一项新的研究显示，一种深度学习模型能够通过单次低剂量胸部CT扫描预测未来的肺癌风险。这项研究在美国胸科学会2025年国际会议上发布。
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）数据开发而成。研究人员表示，Sybil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，非吸烟者的肺癌发病率正在上升，而许多没有传统风险因素的人不符合筛查指南的要求。
“Sybil展示了识别真正低风险个体的能力，这些个体可能受益于停止进一步筛查，同时也能检测出应鼓励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燕旭博士说。
目前的国际指南并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，在这一群体中肺癌发病率正在上升，其肺癌负担也非常显著。
这种风险与筛查之间的不一致在亚洲尤为突出。该地区占全球新发肺癌病例和相关死亡人数的60%以上，且从未吸烟者中的肺癌发病率正在上升。金博士还指出，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年间自我启动低剂量CT筛查的21,000多名年龄在50-80岁之间的个体，并跟踪他们的结果直到2024年。筛查测试由Sybil分析，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，包括从未吸烟者。
金博士说：“Sybil的价值在于它能够从单次低剂量CT扫描中独立预测未来的肺癌风险，而不依赖于常规用于风险分层的其他人口统计因素。”
该模型可用于为已经接受过低剂量CT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。需要前瞻性验证以确认该模型在临床应用中的潜力。
研究人员计划对该研究进行后续跟进。“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，并增强模型预测其他重要结果（如肺癌特异性死亡率）的能力。”金博士说。
(全文结束)
