今天为大家介绍的是来自Jörg Kleeff的一篇短文。近年来，人工智能（AI）已成为我们生活中无处不在的元素。无论是在互联网上使用搜索引擎，发表或阅读社交媒体内容，还是使用交通工具，我们都在有意或无意地与AI技术互动。在临床医学中，AI的应用进展远比其他领域慢，诊断和治疗建议几乎完全基于人类的判断。直到最近，AI技术才开始被评估其在多种临床场景中的适用性和潜在益处，其中视频和影像应用处于领先地位。
最近Kai Cao等研究人员报道了在CT影像中检测和分类胰腺病变的研究结果。这种方法试图满足早期检测胰腺癌的临床需求，这是一种具有挑战性的疾病，因为其症状通常不明显，导致检测晚、预后不良。他们AI算法的训练集使用了来自一个高容量胰腺癌机构的3200多个图像集，其中约70%来自患有胰腺病变的患者。该AI算法在一个多中心的队列中得到了验证，该队列包括约6200名患者，包括确诊为胰腺癌的病例和没有胰腺病变的对照组，以及一个包括20530名患者的第二个验证队列，这些患者来自同一机构。该算法在识别胰腺病变方面实现了92.9%的敏感性和99.9%的特异性，曲线下面积（AUC）为0.986–0.996。该算法在检测胰腺腺癌（最常见和最有害的胰腺肿瘤）方面超越了人类放射科医师。
该结果与最近支持AI在多种临床设置中使用的证据相符。对使用AI进行各种患者管理目的的随机对照试验进行范围审查显示，84项试验中有69项（82%）报告了其积极结果。尽管可能存在出版偏见，这一发现仍然引人注目。一个显著的例子来自一项涉及超过80000名女性的随机对照试验，她们接受乳腺癌筛查的乳房X光检查，在这项试验中，AI支持的乳房X光检查比放射科医师的表现更好，其比率为1.2，将乳腺癌检测率从每1000名参与者中的5.1提高到6.1，同时将阅读工作量减少了40%以上。基于AI的影像学甚至已被评估为传统上不能仅仅只通过影像学诊断的疾病的筛查工具。应用于胸部X光片的深度学习模型可以检测到左心室射血分数低于40%，其敏感性和特异性分别为82%和86%（AUC 0.92）——这对于传统上被认为不提供足够心脏功能信息的方法来说相当的牛。甚至对于检测视网膜图像以发现如中风或帕金森病等眼外疾病的分析也显示出了有希望的结果。
图 1
Kai Cao等研究人员使用的算法的准确性指标优于多种公认的筛查方法，如子宫颈癌的巴氏涂片或乳腺癌的乳房X光检查。这促使人们想要将这种特定方法整合进大规模筛查工作中——通过向特定人群提供无对比增强的腹部CT，或将该工具应用于出于其他原因（与癌症筛查无关）进行的无对比CT。然而，这些发现也展示了基于AI的筛查研究所面临的一些挑战，这些挑战在做出决定性诊断之前需要被考虑。
将基于AI的筛查应用于出于其他目的获取的图像上，如在急诊部门访问或常规体检期间，这一点很有吸引力。然而，筛查方法的成功取决于在早期阶段检测到疾病以及与治愈性治疗的相关可行性。在这种情况下，必须特别考虑针对每一种癌症类型和研究中的人群的准确性。这对于胰腺癌来说非常重要，因为该疾病在晚期的预后很差。因此，任何胰腺癌的潜在筛查方法都应该能够检测出早期阶段，如T1期病变。文章在测试队列中报告了这个亚组的敏感性为85.7%，在验证队列中为92.2%。这个亚组的特异性和预测值未被报告。如果像CT扫描这样的检查主要是出于其他目的进行的，而筛查是在疾病低发病率的人群中作为副产品进行的，那么这些指标就尤为重要。假阳性结果会让患者惊慌，并导致成本高昂且通常是侵入性的进一步诊断措施。因此，患者的准确知情同意至关重要，基于AI的筛查中阳性和阴性结果的可能后果必须被充分解释。此外，由于普遍对AI的怀疑态度，即使在有令人信服的数据的情况下，一些患者可能不愿意让他们的数据由AI工具而不是人类进行评估。
最后，任何癌症筛查方法的价值在于降低全因死亡率。单纯早期检测肿瘤并不能保证这一点。这项胰腺癌的研究是回顾性设计的，因此无法评估筛查对纳入患者死亡率的影响。因此，关于该方法的效用做出任何最终结论都为时过早，因为基于AI的筛查应该以与传统筛查相同的严格程度进行评估——使用随机对照试验来比较该方法与有效对照组在全因死亡率方面的效果。
尽管存在这些挑战，可以设想一个未来，在这个未来中，AI被用于将常规影像学信息与临床病史信息结合起来，甚至与个人在线搜索趋势和社交媒体使用情况结合起来—用于预测和早期检测诸如胰腺癌这类难以治疗的疾病（图1）。基于AI的筛查是一种极具前景的方法，有可能在不久的将来产生临床影响；然而，在将其引入广泛实践之前，还需要进行更进一步的彻底评估。
编译 | 曾全晨
审稿 | 王建民
参考资料
Kleeff, J., Ronellenfitsch, U. AI and imaging-based cancer screening: getting ready for prime time. Nat Med (2023).
https://doi.org/10.1038/s41591-023-02630-y
