美国研究者Ardila 等
报告，人工智能（AI）领
域的深度学习算法能优化
低剂量螺旋CT（LDCT）
肺癌筛查的结果，对比经
过培训的影像科医生，可
将筛查结果的假阳性率降
低11%，将假阴性率降低
5%，或有助于提高肺癌
筛查的准确性、一致性和应用情
况。（Nat Med. 2019 年5 月20 日
在线版 doi: 10.1038/s41591-019-
0447-x）
虽然已有研究证实LDCT 筛查
肺癌可降低死亡率，但评估者差异
可变性（inter-grader variability）
和较高的假阳性率、假阴性率仍是
挑战。新开发的方案有三个关键组
成部分：第一个是使用深度卷积
神经网络（CNN） 构建的3D 模
型，这是一种AI 架构，可以对全
部的CT 扫描体积进行端到端的分
析，使用LDCT 扫描体积和病理
证实的癌症结果创建训练数据集。
第二个组成部分是培训CNN“感
兴趣区域”（ROI）检测模型，以
检测CT 扫描体积中的3D 癌症候
选区域。最后一步是开发CNN 癌
症风险预测模型，该模型将依托
来自癌症ROI 检测模型和全体积
模型的输出数据独立运行。
结果显示，研究团队开发了深
度学习算法，并将其应用于6716
个去识别化的CT 扫描集，以验证
新系统的准确性。该模型的曲线
下面积（AUC）达94.4%，并在包
括1139 例样本的独立临床数据中
通过了验证。在影像图片双读者研
究中，当既往CT 扫描结果不可用
时，新模型的表现优于所有6 位影
像科医生，假阳性率降低了11%，
假阴性率降低了5%；在既往扫描
结果可用时，AI 模型与影像科医
生的阅片结果相同。
有研究者表示，鉴于
目前所使用的都是回顾性
数据，下一步将开展前瞻
性研究，以确定影像科医
生使用该工具是否可以更
早、更准确地诊断癌症。
因为医院的计算机系统在
设计之初并未深究相互配
合的问题，所以AI 类应用可能存
在先天的缺陷，有必要对此开展
针对性的研发。