准确预测更多人群患肺癌的风险，近日，一篇发表在国际杂志Journal of Clinical Oncology上题为“Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography”的研究报告中，来自麻省理工学院等机构的科学家们通过研究开发并测试了一种名为Sybil的人工智能工具来帮助预测人群患肺癌的风险。

基于对来自美国和中国台湾患者的LDCT扫描结果的分析，人工智能工具Sybil或能准确预测有或者无明显吸烟史肺癌患者患肺癌的风险。医学博士Lecia Sequist说道，近年来，肺癌的发病率在从不吸烟或多年不吸烟的人群中不断攀升，这或许就表明存在很多风险因素会促进机体患肺癌的风险，而且其中一些因素目前研究人员尚不清楚。如今研究人员就开发出了一种特殊工具，其能利用图像观察集体生物学并对癌症风险进行预测，这或许就代替了研究人员评估个体的环境或遗传风险因素等。

美国预防服务特别工作组推荐对于50岁以上或有20包/年（pack-years）吸烟史的人群（目前正在吸烟或在过去15年内戒烟的人群）每年进行LDCT筛查，但仅有不到10%的符合条件的患者每年接受筛查。为了帮助改善肺癌筛查的效率并提供个体化的评估，研究者Sequist及其同事联合研究，利用来自全美肺部筛查试验（NLST，National Lung Screening Trial）的数据开发了名为Sybil的工具，其是一种深度学习模型，能分析扫描并预测个体未来1-6年患肺癌的风险。研究者表示，Sybil只需要一个LDCT结果就能分析，且并不依赖于临床数据或放射科医生的结果注释，其已经被设计成了能在标准放射科读片站后台进行实时运行，这或许就使得定点照护的临床决策支持成为了可能。

图片来源：https://pubmed.ncbi.nlm.nih.gov/36634294/

研究人员使用三个独立的数据集对Sybil工具进行了验证，即一组来自6000多名NLST参与者的扫描结果（此前并未应用Sybil工具）、来自麻省总医院的8821张LDCTs扫描结果以及来自中国台湾长庚纪念医院的12280张LDCTs扫描结果，后一组扫描包括所有有多种吸烟史的人群，包括从未吸烟的人群等。研究者表示，Sybil能准确预测上述数据集中患者患肺癌的风险，他们使用曲线下面积（AUC，Area Under the Curve）来确定Sybil的准确程度，AUC能衡量一种测试手段是否能有效区分疾病和正常样本的程度，其中1.0分为满分。Sybil在预测参与者一年内的患癌情况方面，针对额外的NLST中参与者的AUCs为0.92、麻省总医院数据集的AUCs为0.86，来自中国台湾的数据集的AUCs为0.94。Sybil在预测三年内参与者肺癌风险方面，上述不同研究数据集中的AUCs分别为0.75、0.81和0.80。

研究者Regina Barzilay说道，Sybil工具能查看并预测患者在6年内患肺癌的风险，本文研究是一项回顾性研究，其需要对患者进行前瞻性的跟踪研究来验证Sybil工具的有效性。此外，研究中的美国参与者中绝大多数都是白人（92%），未来研究中，研究人员还需要通过研究确定是否Sybil能准确预测多种类型人群患肺癌的风险。未来研究人员将会开展一项前瞻性临床试验在真实世界中对Sybil进行测试，同时理解其是如何补充放射科临床医生的工作的，目前该工具的代码已经公开发布。这项研究中，Sybil工具能从LDCT中检测出人类肉眼无法看到的风险模式，研究人员很高兴能进一步检测该程序从而观察是否其能增加相关信息，并帮助放射科临床医生进行诊断，从而对患者进行更进一步的个体化筛查和诊断。

综上，本文研究结果表明，Sybil工具或能通过单一的LDCT扫描来准确预测个体未来患肺癌的风险，并进一步实现对肺癌患者的个体化筛查；后期研究人员还需要进行更多深入的研究来理解Sybil的临床应用，目前研究者所开发的模型和注释是公开可用的。（生物谷Bioon.com）

原始出处：

Peter G Mikhael, Jeremy Wohlwend, Adam Yala, et al. Sybil: A Validated Deep Learning Model to Predict Future Lung Cancer Risk From a Single Low-Dose Chest Computed Tomography, J Clin Oncol
. 2023 Jan 12;JCO2201345. doi: 10.1200/JCO.22.01345