商用AI用于CT肺癌筛查：产品能力、结节管理任务覆盖及证据支持

引言

肺癌仍然是全球癌症相关死亡的主要原因[1]。如美国国家肺癌筛查试验和欧洲NELSON试验所示，采用低剂量计算机断层扫描（LDCT）进行早期检测可降低死亡率[2, 3]。基于这些证据，美国已在全国范围内采用LDCT筛查，欧洲也正在逐步推广，此前2022年欧盟理事会建议邀请成员国探索对肺癌高风险个体进行LDCT筛查的可行性和有效性[4, 5]。然而，欧洲各地的采纳情况仍不均衡，反映出在扩大肺癌筛查（LCS）规模方面面临的实际挑战。

主要挑战包括繁重的报告工作量、肺结节评估中的观察者间变异性，以及对高效、标准化路径的需求[6]。人工智能（AI）已被提出用于通过支持或自动化解读和报告来减轻放射科医生的负担[7, 8]。目前已有众多获得欧盟CE认证的肺结节分析AI产品[9]，并定位为辅助LCS，但其是否已准备好用于常规使用仍存在不确定性，凸显了明确定义质量保证指标的必要性[10]。

若干国家已开始实际部署，为AI整合提供了早期见解。英国的靶向肺健康检查项目采用AI作为第二读者或同步读者来支持放射科医生[11]。德国2024年筛查法规要求对所有筛查LDCT进行计算机辅助检测和容积测量[12]。这些实施既凸显了采用AI的势头，也凸显了系统评估哪些AI工具能满足临床要求以及哪些证据支持其部署的迫切需求。

肺癌筛查项目依赖于已建立的结节管理建议，涉及结节检测、分类、测量、生长评估、风险分层和临床管理。这些建议定义了AI产品可以提供帮助的任务。虽然各国管理方案可能有所不同，但许多方案参考了广泛使用的标准，如肺CT筛查报告和数据系统（Lung-RADS）[13]、英国胸科学会（BTS）肺结节指南[14]和欧盟立场声明（EUPS）建议[15]。

本研究通过描述CE认证肺结节分析AI产品的功能特征、评估其对结节管理建议所定义任务的覆盖范围，并使用分层效能模型对现有临床证据进行分类，从而系统评价这些产品。我们的目标是识别当前AI产品在哪些方面满足临床要求、揭示能力差距，并描述支持每个产品的证据强度，从而为临床采用和未来发展的优先事项提供信息。

材料与方法

结节管理建议和任务领域的选择

为建立评估商业人工智能产品肺结节评估能力的参考标准，我们回顾了四项主要的筛查结节管理建议：肺部CT筛查报告和数据系统（Lung-RADS）2022年版[13]、英国胸科学会（BTS）肺结节指南[14]和欧盟肺癌筛查立场声明（EUPS）建议[15]。此外，我们纳入了新制定的欧洲胸廓影像学会（ESTI）结节管理建议[16]，因为它很可能影响未来的筛查方案。对这些建议进行分析，以识别人工智能支持具有价值的重复性临床任务，最终确定了六个预设核心领域：结节检测、分类、测量、生长评估、恶性风险估计和临床管理建议。

人工智能产品的选择

进行了系统性检索，以识别为肺结节分析开发的市售人工智能产品。纳入标准要求产品持有在欧洲临床使用的CE认证，主要设计用于肺结节分析，并于2025年1月1日在欧洲市场上可获取。符合条件的产品通过Health AI注册库[9]识别。主要关注一般胸部病变或偶发发现、没有专门肺结节分析功能的产品被排除。

能力映射与任务覆盖评分

每个人工智能解决方案的认证能力信息最初从公开来源提取，包括Health AI注册库和厂商网站。这些数据用于预填一份涵盖所有预定义任务和子任务的标准化问卷（见附录E1）。预填问卷于2025年7月分发给已识别的厂商，邀请其核实或修改信息。由于ESTI结节管理建议于2025年7月1日才发布，我们未询问产品是否已提供基于ESTI的管理建议。厂商被告知，在未回复的情况下，分析将使用公开可获取的数据继续进行。

对于每个解决方案，产品能力被映射到预设条目，并编码为支持、部分支持、不支持或未验证。“支持”指在公开文档和/或厂商确认中有该功能的明确证据。“部分支持”指对特定结节类型功能不完整，仅部分能力（检测、分类或测量）获得认证，而非完整的功能集。“不支持”指明确不存在。“未验证”指公开来源提示该功能，但证据不完整或模糊，且厂商未予确认。

为了在Lung-RADS、BTS、EUPS和ESTI各指南体系下评估产品是否独立于基于指南的管理整合而支持各推荐所要求的任务，我们为每个产品–推荐配对计算了任务覆盖评分。对于每项结节管理推荐，我们在补充表S1中总结了其要求的具体任务。任务覆盖评分（0–100%）定义为产品在功能上支持的这些推荐定义任务的比例。各推荐内的任务权重相等，以便进行可重复的结构性比较，任务覆盖应被解释为功能重叠而非临床有效性或指南一致性。评分以热图形式可视化，并分为四个类别（低、中等、较高和高），评分规则详见补充表S2。为反映筛查项目可能将AI部署用于不同任务子集（例如仅检测和测量），我们使用替代部署场景重新计算了任务覆盖，每个场景具有相应的任务权重（补充表S3）。

科学证据的选择与分析

每个纳入的AI产品的科学证据采用两步法进行识别。首先，我们使用了Antonissen等人[17]的产品–证据数据集，该数据集涵盖2015年1月1日至2023年3月31日期间关于CE认证放射学AI产品的同行评审出版物，并通过在PubMed中检索截至2025年1月1日发表的额外文章进行补充，检索词为产品名称和厂商名称（包括曾用名，如适用）（检索式见补充表S4）。其次，手动审查厂商网站和Health AI Register以识别额外引用的出版物。纳入标准为：研究评估了产品的CE标记版本（包括早期版本）、报告了在人类数据集上的性能、以英文发表于同行评审期刊、并评估了肺结节分析能力。评估仅研究用或原型软件的研究被排除，综述、方案、评论、白皮书和病例报告亦被排除。

对于每项符合条件的研究，提取研究设计（前瞻性或回顾性）和数据集特征的数据，包括是否使用肺癌筛查队列、多中心或多国家数据收集以及扫描仪厂商多样性。厂商独立性通过作者单位、资金来源和利益冲突声明进行评估。为表征证据类型，每项研究采用Antonissen等人和van Leeuwen等人[17, 18]提出的六级层次效力框架进行分类，该框架改编自Fryback和Thornbury[19]。该框架包括技术性能和诊断准确性（1–2级）、对临床决策和患者结局的影响（3–5级）以及社会经济影响（6级）。各等级定义见表1。

结果

推荐定义的结节管理任务及关键差异

对四种结节管理建议的比较显示，在肺癌筛查核心任务上存在大量重叠，但也有若干任务特异性差异（补充表S1）。所有建议均针对实性和亚实性结节定义了结构化随访路径。仅Lung-RADS和ESTI提供了囊性和支气管内结节的指导。测量方法各不相同，BTS、EUPS和ESTI倾向于容积评估，而Lung-RADS主要基于直径，容积测量为可选。使用泛加拿大肺癌早期检测（PanCan）模型进行的恶性风险评估已整合到BTS和EUPS中，在Lung-RADS中为可选，在ESTI中则缺失。

纳入的人工智能产品概览及其认证能力

共识别出来自16家供应商的16款用于肺结节分析的CE标记人工智能产品。在16家供应商中，10家（62.5%）完成了我们的问卷；其余6家的分析依赖于公开可获取的数据。这些产品的监管认证状态见图1，其中10款产品（62.5%）根据医疗器械法规（Medical Device Regulation）获得认证（7款IIb类，3款IIa类），6款（37.5%）根据此前已逐步淘汰的医疗器械指令（Medical Device Directive）获得认证（4款IIa类，2款I类）。

如图1所示，实性和非实性结节的检测分别由14/16款产品支持，部分实性结节由13/16款支持（另有1款未经验证）。相比之下，胸膜邻近结节检测由两款产品支持，且没有任何产品报告可检测支气管内或囊性病变。分类较检测少见，12款产品可对实性和非实性结节进行分类（各另有1款未经验证），10款可对部分实性结节进行分类（另有2款未经验证），而没有产品可对胸膜邻近、支气管内或囊性病变进行分类。14款产品分别报告了实性和非实性结节的测量，12款报告了部分实性结节的测量（另有1款未经验证），但胸膜邻近结节的测量较少见（n = 2），支气管内和囊性病变则无测量；直径和容积测量未分别分析，因为所有具备测量能力的产品均同时报告两者。

生长评估由12款产品支持（另有1款未经验证）。恶性风险估计情况异质，5款产品包含PanCan模型，4款产品采用基于人工智能的风险评分。与指南相关的管理输出报告情况为：4款产品报告Lung-RADS 2022，4款报告BTS，1款报告EUPS，另有3款报告了未指明版本的Lung-RADS；8款产品未报告Lung-RADS、BTS或EUPS管理输出。

人工智能产品在各类结节管理建议中的任务覆盖情况

图2显示了每款产品在各项结节管理建议中的任务覆盖情况。EUPS的覆盖率最高，10/16款产品达到高覆盖，4/16款为较高覆盖，2/16款为低覆盖。BTS的覆盖率次之，4/16款产品属于高覆盖类别，10/16款属于较高覆盖类别，2/16款属于低覆盖类别。Lung-RADS v2022和ESTI使用相同的任务集和权重，因此得分相同，总体覆盖率较为中等，9/16款产品显示较高覆盖，5/16款为中等覆盖，2/16款为低覆盖。

在基于情景的敏感性分析（图S1）中，覆盖率最高的是仅限于实性、部分实性和非实性结节的以筛查为重点的工作流程：情景1（检测和测量）中有13/16款产品达到高覆盖，情景2和情景3（分别增加分类和生长评估）中各有11/16款产品达到高覆盖。相比之下，当任务扩展到所有病变类型时（情景4），没有产品达到高覆盖，大多数仅显示较高覆盖（9/16）。

同行评审证据和研究特征

PubMed检索共识别出327项研究，其中34项符合纳入标准。通过手工检索额外纳入26项研究，最终共纳入60项同行评审研究。详细检索策略和结果见表S4，纳入过程总结于图3所示流程图。

在纳入的60项同行评审研究中，证据主要集中在分级疗效框架的较低层级（图4）。诊断准确性疗效（2级）在42项研究（70.0%）中进行了评估，诊断思维疗效（3级）在15项（25.0%）中进行了评估，技术或潜在临床疗效（1级）在13项（21.7%）中进行了评估。治疗疗效（4级）仅在1项研究（1.7%）中涉及，且无研究评估患者结局疗效（5级）或社会疗效（6级）。

在16款CE认证AI产品中，6款（37.5%）没有公开可获得的同行评审证据（图5）。在考虑其余产品适用的最高疗效级别时，最高已验证级别为3级（诊断思维疗效）的产品有7/16款（43.8%），为2级（诊断准确性疗效）的有2/16款（12.5%），为4级（治疗疗效）的有1/16款（6.2%）。没有任何产品的最高证据处于1级、5级或6级。

纳入证据的研究设计特征总结于表2。厂商独立评估占27/60项研究（45.0%），4/60项研究（6.7%）对AI性能进行了前瞻性评估。外部测试数据集包括肺癌筛查队列（24/60项研究，40.0%）和常规临床人群（42/60项研究，70.0%）。在这些数据集中，24/60项研究（40.0%）使用了多中心数据，4/60项（6.7%）使用了多国数据，15/60项（25.0%）纳入了由多家CT制造商设备采集的扫描。

所有纳入研究及其各自疗效级别、研究设计特征和所评估能力的概览见补充材料（附录E2）。

讨论

本研究对16个用于肺癌筛查中肺结节分析的CE标记人工智能产品进行了结构化概述。我们梳理了产品功能，量化了其对四项国际结节管理建议所定义任务的功能覆盖度（肺CT筛查报告和数据系统（Lung-RADS）v2022 [13]、英国胸科学会（BTS）肺结节指南 [14]、欧盟立场声明（EUPS）建议 [15]以及欧洲胸影像学会（ESTI）建议 [16]），并评估了每个产品可获得的同行评审证据。

大多数产品支持实性和亚实性结节的核心筛查工作流程，包括检测、体积测量和生长评估，部分产品还使用泛加拿大肺癌早期检测（PanCan）模型 [20]提供恶性风险估计。这些功能与EUPS和BTS任务集高度重叠，解释了这些建议所观察到的较高任务覆盖度。然而，所评估的产品均未提供针对支气管内或囊性病变的CE标记支持，而Lung-RADS和ESTI明确涉及这些病变。因此，当前商业工具可辅助关键筛查任务，但尚未满足基于Lung-RADS或ESTI路径的全部要求。基于场景的分析进一步印证了这一模式：常见结节工作流程的任务覆盖度高，但一旦纳入更广泛的病变谱系，覆盖度即急剧下降。

这些功能缺口凸显了在肺癌筛查中实施人工智能的实际考量。产品选择应与拟遵循的结节管理建议相一致，且将每个产品功能与关键结节管理要求进行映射以识别残余缺口是有益的。组合多个人工智能产品以覆盖所有所需功能是可能的，但通常不可取，因为这会增加工作流程和集成复杂性 [21]。对开发者而言，这些缺口可通过突出市场中仍未被支持的建议定义任务，为未来开发优先级提供参考。监管状态是另一考量因素，因为若干产品仍依据原医疗器械指令获得认证，须在2028年12月前过渡至医疗器械法规 [22]以继续上市。这可能影响产品连续性、升级路径和长期采购规划。

在这16个产品中，6个没有同行评审证据，而其余10个由60项研究支持，这些研究主要为回顾性研究，仅40%纳入了肺癌筛查队列，且主要关注技术性能和诊断准确性等较低效力结局。较高效力证据较少见：仅四分之一探讨了对临床决策的影响，且无一评估患者结局或社会影响。较高效力证据的有限可得性可能部分反映了有组织的低剂量CT（LDCT）肺癌筛查在欧洲各地的实施仍不均衡，许多地区仍处于试点或早期推广阶段[5]，这限制了生成具有更长随访时间的前瞻性、项目层面证据的机会。总体而言，文献支持产品的技术验证和比较评估，但为确定筛查实践中的真实世界影响提供的依据有限。

尽管如此，现有证据为人工智能如何影响筛查性能提供了有用信息。Geppert等[23]系统综述了CE认证人工智能在CT肺癌筛查中的测试准确性研究，发现人工智能辅助倾向于提高敏感性，但往往以降低特异性和增加假阳性发现为代价。这些权衡支持在引入人工智能时设定预定义的性能阈值并持续进行质量保证，包括监测召回率和侵入性操作等关键指标[10]。乳腺癌筛查为如何在大规模层面实施这一做法提供了有力模板：更大、更成熟的证据基础，包括MASAI试验[24]等前瞻性试验，已形塑了人工智能如何与本地标准进行比较、如何与人类阅片者并行评估以及如何整合到结构化质量保证系统中。肺癌筛查项目可以采用类似要求，在赋予人工智能核心角色之前，在真实筛查队列中进行前瞻性评估。

另一个实施考量是如何使用基于人工智能的恶性风险估计。经过验证的临床风险模型如PanCan[20]已被纳入BTS和EUPS推荐，而人工智能衍生的风险评分尚未整合到管理指南中，最好将其视为辅助性决策支持。尽管基于人工智能的风险估计在研究环境中显示出有前景的性能[25, 26]，但推荐意见并未界定如何根据人工智能风险阈值采取行动或将其与管理路径相关联。尽管如此，商业工具中风险估计的日益可用表明，如果建立共识阈值和指南关联路径，未来可能从基于形态学的结节管理转向更整合的风险分层。

我们的研究存在若干局限性。第一，能力映射依赖于厂商报告的数据和公开可获得的文档，因为CE标记AI产品的详细功能信息无法公开获取，限制了独立验证。对于未回应者，能力信息来源于可能不完整或带有商业表述的公开来源，不应被解释为经独立验证的临床功能。欧盟委员会正在建设一个名为Eudamed的公共医疗器械注册库；然而，该注册库尚未填充，且缺乏产品功能和验证活动的详细信息。监管文档中更高的透明度，例如美国食品药品监督管理局维护的公开可访问数据库，将改善对AI产品的独立评估。第二，任务覆盖评分量化的是功能重叠，不应被解释为临床有效性或指南一致性的衡量指标。我们采用等权重以实现可重复的比较，尽管各个任务在实践中的临床重要性并不相同。为解决这一问题，我们使用了替代加权方案进行敏感性分析，其结果未改变研究的主要结论。最后，分析聚焦于结节管理，排除了肺气肿和冠状动脉钙化评分等偶然发现，因为这些被认为超出了本工作的范围。

总之，用于肺癌筛查的CE标记AI产品目前为遵循当前结节管理建议所需的相当一部分任务提供了支持，但仍存在重要的能力缺口和有限的前瞻性证据基础。我们的概述为基于能力的采购和本地评估规划提供了结构化基础，但采用仍应以项目特定的验证、工作流程整合和持续质量保证为条件。未来研究应优先在真实筛查项目中开展前瞻性部署后研究，报告临床和项目结局、工作流程影响、泛化性、公平性和治理。随着肺癌筛查项目的扩展，生成并发表此类真实世界证据对于负责任地大规模采用AI将至关重要。

补充信息

电子补充材料

Appendix_E2_clean。