肺癌是全世界癌症相关死亡的主要原因，占所有癌症死亡人数的四分之一。由于大多数情况下肺癌诊断时已为晚期，因此肺癌的早期筛查已成为降低肺癌死亡率的重要策略。事实上，国家肺部筛查试验表明，使用平均有效剂量为1.5 mSv的低剂量CT进行筛查可以降低肺癌死亡率。相比之下，使用胸片作为一种肺癌的筛查手段其在降低肺癌死亡率方面的价值尚不明确。因此，是否应该使用胸片进行肺癌筛查仍存在争议。

胸片具有成本低、获取便捷及辐射量极低等优势，是临床上常规使用的影像学检查手段。然而，作为一种肺癌的筛查工具，胸片的低敏感性、阅读者间和阅读者内的显著差异等问题仍然是胸片检查的固有缺点。

最近多项研究表明，深度学习算法已经在胸片上的肺癌检测中占据了一席之地，同时表现出了出色的诊断性能。然而，先前的研究所使用的验证其深度学习算法的测试数据集均为其任意筛选所得，而并非能够反映现实临床实践的数据集。

近日，发表在Radiology杂志的一项研究在肺癌平均风险的健康筛查人群中评估了深度学习算法在胸片上检测肺癌结节的性能，并与影像学报告相比较，为胸片在临床上更广泛的应用提供了理论支持，为临床肺癌的大规模筛查提供了新的思路。

本研究对2008年7月至2008年12月期间接受全面体检的个人的胸片(验证试验)进行了回顾性地分析，并对深度学习算法进行了样本外测试。计算受试者工作特征曲线下面积(AUC)以及包括敏感性和假阳性率(FPR)的断指标以评估算法对肺癌可见性检测的性能。使用McNemar检验和Moskowitz方法与放射科医生的算法性能进行比较。此外，将深度学习算法应用于2008年1月至2012年12月进行的胸片筛选队列，并计算其性能。

在验证队列中，来自10202名患者(平均年龄54岁±11[标准偏差];5857位男性)的10285次胸片检查中有10例可见肺癌,算法的AUC为0.99(95%置信区间:0.97,1),并表现出与放射科医生(60%;P =.25)相当的的敏感性(90%)，且FPR更高(3.1% vs 0.3%;P <.001)。在筛查队列中的来自50070名患者(平均年龄53岁±11岁;28090位男性）的100525次胸片检查中，有47例可见肺癌，该算法的AUC为0.97(95%置信区间:0.95,0.99)，其敏感性和FPR分别为83%和3%。

表1 在验证队列中，深度学习算法的诊断性能与三名经委员会认证的放射科医师在胸片可见肺癌检测方面的诊断性能的比较。

图1 深度学习算法在健康筛查中胸片上表现位清晰可见的肺癌的代表性病理。67岁，男性，作为全面健康检查和筛查的一部分接受了胸片检查。(a)胸片示左侧肺中带可见一模糊的肺肿物(箭头)，直径3.5 cm。(b)与胸片同日胸部CT平扫图像示轴左肺下叶可见一直径为3.3 cm肺肿物(箭头)，边缘见分叶及支气管充气征。病人行左肺下叶切除术，病理证实为鳞状细胞癌。(c)深度学习算法为患者提供的肺癌的概率值为0.91，并对病变正确定位于左肺中带。

本研究表明深度学习算法在胸片上检测肺癌结节的性能与放射科医生相当，这将提升放射科医生在肺癌患病率较低的健康人群中使用胸片进行肺癌筛查的信心，并为推广深度学习算法在普通人群筛选程序中的临床应用铺平了道路。

原文出处：

Jong Hyuk Lee,Hye Young Sun,Sunggyun Park,et al.Performance of a Deep Learning Algorithm Compared with Radiologic Interpretation for Lung Cancer Detection on Chest Radiographs in a Health Screening Population.DOI:10.1148/radiol.2020201240