肺癌筛查:LungAI在NLST试验中优化Lung-RADS分诊,但仅基于单一队列、封闭模型和开发商主导的研究

美国初创公司Oatmeal Health在NLST试验的2,747例肺癌筛查CT上测试了其深度学习模型LungAI,以检验它能否提供Lung-RADS(一套基于结节大小和形态的分级体系)未能捕捉的信息。该模型区分恶性结节的能力优于单纯的结节大小,也优于公开模型Sybil;与Lung-RADS结合后,被安排一年后复查的癌症病例大约可减少一半。这一信号值得重视,但它建立在单一的2000年代队列、训练数据未予描述的专有模型之上,而且研究由公司自己资助、设计并部分标注。

背景

在重度吸烟者中开展低剂量CT(LDCT)肺癌筛查可以降低死亡率,但会发现大量结节,其中绝大多数是良性的。为了决定如何处理每个结节,美国放射科医生使用美国放射学会(American College of Radiology)发布的Lung-RADS(2022版)。它主要根据结节大小、形态(实性、部分实性、磨玻璃)及其变化,将每次检查归入从2类(一年后复查)到4B/4X类(有创检查,通常为活检)的某一类别。

这一逻辑有一个已知缺陷:小的癌症要等十二个月,而较大的良性结节会导致不必要的活检。已有多个AI模型直接从影像估计风险,包括Google的模型(Ardila等,Nature Medicine,2019)和Sybil(MIT与Mass General,2023),后者是一个预测未来一至六年癌症风险的公开模型。本研究的问题是:AI能否为Lung-RADS增加信息?如果用它把患者在管理阶梯上上下移动一级,会发生什么?

方法

LungAI是一个已锁定的计算机辅助诊断(CADx)模型,即在评估期间参数不再变化。它为每个结节给出0到10的评分,每次检查取其结节的最高分。结节并非由LungAI检测,而是由已获FDA批准的第三方软件Coreline公司的aView LCS检测,该软件同时负责测量结节并在不同检查之间进行配对。论文既未描述网络架构,也未描述训练数据的来源和规模。作者只声明所用测试分区从未用于LungAI或Sybil的开发。

该分区是Ardila等定义的NLST测试集,也是Sybil发表时使用的测试集。在4,872例至少检出一个结节的检查中,作者排除了164例癌性结节不可见的检查、257例层厚超过2.5毫米的检查,以及1,704例没有4至30毫米实性或部分实性结节的检查。最终纳入1,244名患者的2,747例检查,其中89例经病理证实为癌症,患病率为3.2%。人群特征与NLST一致:中位年龄61岁,男性占62%,白人患者占93.2%,CT设备来自2002至2004年。

对照包括结节直径、结节体积以及Sybil(一年风险,即对Sybil最有利的时间范围)。与Lung-RADS比较需要分类结果:由一名对LungAI评分和结局均设盲的放射科医生,在一个富集癌症的子集(226例合格检查,78例癌症,148例良性)上进行分类。该子集包含87.6%的癌症,但仅包含5.6%的良性检查,因此每例良性检查相当于全队列中约18例检查的“权重”。主要指标为AUROC(ROC曲线下面积,即一例癌症得分高于一个良性结节的概率)和AUPRC(精确率-召回率曲线下面积,在癌症罕见时更为严格:随机猜测的模型在此约为0.03)。

最后,一个重新分类算法根据各类别设定的评分阈值,将每名患者在Lung-RADS管理阶梯(12个月复查、6个月复查、3个月复查或PET-CT、活检)上向上或向下移动一级。

结果

在机器学习指标上,LungAI的AUROC为0.92(95%置信区间0.88-0.95),AUPRC为0.47(0.35-0.61)。Sybil分别为0.85和0.25,直径为0.78和0.13,体积为0.79和0.12;与LungAI的差异均具有统计学意义。与Lung-RADS相比,在加权子集上情况更复杂:Lung-RADS的AUROC为0.89,差距仅0.03(-0.04至0.10),无统计学意义(p = 0.20);但AUPRC差距0.31具有统计学意义(p = 0.003)。将该评分加入直径模型后,AUROC提高0.10,说明它并不只是在测量大小。对II期及以上癌症的表现较差(AUROC 0.83,I期为0.95)。论文未报告校准分析。

临床换算(按作者对每1,000例有结节检查的推算,约含32例癌症):仅用Lung-RADS时,3.1例癌症会被安排一年后复查;加入LungAI后为1.6例。直接转去组织取样的癌症从18.3例增至23.9例,无癌患者的活检从32.7例降至26.2例,即减少6.5例不必要的活检,而活检总数几乎不变(51.0对50.1)。在完全依从的模型推算中,每1,000例检查累计可提前25个月诊断,节省约2,200美元,相当于每例检查仅略多于2美元。

做得好的地方

第一,评估方案清晰且可比较。模型已锁定,测试分区与Sybil所用相同,作者遵循STARD 2015报告规范。主要对照Sybil是公开模型,在相同检查上重新运行,并采用对其最有利的时间范围。在3.2%的患病率下报告AUPRC,是一种仍然少见的良好做法。

第二,临床问题提在了恰当的位置。作者没有在Lung-RADS之外再加一个评分,而是将其嵌入现有管理阶梯,只把患者移动一级,并以每1,000例检查中被延误的癌症和避免的活检来表达效果。将所有阈值乘以0.5至2的敏感性分析显示,癌症组的获益(净重新分类指数在+0.16至+0.27之间)并不依赖于精细调参。

第三,对利益冲突和局限性的披露确实透明:持股情况、标注放射科医生的有偿顾问身份、LungAI尚未获批(510(k)申请中)、分期分析仅为描述性。

不足之处

第一,难以回避的人群偏倚。全部结果基于单一队列NLST,CT设备已有二十多年历史,白人患者占93.2%,非白人患者中仅有四例癌症,正如作者承认的,这使按种族的分析无法解读。磨玻璃结节和厚层检查被排除,另有164例在索引CT上看不到癌灶的检查也被排除。

第二,最醒目的数字背后是脆弱的指标。与Lung-RADS的比较以及整个重新分类都基于148例标注的良性检查,每例权重约为18。按我们的计算,一例良性检查相当于每1,000例检查中的约6.5例:从32.7例降到26.2例不必要活检(即所谓减少20%),大致只对应一例标注良性检查的净移动。此外,所谓“预先设定”的阈值,是为了匹配在同一子集(取自测试分区)上估计的Lung-RADS表现而选定的,这削弱了评估的独立性。最后,与Lung-RADS的AUROC差距并无统计学意义。

第三,结构性的利益冲突和无法核实的模型。研究由Oatmeal Health资助,其员工设计了分析、解释了结果并决定发表;七名作者持有公司股份。唯一负责Lung-RADS分类(即对照基准)的放射科医生是该公司的有偿顾问。模型为专有模型,训练数据未予描述,分析代码仅“应合理请求提供”。在这种情况下,既无法排除间接的数据泄漏(data leakage,例如训练中使用了同一批NLST患者的其他检查),也无法复现结果。

带来的改变

对研究界:这项工作提供了一个有用的框架,即不以原始AUROC衡量模型贡献,而是看患者在现有管理阶梯上的移动。合理的下一步是在近期、多样化的筛查队列中进行外部验证,由多名独立读片者进行Lung-RADS分类,并让与公司无关的团队能够使用该模型。

对临床医生:目前没有任何改变,该器械尚未获批。更值得记住的是,在同一Lung-RADS类别内,实际风险差异很大:在4A类中,癌症比例从低于LungAI低阈值时的1.0%到高于高阈值时的46.2%不等。如果这一梯度在其他场景中得到证实,这类评分或可帮助对中间风险结节进行分诊。

对患者和公众:问题很实际,但宣称的获益在绝对值上并不大(每1,000例有结节检查中约减少1.5例被延误的癌症),而且基于推算。一个被称为“生物标志物”的AI评分,仍需在其开发者自行评估的队列之外证明自己。

延伸阅读

预印本:LungAI: An AI Biomarker that Refines Lung-RADS v2022 Triage of Screen-Detected Pulmonary Nodules,Suri等,medRxiv,2026年11月10日发布,DOI 10.64898/2026.11.09.26367662。未经同行评审。

Sybil:Mikhael等,Journal of Clinical Oncology,2023(代码公开)。NLST测试分区:Ardila等,Nature Medicine,2019。NLST数据:美国国家癌症研究所Cancer Data Access System。Lung-RADS v2022:American College of Radiology。

编辑透明度说明:本文由Tatakoto自动化编辑流程根据预印本第1版生成;未能查阅补充材料(补充表格和图)。“每1,000例检查中一例良性检查的权重”为我们根据已发表权重自行计算。英文、西班牙文和中文版本由AI生成。发现错误?请联系我们。