据近期一项研究，一种基于人工智能（AI）的模型能够通过识别胸部CT扫描中的偶发性肺外发现来有效预测全因死亡率（ACM）。这项研究由西达赛奈医学中心的Anna Marcinkiewicz领导，利用了来自国家肺癌筛查试验（NLST）的数据，其中包括在2002至2007年期间接受低剂量CT肺癌筛查的24,401名参与者。
该研究旨在通过整合基于AI的多身体结构分割来预测ACM和重要的肺外偶发发现。使用TotalSegmentator对总共32个结构进行了分割，并从每个结构中提取了15个影像组学特征。这使得研究人员能够为每位患者分析480个特征，确定哪些肺外异常在预测死亡风险方面最为重要。
胸部CT上的偶发发现很常见，通常需要进一步评估。研究发现，16％的参与者有显著的肺外发现，其中大多数是心血管异常（36.5％），其次是位于膈肌上方的异常（31.9％）和膈肌下方的异常（30.9％）。旨在评估死亡风险的AI模型产生了良好的结果，预测10年ACM的受试者工作特征曲线下面积（AUC）为0.72，预测2年ACM的AUC为0.71。
此外，AI模型能够为每位患者确定特定结构的重要性优先级，为死亡风险提供个性化见解。冠状动脉钙（CAC）是整个队列中预测死亡率最具影响力的特征。
通过利用AI评估胸部CT上的偶发发现，该研究表明这项技术可以增强放射科医生识别高危患者的能力，从而改善临床决策，并有可能改善患者的预后。这种方法在时间和资源有限的大规模筛查中可能特别有用，有助于临床医生关注每位患者最相关的发现。
