Прогнозирование рака лёгкого с помощью глубокого обучения для выявления доброкачественных лёгочных узелков

Введение: Глубокое обучение рассматривается как перспективный инструмент классификации злокачественных узелков. Целью исследования была ретроспективная внешняя валидация сверточной нейронной сети для прогнозирования рака лёгкого (LCP-CNN), обученной на данных скрининга в США, на независимой выборке неопределённых узелков из европейского многоцентрового исследования для исключения доброкачественных узелков при сохранении высокой чувствительности к раку лёгкого.

Методы: LCP-CNN обучали рассчитывать показатель вероятности злокачественности каждого узелка на основании данных компьютерной томографии из Национального исследования скрининга рака лёгкого в США (NLST). Валидацию проводили на компьютерных томограммах, содержащих 2106 узелков, включая 205 случаев рака лёгкого, выявленных у пациентов — участников исследования Early Lung Cancer Diagnosis Using Artificial Intelligence and Big Data (LUCINDA), набранных в трёх специализированных медицинских центрах Великобритании, Германии и Нидерландов. Заранее был определён критерий исключения доброкачественного узелка: пороговые значения показателя злокачественности рассчитывали таким образом, чтобы чувствительность на данных NLST составляла не менее 99%. Общую эффективность в каждом центре валидации оценивали по площади под ROC-кривой (AUC).

Результаты: Общая площадь под ROC-кривой в европейских центрах составила 94,5% (95% ДИ 92,6–96,1). При высокой чувствительности 99,0% злокачественность удалось исключить у 22,1% узелков, благодаря чему 18,5% пациентов могли избежать контрольных исследований. Оба ложноотрицательных результата соответствовали небольшим типичным карциноидам.

Выводы: LCP-CNN, обученная на данных участников NLST с лёгочными узелками, продемонстрировала высокую эффективность при выявлении доброкачественных узелков в независимой многоцентровой выборке: примерно у пятой части пациентов с узелками размером 5–15 мм злокачественность удалось исключить с высокой точностью.