肺癌是全球癌症相关死亡的主要原因，肺癌早期诊断对治疗和生存率至关重要。随着人工智能（AI）技术的飞速发展，利用机器学习和深度学习等技术对肺癌图像进行分析和诊断的方法不断涌现，为肺癌的早期诊断提供了新的解决方案。近日，日本东京医科大学的研究者探索了AI在提高术前放射诊断成像预测小型非小细胞肺癌 （NSCLC） 病理恶性程度和淋巴结转移的准确性方面的潜力，并将研究结果发表于Clinical Lung Cancer。
随着低剂量CT筛查的普及，肺结节的检出率不断增加，高分辨率CT的应用也使得肺部小结节的形态学特征得到更清晰的展现。肺结节表现出不同的特征，毛玻璃结节（GGN）预后良好，而实性结节则预后不良，恶性程度较高，淋巴结转移更常见。因此准确检测并识别结节的特征对放射科医生来说尤为重要，但肺结节的异质性和多变性使得对其的诊断变得复杂且困难。近年来人工智能的迅速兴起在辅助肺结节早期检测和诊断方面得到了广泛应用。这项回顾性研究旨在探索人工智能在提高术前放射诊断成像预测小型NSCLC病理恶性程度和淋巴结转移的准确性方面的潜力。
研究方法
研究分析了 246 例经正电子发射断层扫描-计算机断层扫描（PET/CT）成像诊断为临床淋巴结转移阴性（cN0）并接受肺腺癌手术切除的NSCLC患者。AI 检测到这些患者的肿瘤大小≤2 cm。AI评估了每个结节的22项成像特征，并为每个特征分配了个0到1之间的置信度评分。这些特征包括结节的体积、密度、形态等多个方面，有助于全面了解结节的特性。根据置信度得分将这些结节分类为实性（AI solid）或非实性（non-AI solid），旨在评估 AI 判定与病理学诊断之间的关联性，从而提高术前评估的准确性。
主要结果
结果显示，AI solid结节组的整体肿瘤体积、实性成分体积以及实性成分的百分比均显著高于non-AI solid结节组。具体而言，AI solid结节组的中位整体肿瘤体积为1300mm³，而non-AI solid结节仅为1100mm³；实性成分中位体积分别为900mm³和200mm³；实性成分百分比分别为90%和20%。
在AI solid结节组中，16%的患者观察到淋巴结阳性（pN+），而在non-AI solid结节组中仅有2%（P < 0.001）。在淋巴浸润（ly+）、血管浸润（v+）和胸膜浸润（pl+）方面也观察到了类似的趋势，AI solid结节组的阳性率显著高于non-AI solid结节组（分别为45%、35%和20%，相比之下non-AI solid结节组分别为6%、2%和2%；所有P值均<0.001）。AI solid结节组升级为IA3-IVA期也更为常见，为44%，而在non-AI solid结节组中为4%（P<0.001）。两组间的组织学亚型分布差异显著，AI solid结节组AIS和MIA占6%，non-AI solid结节组占59%；AI solid结节组94%的患者存在浸润性腺癌，而non-AI solid结节组为41%（P<0.001）。
讨论
本研究深入探讨了AI技术在肺癌术前放射学评估中的应用潜力，结果表明，将AI整合至术前评估流程，能够精准预判肺癌的恶性程度，并对治疗方案的制定产生深远影响。本研究的核心优势在于，通过AI技术实现了对肺结节的全方位三维（3D）特征分析，特别是在界定结节性质时，采用创新的评分阈值设定策略。
针对如何界定AI生成分数以区分“实性”结节的适宜阈值这一关键问题，本研究摒弃了传统单一的≥0.5阈值判定法，转而运用更为科学的K均值聚类分析方法，以确立更为精确且符合临床实际的分类阈值。值得注意的是，被AI判定为“实性”的结节中，有近16%呈现出淋巴结转移及高侵袭性特征，强烈提示其高度恶性的生物学行为。然而，不容忽视的是，在3D分析中，部分被AI归类为“实性”的结节内仍含有少量GGN成分，这进一步凸显了本研究方法的独特之处——其分类依据并非简单基于GGN与实性成分的比例，而是深度依赖于AI对复杂医学影像的智能解读与综合评估。
研究结论
本研究显示，AI在CT图像分析中展现出了卓越的能力，能够自动化地测量并精确分类小型肺腺癌结节，且其分类结果与后续的病理学诊断高度吻合，显著提升了AI在肺癌术前评估领域的精确度和临床应用价值。这一成果不仅为肺癌的早期诊断与治疗决策提供了强有力的技术支持，也为未来AI在肿瘤学领域的深入应用开辟了新的方向。
Kudo Y, Nakamura T, Matsubayashi J, Ichinose A, Goto Y, Amemiya R, Park J, Shimada Y, Kakihana M, Nagao T, Ohira T, Masumoto J, Ikeda N. AI-driven Characterization of Solid Pulmonary Nodules on CT Imaging for Enhanced Malignancy Prediction in Small-sized Lung Adenocarcinoma. Clin Lung Cancer. 2024 Jul;25（5）:431-439. doi: 10.1016/j.cllc.2024.04.015. Epub 2024 Apr 27. PMID: 38760224.
审批编号：CN-145138
排版编辑：肿瘤资讯-CXY
