三种商用肺结节AI软件对指南管理影响的回顾性评估
对740例临床胸部CT/PET-CT回顾性比较三种商用AI软件,发现总检出数与错误发现数差异显著,但按BTS定义的可操作结节检出数在工具间相当。测量微小差异导致BTS指南下1年随访建议显著不同,而Fleischner指南未见显著差异。
要点
- AI总检出与错误发现数因工具而异,不能仅凭检出数目判断优劣
- 可操作结节检出数三种工具相当,但S2漏检可操作结节多于S1
- BTS指南5-6mm阈值窄,测量微小波动可显著改变随访建议
核心结论
- 三种AI工具对可操作肺结节的检出表现相当,但微小测量差异可导致基于BTS指南的管理建议显著不同,Fleischner指南对软件间差异更稳健。
研究设计与样本
- 回顾性上市后评价,纳入740例常规临床胸部CT/PET-CT,来自五台不同CT及PET-CT设备,使用三种CE认证商用软件(S1、S2、S3)默认设置进行分析。
- 纳入标准为成年人,胸部检查含1mm(CT)或1.25mm(PET-CT)肺窗薄层,排除至少一种软件拒绝处理的检查。
- 由超过5年经验放射科医师复核5mm至3cm软件检出结节,其中265个结节由超过15年经验胸部放射科医师独立复核。
- 参考标准为BTS对肺结节的定义,将结节分为可操作、明确良性及错误发现三类;不设组织病理学参考标准。
关键影像表现/征象
- 三种工具检出的可操作结节中实性结节占89-91%,部分实性占5.7-7.1%,非实性占1.4-3.6%。
- S1漏检更多非实性结节,密度类型分布差异有统计学意义(p=0.02),但漏检结节大小无显著差异(p=0.41)。
- 102个可操作结节没有被三种工具全部检出,各工具漏检结节中40%-57%的Brock模型恶性风险超过10%。
- S1与S3分割质量多评为优秀或满意,约85%为优秀或满意,两者无显著差异;S2无可见分割轮廓,未能评估分割质量。
诊断标准与关键数值
- 总检出数:S1为1336,S2为1060,S3为1536(p<0.001);错误发现数:S1为965,S2为720,S3为1169(p<0.001)。
- 可操作结节数:S1为375(28.1%),S2为341(32.3%),S3为373(24.3%),差异无统计学意义(p=0.73)。
- BTS指南下1年随访建议数:S2的44个(14.3%)显著多于S3的18个(5.5%)(p<0.001);Brock模型评估结果三工具无显著差异(p=0.58)。
- Fleischner指南适用结节中软件间管理推荐无统计学差异(p=0.19),指南适用结节数因恶性肿瘤病史及年龄标准需排除。
- VDT分类差异显著(p<0.001):S2的VDT显著长于S1(p=0.001)及S3(p=0.02);S2有74.2%结节VDT>600天,而S1为17.2%,S3为36.4%。
临床应用与阅片要点
- BTS指南5-6mm实性结节对应1年随访的阈值窗过窄,AI辅助测量时应人工复核该区间结节尺寸。
- Fleischner指南无5-6mm类别,对跨软件测量差异更稳健,在多种AI工具混用的工作流中优先采用Fleischner可减少管理不一致。
- 部分软件无法手动修正分割,位于血管、胸膜或不张旁的结节测量应谨慎依赖AI结果。
- AI单机报告可能检出大量明确良性病变,需鉴别如裂隙旁淋巴结、钙化及乳头、血管等错误发现,避免过度诊断。
- VDT结果可能因不同软件的测量及匹配算法发生明显差别,不宜在更换软件后直接沿用前次VDT结论。
局限性
- 研究为单中心回顾性设计,样本来源于临床常规检查,Berry选择偏倚可能限制外部推广性。
- 研究未以肉眼阅片作为对照,也未比较人机灵敏度,无法判断AI相对医生的检出获益。
- 研究未采用组织病理学确诊作为金标准,结节分类依据BTS定义及Brock模型而非病理结果。
- S2软件无可见分割轮廓,无法评估分割质量,限制了工具间分割性能比较的完整性。
全文中译12 节 · 点击展开
引言
肺结节定义为肺实质内直径介于3 mm至3 cm之间的圆形或不规则不透亮影[1]。在常规影像检查中其检出率约为13%,在筛查人群中约为33%[1]。实性结节比部分实性或非实性结节更常见;但实性结节通常与较低的恶性风险相关[2]。
CT扫描应用的日益增多导致放射科医生的工作量不断增加。为提高阅片效率并减少诊断错误,能够检测和分割肺结节的计算机辅助检测(CAD)软件被广泛采用。然而,评估各种CAD工具在临床中的表现及其对结节管理影响的后市场研究仍然很少。在临床实践中,不仅单个结节的检测很重要,对每例患者所检出结节数量的评估同样重要[3]。此外,分割质量以及实性与亚实性病变的分类会显著影响后续可能的管理决策[1, 3]。
本研究的主要目的是比较不同市售AI软件应用之间检出的肺结节数量,并随后根据英国胸科学会对真性肺结节的定义评估可干预结节的数量。作为次要目的,我们探讨了如果分类的可干预结节为偶然发现,而Fleischner学会和英国胸科学会指南对此类结节的管理建议存在差异(表1),则可能产生的潜在后果,以及这是否会导致因所用AI软件不同而产生不同的假设下游管理差异。未应用Lung-RADS,因为其使用仅限于肺癌筛查人群[4]。
材料与方法
本回顾性研究遵循《赫尔辛基宣言》进行,并经当地机构伦理委员会批准(编号:1040/2024)。从一家三级医院的临床常规工作中,在2023年1月至2024年12月期间,从放射信息系统(RIS)和图像存档与通信系统(PACS)(DeepUnity Diagnost 2.0.2.2,Dedalus Healthcare Systems Group)中连续选取了行胸部CT扫描的患者。
增强CT(CECT)和非增强CT(NECT)以及胸部或包含整个胸部的增强PET-CT(CE-PET-CT)均采用常规诊断方案在屏气状态下采集,设备来自五台不同的CT扫描仪(SOMATOM Drive、SOMATOM Definition Flash和SOMATOM Definition AS[均为Siemens Healthineers])和PET-CT扫描仪(Discovery 690和Discovery MI[均为GE Healthcare])。
由于我们希望纳入本院临床常规中的真实人群队列,患者方面唯一的排除标准为年龄<18岁;此外,我们仅纳入具有轴向肺算法重建的检查:CT层厚为1 mm,PET-CT层厚为1.25 mm。对于PET-CT,仅查看其CT部分;PET图像不予考虑。任何检查适应证均纳入。
对三种市售的、具有CE认证的肺结节检测软件工具进行了评估:软件1(S1):AI-Rad Companion,PULMO VA30A(Siemens Healthineers),S2:contextflow ADVANCE Chest CT-2.1.0(contextflow GmbH),以及S3:Veolity LungCAD 2.1.0(MeVis Medical Solutions)。每套1 mm/1.25 mm的肺窗(肺核)图像均被自动或手动导出至全部三种工具。
所有软件工具均使用各供应商定义的默认设置进行评估。对具有可变灵敏度的原型配置进行分析或进行深入的技术验证(包括基于体模的分割精度)不在本研究范围内。
为保证结果的可比性,凡被所使用软件工具中至少一种拒绝处理的检查均须排除。
仅由软件检测出的平均直径在5 mm至3 cm之间的肺结节由一名具有超过5年经验的持证放射科医师进行审阅。此外,随机选择的一部分结节由一名具有超过15年经验的胸部放射科医师审阅,以排除相关的阅片者间差异。每个结节若不属于“明确良性”(肺内淋巴结、按BTS定义[1]的钙化结节)或“错误”(如血管、部分容积、胸廓外结构),则被定义为“需处理”(非明确良性,需要进一步检查)(图1a–d)。肺内淋巴结定义为小于1 cm、位于裂旁或胸膜下1 cm以内、呈透镜状或三角形且边缘光滑。良性钙化结节表现为弥漫性、中央性、层状或爆米花样钙化[1]。
由于本研究并非旨在比较人类与AI的灵敏度,AI结果未设盲。此外,由于评估直接在各自专有界面内进行,无法对软件供应商设盲。
对需处理肺结节的自动分割质量根据Hoop及其同事的方法进行视觉评估,并定义为“优”(轮廓与结节完全一致)、“满意”(轮廓偏差≤20%)、“差”(轮廓偏差>20%)或“失败”(分割不一致或失败)(图1e–g)[5]。所使用版本的S2不显示分割轮廓,因此仅能对S1和S3进行质量评估。S3允许对结节的检测和分割进行手动校正,但为保持可比性,未使用该功能。
当各工具可获取并成功处理随访扫描时,将随访扫描上传至S1、S2和S3,以评估软件间在体积倍增时间(VDT)上的潜在差异。仅纳入在同一扫描仪上采集并以相同参数(肺核;CT为1 mm,PET-CT为1.25 mm)重建的研究。对于VDT计算,S1自动使用软组织核图像而非肺核图像,此为供应商特定设置,无法修改。
这些工具自动对检出的结节进行排序:S1和S2采用长轴直径排序,而S3还额外计算了恶性评分,并同时使用长轴直径和恶性评分对结节进行排序。对于每位患者,使用Fleischner和BTS指南对五个最可疑、需采取行动的结节进行进一步评估。相关临床信息,如尼古丁滥用和患者或家族肺癌史,从医院记录中获取。对于Brock模型,使用了BTS网页上的在线工具(https://www.brit-thoracic.org.uk/quality-improvement/guidelines/pulmonary-nodules/pn-risk-calculator/)。由于未使用既往检查,每项检查均可假定为该患者的首次检查。
我们还分析了是否有需采取行动的结节仅被其中一种或两种工具检出,而未被另一种工具遗漏。我们未比较人工阅片者检出的结节数量。
统计分析使用Microsoft Excel(Mac版,版本16.99.1,微软公司)和Jamovi(版本2.6.26.0)进行。统计检验采用ANOVA(Welch、Fisher、Kruskal–Wallis)和卡方检验/Fisher精确检验。如有必要,采用事后检验(Games–Howell、Bonferroni)。结节可行动性的阅片者间变异性采用Kruskal–Wallis检验评估,因为数据不符合正态分布。对于结节分割,采用Fisher精确检验以考虑小样本量。统计学显著性定义为p < 0.05。
使用G*Power(版本3.1.9.6,海因里希·海涅大学)进行先验功效分析,以确定比较结节大小所需的样本量。假设工具间临床相关差异为2 mm(效应量0.5,α = 0.05,功效 = 0.90),双侧t检验每种工具至少需要86个结节。针对ANOVA(可行动结节,效应量0.3)和检验(Fleischner和BTS指南;效应量0.3)的事后功效分析显示统计学功效较高(0.98至1.0)。
对于阅片者间变异性,使用单因素ANOVA(两组,效应量0.25,α = 0.05,功效 = 0.95)进行先验近似估计,表明需要210个结节的样本量。我们的实际样本为265个结节,事后功效为0.98。
结果
研究人群/患者特征
在最初的795例检查(=患者)中,10例未被两个或全部工具接受,45例检查未被一个工具接受——其中7%(n = 3)被S2拒绝,93%(n = 42)被S3拒绝。没有检查仅被S1拒绝(图2)。软件工具未提供有关拒绝原因的具体信息。可排除DICOM不符合、重建问题和层厚因素。
在总共795例患者中,740例患者(398例男性(53.8%),342例女性(46.2%))被纳入最终分析。其中110例(S2)和118例(S1、S3)患者有可用的额外随访扫描。
患者年龄为19–95岁,平均 ± 标准差为64.4 ± 13.8岁。在516例患者(69.7%)中,至少记录有一种恶性肿瘤,最常见的是肺癌和乳腺癌。另有47例患者(6.4%)患有可能与肺结节相关的其他疾病,最常见的是类风湿关节炎或结节病。269例患者(36.4%)报告有当前或既往尼古丁滥用史,而其余患者因临床记录不完整,吸烟史不详。124例患者(16.8%)有肺癌个人史,14例患者(1.9%)有阳性家族史。
我们分析了165例(22.3%)NECT、388例(52.4%)CECT和187例(25.3%)来自CE-PET-CT的CT。423项(57.2%)检查的适应证为“分期”,317项(42.8%)检查为“常规”(包括,例如,排除肺动脉栓塞(PAE)、感染或间质性肺病)(表2)。
阅片者间变异性
在来自50次检查(= 50例患者)的265个软件检出结节子集(S1 35.1%,S2 26.4%,S3 38.5%)中,两名放射科医师(阅片者1(R1)——委员会认证,具有5年以上经验;阅片者2(R2)——委员会认证的胸部放射科医师,具有>15年经验)均独立将112个(42.3%)结节判定为需处理。共有16个结节(6%)评估不一致,差异无统计学意义(p = 0.89)。
在24个结节的子集中(每位患者限5个结节)对S1和S3的分割质量进行了评估。阅片者将分割评分为“优”(1)、“满意”(2)或“差”(3);未观察到“失败”(4)的病例。S1的平均评分为1.4 ± 0.71(R1)和1.6 ± 0.65(R2)(p = 0.45),而S3的评分为1.4 ± 0.78(R1)和1.5 ± 0.78(R2)(p = 0.75)。两种工具均未发现统计学上显著的阅片者间差异。
肺结节检出率
三种软件工具在检出结节的总数和分类方面存在显著差异,分别为1336个(S1)、1060个(S2)和1536个(S3)(p < 0.001)。虽然S3检出的结节总数最多,但其产生的错误发现也最多(730 [47.5%] vs. 303 [22.7%,S1]和365 [34.4%,S1])(S3 vs. S1/S2:p < 0.001)。S1检出的明确良性结节最多(662 [49.6%,S1] vs. 355 [33.5%,S2]和439 [28.6%,S3])(S1 vs. S2/S3:p < 0.001),而需处理结节的检出率在所有工具间相当(375 [28.1%,S1]、341 [32.3%,S2]和373 [24.3%,S3]),差异无统计学意义(图3)。
共有102个需处理结节未被三种软件工具中的至少一种检出。S2漏掉了大量由S1和/或S3检出的需处理结节(p < 0.001),而S1的漏检率最低(p < 0.001)。大多数漏检结节为实性;然而,S1漏检的非实性结节显著更多,这些结节被其他工具检出(p < 0.001),导致密度方面存在统计学显著差异(p = 0.02),但结节大小方面无显著差异(p = 0.41)。各工具漏检的结节中,40%至57%经计算恶性肿瘤风险>10%(Brock模型),凸显了其潜在的临床相关性。结果总结于表3。
肺结节评估
各软件工具分别按照长径(S1、S2)以及长径与恶性风险相结合(S3)对结节进行排序。对每种工具检出的五个最大的、具有临床处置意义的结节,就其密度、位置、大小、视觉分割质量、纵向一致性以及体积倍增时间(VDT,如有)进行了详细评估。实性结节在所有工具中均占主导地位(89–91%),部分实性和非实性类型的分布相似。各工具检出的结节大小和体积范围相似,长径、平均直径或体积测量值均无统计学显著差异。
大多数情况下分割质量被评为优秀或满意,S1与S3之间无显著差异。S2未提供可见的分割轮廓;因此无法评估其分割质量。
从原始扫描到随访扫描的生长、缩小或稳定率在各工具之间相当。所有结果总结于表4。
假设偶然检出肺结节的下游管理
Fleischner指南
Fleischner指南适用于350个结节中的98个(28%)(S1)、308个中的81个(26.3%)(S2)以及331个具有临床处置意义的结节中的94个(28.4%)(S3)。由于患者存在潜在恶性肿瘤或年龄标准导致Fleischner指南不适用,大量结节需要从该分析中排除。
对于S1检出的17个结节(17.3%)、S2检出的18个(22.2%)和S3检出的10个(10.6%),建议无需随访或可选随访(实性结节<6 mm,或亚实性且单发结节<6 mm)。对于11个(S1,11.2%)、12个(S2,14.8%)和7个(S3,7.4%)结节,建议6–12个月随访(6–8 mm的单发实性结节,或≥6 mm的单发磨玻璃结节)。对于44个(S1,44.9%)、29个(S2,35.8%)和50个(S3,53.2%)结节,建议3–6个月随访(实性结节>8 mm、部分实性结节≥6 mm以及多发性实性或亚实性结节)。对于26个(S1,26.5%)、22个(S2,27.2%)和27个(S3,28.7%)结节,建议3个月时可选随访/PET-CT/活检。
基于Fleischner指南的建议与所用工具之间无统计学相关性(p = 0.19)(图4)。
BTS指南
BTS指南适用于所有具有临床处置意义的结节;无需排除任何结节。
对于114个(S1,32.6%)、93个(S2,30.3%)和100个(S3,30.4%)结节,建议3个月随访(基线体积为80–300 mm³(6–8 mm)的实性结节/所有亚实性结节);对于26个(S1,7.4%)、44个(S2,14.3%)和18个(S3,5.5%)结节,建议1年随访(基线长径为5–6 mm的实性结节)。
Brock模型应用于基线体积≥300 mm³(≥8 mm)的实性结节,涉及S1检出的210个结节(60%)、S2检出的170个(55.2%)和S3检出的211个(64.1%)。计算恶性风险<10%、需要在3个月时继续监测的结节,在S1中占102个(48.6%),S2中77个(45.3%),S3中92个(43.6%)。风险≥10%、需要额外进行PET-CT评估的结节,在S1中包含108个(51.4%),S2中93个(54.7%),S3中119个(56.4%)。
BTS指南的应用因所使用的软件工具不同而存在显著差异,与S3相比,S2建议的1年随访显著更多(p < 0.001)(图5)。
各工具之间的Brock评估结果无显著差异(p = 0.58)。
体积倍增时间(VDT)评估
BTS指南要求对实性结节使用VDT来确定管理策略:VDT ≤ 400天的结节行确定性治疗,VDT在400–600天之间的行活检,VDT > 600天的结节终止进一步监测。
对于29个(S1)、31个(S2)和33个(S3)可操作结节,能够确定VDT。两次检查时间点之间的间隔分别为27–216天(S1;103 ± 46天)、10–371天(S2;133 ± 86天)和37–375天(S3;128 ± 71天)。
中位VDT为329天(S1,95% CI [185, 504],范围35–923天)、1106天(S2,95% CI [772, 1780],范围97–10,733天)和381天(S3,95% CI [214, 792],范围34–5898天)。S2的VDT显著长于S1(p = 0.001)和S3(p = 0.02)。
VDT ≤ 400天的结节在S1中观察到17个(58.6%)、S2中7个(22.6%)、S3中18个(54.5%);VDT在400–600天之间和> 600天的结节分别为S1中7个(24.1%)和5个(17.2%)、S2中1个(3.2%)和23个(74.2%)、S3中3个(9.1%)和12个(36.4%)。
我们观察到VDT类别(≤ 400天、400–600天、> 600天)存在统计学显著差异,因此后续处理流程也存在统计学显著差异(p < 0.001)。事后分析显示,S1中VDT > 600天的结节较少(终止监测,p < 0.001),但VDT在400–600天之间的结节较多(活检或随访,p = 0.007);S2中VDT ≤ 400天的结节较少(确定性管理,p = 0.001),但VDT > 600天的结节较多(终止监测,p < 0.001)(图6)。
讨论
本研究比较了三种市售的CE认证软件工具在肺结节检测和分割方面的表现,并评估了在同时应用Fleischner学会建议和英国胸科学会(BTS)指南时,它们对偶发肺结节假设性临床管理的潜在影响。选择这种方法是为了反映基于AI的软件工具在临床实践中常规应用于胸部CT检查的真实世界对比表现。据我们所知,迄今为止尚未发表类似的多供应商上市后评估,尽管欧盟人工智能法案明确鼓励此类研究,且欧洲放射学会(ESR)也予以推广。根据我们的研究目的,我们不打算提供使用Lung-RADS和其他软件工具进行筛查的数据[6]、比较人类和AI阅片者的数据[7],或提供检测到的恶性结节的病理组织学相关性数据[8]。
在我们的队列中,三种软件工具平均每例患者检出1.4至2.1个结节,其中24%–32%为“需要处理”的结节,需进一步评估。相比之下,已发表的肺结节检出率差异很大,在非癌症人群中为0.39%至27.75%,在肺癌筛查队列中高达59.3%[9, 10]。尽管检出的结节总数存在差异,但各工具之间需要处理结节的检出率相当,尤其是在错误发现和明确良性病变方面。这些发现反映了各厂商所采用的基础算法和检测阈值的根本差异。所测试的工具每例患者产生0.9至1.6个错误发现或明确良性肺结节,与既往报道一致,即CAD系统通常会产生大量无需处理的发现,且与未经辅助的阅片相比,放射科医师使用肺结节检测软件时这类发现会增加[11]。这凸显了CAD系统中敏感性与特异性之间的固有权衡。在目前的实践中,普遍倾向于更高的敏感性,即使以临床无关发现率增加为代价。然而,各工具之间相互比较,每个工具漏掉了30至69个由其他一个或两个工具检出的结节。重要的是,这些未检出结节中有40%至57%根据Brock模型计算的恶性风险超过10%。
在我们的队列中,大多数结节为实性结节,5.7%–7.1%为部分实性结节,1.4%–3.6%为非实性结节。HANSE肺癌筛查试验表明,软件工具对实性结节的敏感性优于非实性结节[6]。相比之下,仅使用人工阅片的肺癌行动项目显示,所有结节中81%为实性,7%为部分实性,12%为非实性[2]。软件工具对实性结节显示出更高的准确性,而亚实性结节可能被低估[6]。Paramasamy等报道,CAD漏掉的所有结节中50%为非实性结节,而实性结节占35.3%,部分实性结节占14.7%[6]。在我们的研究中,相对于总样本,只有软件工具S1漏掉的非实性结节多于部分实性或实性结节。尽管部分实性结节的检出率较低,但由于其恶性风险显著更高,准确检出至关重要[2]。
关于肺结节分割的准确性,S1和S3表现出相当的性能(两者约85%为“优秀”或“满意”);S2无法确定。当结节位于复杂解剖结构附近时,如血管、胸膜或靠近肺不张区域,分割尤其具有挑战性[12, 13]。在许多市售软件工具中——包括本研究评估的三种工具中的两种——无法对分割进行手动调整,使用者只能依赖自动勾画的准确性。
分割和尺寸测量的准确性至关重要,尤其是在应用基于指南的算法时 [1, 3]。即便测量尺寸的微小偏差也可能导致不同的随访间隔,甚至触发侵入性诊断程序 [1, 3]。应用 BTS 指南后,随访建议出现了统计学显著差异,尤其是在 1 年随访方面。5–6 mm 范围(BTS 建议对此进行 1 年随访)特别窄,工具之间即便是微小的测量差异也可能导致临床管理建议发生实质性变化 [1]。Fleischner 指南不包含这一 5–6 mm 类别 [3],这或许可以解释为何未出现显著差异。由于我们的研究未纳入筛查队列,因此无法与使用 Lung-RADS 的研究数据进行直接比较 [6, 14]。
容积倍增时间(VDT)是影响管理决策的关键因素,不同工具之间可能存在相当大的差异。VDT 的计算依赖于同一病灶在两次扫描中被正确识别的假设。错误可能导致生长行为的错误分类,从而可能造成不适当的监测间隔或不必要的诊断干预 [1, 3]。S2 系统性地产生了显著高于其他工具的 VDT 值。尽管在测量的结节体积方面没有显著差异,但由于公式的对数性质,即便是微小的差异也可能导致计算出的 VDT 产生实质性差异 [15]。在我们的研究中,这些 VDT 变异对临床管理建议产生了直接影响,凸显了基于 VDT 的评估对细微计算或分割差异的敏感性。与我们的发现相反,先前两项研究确定测量体积的差异是管理结果不一致的主要驱动因素 [6, 14]。
优势与局限性
我们研究的一个主要优势是使用三种不同的市售工具来评估相同的检查。在临床常规中,通常只有一种工具可用,直接比较很少能够实现。此外,我们将这些工具应用于来自有意异质性患者队列和广泛检查范围的真实世界数据,包括有和无恶性肿瘤的患者、NECT、CECT 和 CE-PET-CT。与人类阅片者类似,AI 工具必须处理不同的成像模态和设备厂商。这反映了常规临床实践中遇到的变异性,从而提高了我们上市后监测的外部效度和普遍适用性。
我们研究的一个主要局限是缺乏通用的金标准,因为我们没有为整个队列纳入独立的人类阅片者。因此,没有关于三种 AI 工具可能全部漏掉的结节总数的数据,从而无法进行绝对敏感性分析。此外,在这一常规临床队列中,对可干预结节进行组织学相关性验证不可行,因为在真实世界实践中,大多数小的偶发结节不符合侵入性活检的标准。
此外,必须考虑三种工具不同的默认设置和不可调整的算法。由于这些工具并未一致地检出相同的结节或赋予相同的重要性,无法进行直接的、基于结节的一对一比较。因此,我们的分析聚焦于总检出率以及基于既定指南对下游管理的假设影响,以反映这些工具在高通量临床环境中的实际效用。
阅片者间差异仅在一个子集(50例患者/265个结节)中进行了评估。然而,由于对良性发现和解剖学陷阱有明确的定义,一致性高达94%(p = 0.89)。事后功效分析确认该样本量足以验证这些结果。
最后,我们的发现反映了分析时可用的特定软件版本的性能。本文呈现的结果可能不适用于相同工具未来的更新版本(例如,S2中缺乏轮廓分割,而在此期间该功能可能已可用)。
结论
在本研究中,三种市售的基于人工智能的软件工具在检出和分割可干预肺结节方面表现出可比的性能。然而,当使用阈值较窄的指南(如BTS标准)时,微小的测量差异可能会显著影响下游管理。Fleischner学会指南对这些软件间差异似乎更为稳健。所有系统均需要人工监督,因为存在漏检结节,尤其是大量假阳性和明显良性的发现。由于所有工具识别的错误或良性病变多于真正可干预的结节,单独基于人工智能的报告具有过度诊断和潜在过度治疗的重大风险。
引用
- Jöbstl, Luger, Nilica, et al. Lung nodule detection and potential impact on guideline-based management: a retrospective post-market evaluation of three commercial software systems. Eur Radiol. 2026. PMID: 42343062. doi:10.1007/s00330-026-12702-5
- 全文:PMC13661661(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC13661661/
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。