文献速递技术与安全CTMRUSDR

癌症影像档案库人口学构成差异分析

Disparities in the Demographic Composition of The Cancer Imaging Archive.
PubMed 文献 · Radiol Imaging Cancer · 2024-01-01

该回顾性研究分析了癌症影像档案库(TCIA)截至2023年4月的189项研究中83项含人口学数据的人类癌症研究,并与美国癌症人群比较。结果显示TCIA患者中位年龄较美国癌症人群低6.84年(P = .047),女性占53%高于男性的47%,美洲印第安人/阿拉斯加原住民、黑人或非裔美国人及西班牙裔患者分别被低估47.7%、35.8%和14.7%。结论提示TCIA数据集的人口构成不能反映美国癌症人群,可能降低基于该数据开发的人工智能影像工具的泛化能力。

要点

  • TCIA仅83/189项研究提供人口学数据,种族和族裔信息分别仅见于30.2%和24.6%的研究。
  • TCIA患者中位年龄较美国癌症人群低6.84年,乳腺癌研究低13.4年。
  • 美洲印第安人/阿拉斯加原住民、黑人或非裔美国人和西班牙裔患者分别被低估47.7%、35.8%和14.7%。

核心结论

  • TCIA数据集的患者人口学特征不反映美国癌症人群,可能降低基于这些影像数据集开发的人工智能放射学工具的泛化能力。
  • 黑人或非裔美国人、美洲印第安人/阿拉斯加原住民和西班牙裔患者在绝大多数TCIA研究中被低估。
  • TCIA多数研究未提供人口学信息,妨碍了人口学因素与影像特征关系的分析,并限制了偏倚缓解技术的应用。

研究设计与样本

  • 回顾性研究,因使用公开去标识化数据而豁免机构审查委员会审查。
  • 截至2023年4月,TCIA共189项研究,排除10项动物研究、8项非癌症或混合癌症类型研究及88项未提供相关人口学数据的研究后,纳入83项人类癌症研究。
  • 83项研究中,性别信息见于77项、年龄75项、种族54项、族裔44项。
  • 比较数据来自监测、流行病学和最终结果(SEER)项目(2016–2020年发病率数据)及美国疾病控制与预防中心美国癌症统计数据可视化工具(2015–2019年新发癌症病例)。
  • 采用加权平均计算各原发肿瘤部位及总体的平均人口学统计量,权重为各研究患者数占总患者数的比例。

诊断标准与关键数值

  • TCIA患者中位年龄较美国癌症人群诊断时中位年龄低6.84年(P = .047)。
  • TCIA研究中女性占53%、男性占47%,女性较美国癌症人群高估8.3%。
  • 美洲印第安人/阿拉斯加原住民、黑人或非裔美国人和西班牙裔患者分别被低估47.7%、35.8%和14.7%。
  • 白人和亚洲及太平洋岛民患者分别较美国癌症人群高估5.3%和3.8%。
  • 乳腺癌TCIA研究中黑人或非裔美国人高估31.3%,白人、美洲印第安人/阿拉斯加原住民和亚洲及太平洋岛民分别低估3.3%、51.6%和20.2%;西班牙裔低估38.5%,中位年龄较美国癌症人群低13.4年。

临床应用与阅片要点

  • 使用TCIA数据训练或验证放射学人工智能模型时,需了解其人群构成偏年轻、女性偏多且少数种族和族裔被低估的特点。
  • 作者建议对现有TCIA数据实施偏倚缓解策略,如分层批采样或对每个人口学组独立分析。
  • 作者建议未来癌症影像研究优先纳入更多样化且公平的患者人群,并减少机构上传数据至TCIA的障碍。
  • 作者建议联系TCIA研究提供者索取人口学信息(包括已生成的纳入登记报告),并未来上传时提示提供支持性人口学信息。

局限性

  • TCIA中不到一半的研究可获得人口学信息;虽不预期提供与未提供人口学信息的研究间存在系统性差异,但此可能性不能排除。
  • 作为回顾性、单数据库研究,可能存在无法排除的固有选择偏倚。
  • 分析将不同影像技术合并以推导所有研究的人口学特征,而人工智能模型可能仅纳入单一模态。
全文中译13 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Radiol Imaging Cancer. 2024 Jan 19;6(1):e230100. doi: 10.1148/rycan.230100

摘要

来自癌症影像档案(TCIA)数据集中的人口统计学特征未能反映美国癌症人群的人口统计学特征;因此,使用该数据库开发的人工智能工具可能会加剧癌症健康差异。

要点

■ 大多数癌症影像档案(TCIA)研究未提供人口统计学信息(189项研究中仅83项提供),尽管年龄、性别、种族和民族对影像特征的影响已知。

■ TCIA研究患者的中位年龄比美国人群癌症诊断时的中位年龄低6岁以上。

■ 美洲印第安人和阿拉斯加原住民、黑人或非裔美国人以及西班牙裔患者在TCIA研究中的代表性分别不足47.7%、35.8%和14.7%。

引言

癌症发病率和死亡率在不同种族、民族和社会经济地位之间的差异可能反映了美国的健康不平等(1)。癌症健康差异由多种因素导致,包括医疗保险覆盖、社会经济地位、风险因素暴露和遗传祖先的差异(2)。不幸的是,帮助我们更好地理解和治疗癌症的生物样本库和数据档案在很大程度上由欧洲血统个体的数据组成(3)。这些样本库中种族和民族少数群体的代表性不足妨碍了使用这些样本库的研究的普遍性,从而加剧了这些边缘化群体中的癌症健康差异。例如,黑种人患者群体在癌症基因组图谱中的代表性不足限制了检测这些群体中突变频率的能力(4)。此外,代表性不足的患者群体数据稀缺阻碍了我们对种族或民族与癌症发病机制之间复杂关系的理解。很少有大规模研究,包括一项多种族队列研究(5),专门针对代表性不足的群体以提高癌症研究的多样性。尽管招募多样化群体的举措正在进行中(6),但这些努力在现有的用于训练基于人工智能工具的癌症数据集中尚未得到充分体现。

放射学在癌症的筛查、诊断、分期和监测中发挥着关键作用。美国国立卫生研究院(NIH)认识到共享去标识化癌症医学图像的价值,资助了癌症影像档案(TCIA),该档案于2011年启动(7),截至2023年4月,托管了189项影像研究。TCIA图像数据集已在1924项研究中被使用(截至2023年4月;https://www.cancerimagingarchive.net/publications/)。TCIA数据越来越多地被用于训练机器学习模型(8,9)。事实上,TCIA对使用其数据的出版物关键词追踪显示,截至2023年4月,438篇出版物进行了“算法开发”,347篇含有“影像组学”关键词,287篇进行了“深度学习”,184项研究使用了“机器学习”。因此,迫切需要确保TCIA数据能代表受癌症影响的人群。

医学图像可能受到多种人口统计学因素的影响。已知乳腺密度取决于年龄(10),而这又会影响乳腺X线成像。种族和民族已被证明会影响脑部(11)和乳腺成像(12)。除解剖学差异外,性别也会影响肿瘤生物学(13);因此,癌症成像可能具有性别依赖性(14)。虽然遗传学研究中小群体多样性的重要性已被广泛认可(15),但在成像研究中纳入多样化患者群体的理由尚不明确。然而,TCIA数据集必须反映癌症患者的实际人口统计学多样性,以涵盖所有可能的图像特征。否则,基于TCIA数据训练的模型在应用于代表性不足的人群时可能不准确。事实上,众所周知,人工智能在医学中的应用可能对某些人群引入偏倚,导致在年龄、种族、民族和/或性别方面出现性能差异(16)。此前的报告已发现人工智能在医学成像应用中的偏倚。从胸部X线片进行诊断的模型已被证明对服务不足人群存在诊断不足(17)。基于深度学习的心脏分割同样因训练所用数据的人口统计学差异而受到影响(18)。医学图像中的性别不平衡已在用于胸部疾病计算机辅助诊断的分类器中引入偏倚(19)。鉴于TCIA数据被广泛用于训练放射学机器学习模型,TCIA人口统计学中的任何潜在差异都有可能产生偏倚,从而强化和延续癌症健康差异。因此,在本研究中,我们量化了TCIA(最大的公开可访问癌症成像研究存储库)中成像数据的人口统计学构成,以识别相对于美国总体癌症人群代表性不足的人群。

材料与方法

本回顾性研究因使用公开可用的去标识化数据而免于机构审查委员会审查。

数据提取

于2023年4月访问TCIA网站,以生成该档案库当时托管的所有研究的列表(n = 189)。TCIA将医学图像组织为集合,这些集合代表参与特定成像研究的患者队列,通常按原发肿瘤部位相关联。对每项研究进行检查以确定人口统计学支持数据的可用性。在存在人口统计学数据的情况下,计算年龄的均值、中位数和标准差,同时确定性别、种族和民族的比例。在最初的189项研究中,共排除106项,如图1所示。这些排除包括10项涉及动物受试者的研究、8项被归类为非癌症或涵盖多种癌症类型的研究,以及88项未提供相关人口统计学支持数据的研究。因此,共确定83项人类癌症研究包含人口统计学数据。在这83项研究的子集中,77项研究有关于性别的人口统计学信息,75项有年龄信息,54项有种族信息,44项有民族信息。

图1:纳入分析的研究流程图。TCIA = 癌症成像档案库。 查看原图 ↗

数据分析

这些研究按原发肿瘤部位进行分类。种族和民族类别经过调整,仅考虑每项研究中已知患者的总数,省略任何未知或未报告的数据。种族类别进一步标准化,以与NIH使用的人口统计学分类保持一致,包括白人、黑人或非裔美国人、美洲印第安人和阿拉斯加原住民、以及亚洲人和太平洋岛民。TCIA记录的民族类别为西班牙裔或拉丁裔以及非西班牙裔或拉丁裔。为确定每个原发肿瘤部位的平均人口统计学统计量,计算了加权平均值,根据每项特定研究中患者数量占总患者的比例对该项研究的贡献进行加权。总癌症人口统计学类别通过类似方法得出,按患者总数对每种癌症类型的平均人口统计学统计量进行加权。

癌症人群人口统计学信息

TCIA数据库主要由在美国进行的研究组成。为获得反映美国人口中癌症人群的可比人口统计学数据,采用了两个来源:监测、流行病学和最终结果(SEER)项目(20)以及疾病控制与预防中心(CDC)美国癌症统计数据显示工具(21)。SEER项目用于确定不同癌症类型诊断时的中位年龄,数据来源于2016-2020年发病率数据。使用CDC数据显示工具,确定了2015年至2019年按性别、种族和民族分类的新发癌症病例总数。这些数据共同用于建立与美国癌症人群相关的年龄、性别、种族和民族的可比人口统计学信息。对于TCIA人口统计学数据最多的三种癌症(乳腺癌、肺癌和脑癌),我们检查了各单项研究之间人口统计学信息的异质性。这些亚组分析包括美国发病率最高的癌症(乳腺癌)和死亡率最高的癌症(肺癌)。

统计分析

特定人口统计学群体的相对过度代表性或不足代表性通过从加权TCIA比例中减去该群体的美国癌症人群比例并除以美国癌症人群比例来计算。人口统计学报告随时间的变化趋势使用线性回归计算。统计分析使用R软件(版本4.1.1;R基金会)进行,P值.05视为显著。

结果

所有癌症

在TCIA数据库中,仅在少数人类TCIA研究中发现了关于性别、年龄、种族和民族的信息(图1)。具体而言,只有43%(179项中的77项)的研究提供了性别信息,41.9%(179项中的75项)提供了年龄信息,30.2%(179项中的54项)提供了种族信息,24.6%(179项中的44项)提供了民族信息。在人类乳腺癌研究中有68.2%(22项中的15项)存在人口统计学信息,人类肺癌研究中有50%(26项中的13项),人类脑癌研究中有61.1%(18项中的11项),这是研究数量最多的三种主要肿瘤亚型。对于乳腺癌、肺癌和脑癌研究,性别信息分别在54.5%(22项中的12项)、50%(26项中的13项)和61.1%(18项中的11项)的研究中可获得;年龄信息分别在54.5%(22项中的12项)、42.3%(26项中的11项)和55.6%(18项中的10项)的病例中可获得;种族信息分别在54.5%(22项中的12项)、30.8%(26项中的8项)和33.3%(18项中的6项)的病例中可获得;民族信息分别在36.4%(22项中的8项)、23.1%(26项中的6项)和27.8%(18项中的5项)的病例中可获得。我们检查了TCIA人口统计学数据可获得性的时间趋势,发现报告人口统计学信息的研究百分比随时间推移而增加。从2011年TCIA成立至2023年4月上传的研究中,报告性别(P = .003)、年龄(P < .001)、种族(P = .022)和民族(P = .012)的研究显著增多(图2)。

在分析的所有TCIA研究(83项研究,50 091例患者)中,与U.S.癌症人群相比,女性占比高出8.3%(表1)。乳腺癌、子宫癌和卵巢癌研究在TCIA中代表性充分,而前列腺癌研究有限。在男女均可发生的肿瘤亚型中,女性患者占比超出最多的是肝癌(16.9%)、膀胱癌(10.0%)和皮肤癌(6.7%)。男性患者占比超出最多的是肺癌(15.6%)、头颈癌(14.6%)、结直肠癌(10.6%)、食管癌(8.1%)和胰腺癌(7.1%)。排除与性别相关解剖特征特有的肿瘤亚型后,甲状腺癌、肾癌和脑癌在性别构成上最接近U.S.癌症人群。TCIA患者的中位年龄比U.S.人群诊断时的中位年龄低6.84岁。在乳腺癌(13.4岁)、肺癌(10.6岁)、胰腺癌(7.7岁)和食管癌(7.0岁)亚型中,观察到TCIA数据的中位年龄低于一般人群诊断时年龄。皮肤癌(0.5岁)、肝癌(0.84岁)、结直肠癌(0.96岁)、胃癌(1岁)、子宫癌(1.67岁)和脑癌(1.91岁)亚型的中位患者年龄与U.S.人群诊断时年龄最为相似。在所有癌症部位中,White和Asian and Pacific Islander患者占比分别比U.S.癌症人群高5.3%和3.8%,而American Indian and Alaska Native和Black or African American患者占比分别低47.7%和35.8%。White患者在某些癌症亚型中占比不足,包括肝癌(31.4%)、食管癌(21.3%)和膀胱癌(9.0%)。Asian and Pacific Islander患者在除乳腺癌、前列腺癌、子宫癌和血液系统癌症外的所有癌症部位中占比过高。Black or African American患者在除乳腺癌外的所有癌症中占比不足。American Indian and Alaska Native患者在除结直肠癌和宫颈癌外的所有亚型中占比不足。值得注意的是,皮肤癌或血液系统癌症研究中没有Black or African American或American Indian and Alaska Native患者。TCIA研究中Hispanic患者的平均比例比U.S.癌症人群低14.7%。Hispanic患者在除头颈癌和食管癌外的所有癌症亚型中占比不足。没有报告Hispanic患者的皮肤癌研究。

图2:TCIA研究人口学报告随时间变化的散点图:(A)性别,(B)年龄,(C)种族,(D)族裔。2011年至2023年间,所有人口学信息的可获得性均有所增加。TCIA = The Cancer Imaging Archive。 查看原图 ↗
表1:分析的所有人类癌症TCIA研究的人口学特征,按原发肿瘤部位分组 查看原表 ↗

乳腺癌

报告乳腺癌人口统计学特征的15项TCIA研究(12 456例患者)显示研究间存在异质性(表2)。仅有两项乳腺癌研究纳入了男性患者。在所有TCIA乳腺癌研究中,患者的中位年龄低于美国癌症人群的中位年龄。平均而言,黑人或其他非洲裔美国患者被过度代表31.3%,而白人、美国印第安人和阿拉斯加原住民、以及亚洲人和太平洋岛民患者分别被低代表3.3%、51.6%和20.2%。在所有研究中,白人患者占总患者的66.2%–92.2%,黑人或其他非洲裔美国患者占4.9%–30.8%,美国印第安人和阿拉斯加原住民患者占0%–15.8%,亚洲人和太平洋岛民患者占0%–12.3%。西班牙裔患者的平均比例比美国癌症人群低38.5%。除两项乳腺癌研究外,所有研究均观察到西班牙裔患者被低代表。

表2:所分析的乳腺TCIA研究的人口统计学特征 查看原表 ↗

肺癌

肺癌研究(13项研究,28 232例患者)包括国家肺癌筛查试验(即NLST),该大型研究占这些研究中所有患者的93%,因此在表3所示分析中权重很大。仅有一项研究的中位患者年龄高于美国癌症人群的中位年龄,导致所有研究的平均年龄比美国癌症人群年轻10.6岁。除一项肺癌研究外,所有研究均发现男性相较于美国癌症人群被过度代表。平均而言,白人和亚洲人及太平洋岛民患者分别被过度代表7.8%和5.6%,而黑人或其他非洲裔美国人和美国印第安人及阿拉斯加原住民患者分别被低代表58.7%和44.6%。仅有两项研究纳入的黑人或其他非洲裔美国患者百分比高于美国癌症人群,且没有任何研究纳入的美国印第安人和阿拉斯加原住民患者多于美国癌症人群。西班牙裔患者的平均比例比美国癌症人群低27.3%。所有肺癌研究中西班牙裔患者均被低纳入。

表3:所分析的肺TCIA研究的人口统计学特征 查看原表 ↗

脑癌

在所有脑癌研究中(11项研究,2396例患者),与U.S.癌症人群相比,男性比例高出2.1%(表4)。这些研究中的患者中位年龄仅比U.S.癌症人群年轻1.91岁。然而,癌症基因组图谱低级别胶质瘤(即TCGA-LGG)数据集是一个离群值,患者中位年龄为41岁,比U.S.癌症人群年轻19岁。平均而言,白人患者比例比U.S.癌症人群低2.0%。黑人或非裔美国人以及美洲印第安人和阿拉斯加原住民患者分别被低估了38.0%和77.4%。有趣的是,亚洲人和太平洋岛民患者被高估了150%,是其在U.S.脑癌发病率中所占比例的两倍多。亚洲人和太平洋岛民患者的这种比例过高在很大程度上是由临床蛋白质组肿瘤分析联盟多形性胶质母细胞瘤发现(即CPTAC-GBM)研究驱动的,该研究表现出亚洲人和太平洋岛民患者最高程度的比例过高,且没有黑人或非裔美国人或美洲印第安人和阿拉斯加原住民患者。西班牙裔患者的平均比例比U.S.癌症人群低33.0%,尽管两项研究中西班牙裔代表性高于预期。

表4:所分析的脑部TCIA研究的人口统计学特征 查看原表 ↗

讨论

在本研究中,我们调查了TCIA(最大的公开可用癌症影像研究存储库)内影像研究的人口统计学构成,以确定它们是否准确反映了U.S.癌症人群的人口统计学特征。我们的结果表明,与U.S.癌症患者平均人群相比,TCIA研究由更年轻的患者和更多女性组成。此外,我们的分析显示,黑人或非裔美国人、美洲印第安人和阿拉斯加原住民以及西班牙裔患者在绝大多数TCIA研究中被低估。令人惊讶的是,我们发现大多数TCIA研究未提供其患者的人口统计学信息。这种支持性人口统计学数据的缺失妨碍了对人口统计学因素与影像特征之间关系的分析,并限制了可增强使用TCIA数据训练的人工智能工具的偏见缓解技术的应用。

我们观察到,在TCIA研究中,随医学图像提供的辅助数据水平存在高度异质性。不到一半的TCIA研究包含任何人口统计学信息,分别有不到三分之一和四分之一的研究提供了种族和民族信息。值得注意的是,这些研究中有许多是由NIH资助开展的,而NIH要求提交详细说明种族、民族和性别的纳入登记报告。这表明,一些TCIA研究可能已经收集了人口统计学数据,但未随其医学图像一同上传。联系TCIA研究的当前提供者并索取人口统计学信息,包括已生成的任何纳入登记报告,可能会提高该数据库中人口统计学数据集的比例。此外,可以促使未来的TCIA提交提供支持性人口统计学信息,以在研究上传过程中改善对这些数据的采集。值得注意的是,当前的TCIA上传流程包括一个去标识化步骤,并可选择保留性别、年龄和族裔群体。自动选择研究保留这些人口统计学信息,可能是采集更多此类数据的一种选择。令人鼓舞的是,我们的时间趋势分析发现,随着时间推移,报告人口统计学信息的研究数量不断增加,这表明TCIA已经在改善人口统计学数据的采集。

我们发现,TCIA患者的中位年龄比美国癌症诊断时的中位年龄年轻6岁以上。在所有原发肿瘤部位中,只有子宫癌和皮肤癌TCIA研究的中位患者年龄高于美国癌症人群诊断时的中位年龄。癌症临床试验中老年患者代表性不足已成为一个已知问题超过20年,据认为源于患者和提供者的感受、研究资格标准、合并症和后勤障碍(22)。考虑到乳腺影像随年龄变化的已知情况(10),我们发现这种差异在乳腺癌研究中尤为显著。TCIA乳腺癌研究的中位患者年龄比美国人群诊断时的中位年龄年轻13岁。在所有TCIA研究中,纳入的女性患者多于男性患者。然而,这很可能反映了TCIA数据库中乳腺、子宫、卵巢和宫颈癌图像占比较高(27%),而前列腺癌图像的贡献相对较小(0.1%)。在绝大多数TCIA研究中,黑人或其他非洲裔美国人、美洲印第安人和阿拉斯加原住民以及西班牙裔患者代表性不足,这与他们在美国国家癌症研究所临床试验中的代表性不足相一致(23)。这一趋势的一个例外见于TCIA乳腺癌研究,其中黑人或其他非洲裔美国人患者的招募明显较为充分。已确定增加临床试验多样性的策略(24);未来的癌症影像研究应纳入这些指南,以扩大对服务不足人群的外展。

我们的研究存在若干局限性。TCIA中不到一半的研究可获取人口统计学信息。虽然我们预计提供人口统计学信息的研究与未提供的研究之间不存在系统性差异,但这一可能性无法排除。此外,作为一项回顾性、单数据库研究,可能存在无法排除的固有选择偏倚。此外,我们将不同的成像技术合并在一起以推导所有研究的人口统计学特征,尽管人工智能模型很可能仅纳入单一模态。

总之,鉴于TCIA数据被广泛用于训练新的放射学机器学习模型,表征并解决TCIA数据库与美国更广泛癌症人群之间的差异至关重要。这些差异引入了偏倚,可能限制数据的普适性、误导临床决策,并忽视患者健康问题的细微差别。代表性不足的人群群体尤其受到影响,导致历史上服务不足的人群诊断不足(17)。放射学人工智能工具可能通过加剧人群群体之间的健康差异而使这些不平等持续存在,这些群体在癌症影像研究中代表性不足,但其医疗保健持续受到在此类数据上训练的算法的影响。本研究中识别并量化的TCIA不公平代表性可以被解决和纠正。展望未来,必须在未来的癌症影像研究中优先纳入更多样化和公平的患者人群。此外,数据共享的障碍可能阻碍机构将数据上传至TCIA,尤其是那些在社区环境中为患者提供服务的机构。应尽量减少这些挑战以确保公平的数据共享。然而,对于已纳入TCIA的研究,我们的工作重点是通过在每项单独研究中量化这些结构性不平等来解决它们。我们主张通过实施偏倚缓解策略,如分层批次采样或对每个人群群体进行独立分析(25),对现有TCIA数据进行公平加权。这些关键步骤旨在实现对美国癌症人群更准确的代表性,从而减轻健康差异、增强所开发工具的普适性,并最终改善患者结局。通过采取这些措施,我们可以通过改进的人工智能工具为患者提供获得包容性和个体化医疗的机会,用于医疗治疗中的诊断和预后。

引用

  1. Dulaney A, Virostko J. Disparities in the Demographic Composition of The Cancer Imaging Archive. Radiol Imaging Cancer. 2024. PMID: 38240671. doi:10.1148/rycan.230100
  2. 全文:PMC10825717(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC10825717/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。