一项新的研究表明，一种深度学习模型能够从单次低剂量胸部CT扫描中预测未来的肺癌风险。这项研究在ATS 2025国际会议上发布。
该模型名为Sybil，最初由麻省理工学院和哈佛医学院的研究人员使用国家肺癌筛查试验（NLST）数据开发。研究人员表示，该模型可以用于指导更个性化的肺癌筛查策略，特别是在亚洲地区，那里非吸烟者的肺癌发病率正在上升，许多没有传统风险因素的人不符合筛查指南。
“Sybil展示了识别真正低风险个体的潜力，这些人可能受益于停止进一步筛查，同时也能够检测出需要继续筛查的高风险群体，”韩国首尔国立大学盆唐医院肺科医生兼研究员金延旭博士说。
目前的国际指南不推荐对被认为是低风险的人群进行肺癌筛查，例如从未吸烟者。然而，这一群体中的肺癌发病率正在上升，并且肺癌负担显著。
这种风险与筛查之间的脱节在亚洲尤为突出。该地区占全球新发肺癌病例和相关死亡人数的60%以上，其中从未吸烟者的发病率也在上升。金延旭博士还指出，亚洲地区的肺癌流行病学与制定和验证筛查标准的人群不同，这导致了自我启动或不符合指南的筛查增加，但缺乏数据来建议谁应该接受筛查，谁不应该。
在这项新研究中，研究人员评估了2009年至2021年间自发起LDCT筛查的21,000多名50至80岁的个体，并随访他们的结果直到2024年。Sybil分析了这些筛查测试以计算未来肺癌诊断的风险。该模型在预测一年和六年的癌症诊断方面表现良好，包括在从未吸烟者中。
“Sybil的价值在于其独特的从单次LDCT扫描中预测未来肺癌风险的能力，独立于常规用于风险分层的其他人口统计因素，”金延旭博士说。
该模型可用于为已经接受LDCT筛查但未收到进一步筛查或随访建议的个体制定个性化策略。需要前瞻性验证来确认该模型在临床应用中的潜力。
研究人员计划继续跟进这项研究。“基于我们的结果，我们渴望进行前瞻性研究，以进一步验证并在实际临床环境中应用Sybil，以及增强该模型预测其他重要结果的能力，如肺癌特异性死亡率，”金延旭博士说。
(全文结束)
