肺癌是世界上死亡率最高的癌症，早期诊断及治疗是影响患者生存的有力的因素之一。现阶段，胸片仍然是最常选择的成像方式，为更多人群提供了早期发现肺癌的机会。此外，最近的研究显示，深度学习方法在胸片上结节检测方面取得了可喜的成果。据报道，各种算法均能提高放射科医生检测肺结节的灵敏度，但假阳性结果却未明显增加。在这种情况下，人们可能会期望将这种技术应用于更广范围的放射检查环境，包括大规模筛查或无症状的健康检查人群。在此之前，应在这一人群中前瞻性地全面评估该算法的效果。

近日，发表在European Radiology杂志的一项研究探索了基于深度学习的算法在检测无症状健康检查人群胸片上的肺部CT筛查报告和数据系统（Lung-RADS）4类结节方面的价值，并评估了随机对照试验的样本量，以明确检测率在人群中的提高情况，为更大范围人群的肺癌筛查提供了技术支持和参考依据。

本研究收集了一个年度回顾性队列的数据，所有参与者均为健康筛查，并在3个月内进行了胸部CT扫描。在3073人中，选择了118名CT上有第4类结节的参与者。使用这118张胸片进行了读者表现测试，并随机选择了51名没有任何结节的患者进行对照。四位放射科医生独立评估了没有算法和有算法结果的胸片；并比较了敏感度及特异性。计算了确认检测率差异所需的样本量，即真阳性胸片的数量除以胸片的总数。 

在算法的帮助下，放射科医生的敏感性大大增加（38.8%[183/472]到45.1%[213/472]；p < .001），而特异性没有明显变化（94.1% [192/204] vs. 92.2% [188/204]；p = .22）。汇总的放射科医生应用该算法检测到的结节更多（32.0% [156/488] vs. 38.9% [190/488]；p < .001），而假阳性率没有改变（0.09 [62/676]）。不使用和使用该算法的年度队列的集合检测率分别为1.49%（183/12,292）和1.73%（213/12,292）。每组的样本量为41,776人，需要在<5%的I型错误和>80%的情况下证明显著的检测率差异。 

图 a 结节表现为2.2厘米大小的部分实性结节，实性部分为7毫米，被归类为Lung-RADS 4A结节。在该算法的帮助下，又有两名读者成功地检测到了该结节。该算法还产生了两个钙化的假阳性病灶，但所有读者都忽略了这些病变。

本研究表明，当应用深度学习算法辅助健康体检人群的肺癌筛查时，可提高放射科医生从胸片中检测肺部RADS 4结节的敏感性，且并未产生更多的假阳性结果。

原文出处：

Ju Gang Nam,Hyun Jin Kim,Eun Hee Lee,et al.Value of a deep learning-based algorithm for detecting Lung-RADS category 4 nodules on chest radiographs in a health checkup population: estimation of the sample size for a randomized controlled trial

.DOI:10.1007/s00330-021-08162-8