哈佛医学院开发新模型揭示治疗肺癌新策略！

5月16日，哈佛医学院研究人员在《Nature：Communications》上发表了名为“Deep learning to estimate lung disease mortality from chest radiographs”的文章，研究人员开发了深度学习模型，为治疗肺癌提供了个性化的预防和治疗策略。

研究背景

慢性肺部疾病，如慢性阻塞性肺病、哮喘或肺癌的预防和管理是非常重要的，因为其高患病率会成为医疗保健系统的经济负担。虽然有专门的检测方法用于可靠地诊断和监测肺部疾病，但目前无法准确预测哪些人终会出现严重的发病率和死亡率。

因此，需要新的方法来改善风险分层。胸部x线片(CXR)是常见的诊断性影像学检查，在许多肺部疾病的检查中都有使用。计算机辅助分析可能提供一个窗口，超越现有方法，进一步了解肺部疾病的风险和程度。

研究方法

随着人工智能发展，自动捕获和量化大量信息的新可能性已具备一定的可能性。在医学成像领域尤其如此，深度学习(卷积神经网络/CNN)在预估死亡率、肺癌发病率或胸部x光片图像的生物老化风险方面表现出色。结果表明，即使在无症状的临床前阶段，医学成像也可能有助于根据解剖结构的变化进行个性化风险评估。此外，与临床护理中的既定方法相比，使用医学成像进行风险评估可能有更广泛的应用。

研究人员开发了CNN (CXR-Lung-Risk)模型识别肺部疾病死亡率高的个体。该模型的输入是一张现有的胸片，输出是以年为单位表示的肺病死亡率风险。研究人员在三种不同的临床情况下测试了CXR-Lung-Risk的预后价值，包括前列腺、肺、结直肠、卵巢(PLCO)癌症筛查试验的无症状社区人群，参加国家肺筛查试验(NLST)且有资格进行肺癌筛查CT的重度吸烟者，以及来自波士顿肺癌研究(BLCS)的早期(I-III)肺癌患者。研究结果使用了深度学习，通过易获取和低成本的胸片图像来识别肺部疾病死亡率高的个体。这些发现可能有助于改进从个性化预防和治疗策略中受益人群的风险评估。

研究人员开发了一个深度学习模型——CXR lung - risk，用来预测胸部x光片肺部疾病死亡的风险。该模型使用了40,643个人的147,497张x射线图像进行训练，并在三个独立的队列中包括15,976个人进行了测试。研究发现，在调整了包括年龄、吸烟和影像学表现在内的危险因素后，CXR lung - risk与肺部疾病死亡率呈分级相关(风险比高达11.86 )。在多变量模型中加入CXR肺风险可改善所有队列肺部疾病死亡率的估计。研究结果表明，深度学习可以通过容易获得的x射线识别出有肺部疾病死亡风险的个体，这可能会改善个性化的预防和治疗策略。

深度学习模型使用胸片作为的输入，并在包含超过15,000人的三个固定数据集中独立测试了该模型的参与者。PLCO是一项多中心随机对照试验，在1993年至2001年期间在美国10个地点招募了55-74岁无症状个体的胸部x线摄影用于癌症筛查。NLST是一项随机对照试验，招募了55-74岁的重度吸烟者(≥30年)，从2002年到2004年在美国21个地点通过胸部CT和胸片进行肺癌筛查。死亡率由研究人员通过手工图表审查验证，仅适用于肺癌特异性死亡率。研究设计和分析的概述如图1所示。

为检验CXR-Lung-Risk是否为具有相同协变量但不含CXR-Lung-Risk的基线多变量模型，因此增加了增量值，对嵌套Cox比例风险模型进行了比较。与单独使用基线模型相比，在基线模型中加入CXR-Lung-Risk可适度改善肺部疾病死亡率。为解释吸烟的混杂效应，研究人员根据吸烟状况对PLCO数据集进行了分层。在对相同的危险因素进行调整后，两个亚群中CXR-Lung-Risk仍然与肺部疾病死亡率独立相关。此外，补充文献中提供了性别和实际年龄(<65岁与≥65岁)的分层分析，显示所有调查亚组的结果相似。敏感性分析中，在整个PLCO测试数据集和吸烟史≥30包年的当前或曾经吸烟者(戒烟<15年)中测试了CXR-Lung-Risk与肺癌特异性死亡率之间的关系，以便与NLST招募的个体进行更好的比较。在调整了人口统计学和临床危险因素后，CXR-Lung-Risk显示出与肺癌特异性死亡率的分级独立关联。

在BLCS的早期肺癌患者中进行检测。与无症状筛查个体相似，在BLCS中组织学证实的早期(I-III)肺癌患者中，CXR-Lung-Risk显示出与肺癌特异性死亡率的显著分级关联。65-75岁间CXR-Lung-Risk的单变量风险比为1.74 和3.30 。在对年龄、性别、种族、肥胖、吸烟状况、癌症分期和治疗进行多变量调整后，65-75岁的CXR-Lung-Risk类别的相关性减弱(风险比:1.28 )，但对于年龄>75岁的人仍保持稳定(风险比:2.33。与其他测试数据集类似，当比较有无CXR-Lung-Risk的多变量嵌套Cox模型时，发现CXR-Lung-Risk在估计肺癌特异性死亡率方面有了改进。

研究意义

研究人员开发了名为CXR lung - risk深度学习模型，来预测胸部x光片肺部疾病死亡的风险。该模型使用了40,643个人的147,497张x射线图进行训练。研究结果表明，深度学习可以通过容易获取的x射线识别出有肺部疾病死亡风险的个体，改善肺癌的个性化预防和治疗策略。