肺癌是全球癌症死亡的主要原因。筛查是早期检测和提高生存率的关键，但目前的方法具有96%的假阳性率。利用机器学习，匹兹堡大学和UPMC希尔曼癌症中心的研究人员已经找到了一种方法，可以大大减少误报，而不会错过任何一例癌症。

该研究于今天发表在Thorax期刊上。这是人工智能首次应用于从肺癌筛查中挑选出良性癌结节的问题。

“我们能够排除大约三分之一的患者的癌症，所以他们不需要活检，他们不需要PET扫描或短间隔CT扫描。他们只需要在一年内回来，”说资深作者David Wilson，医学博士，公共卫生硕士，皮特医学，心胸外科和临床与转化科学副教授，UPMC希尔曼肺癌中心联合主任。

低剂量CT扫描是高危患者的肺癌标准诊断检测方法。在全国范围内，大约四分之一的扫描显示阴影表明肺部有结节 - 这是一个积极的结果 - 但实际上患癌症的患者不到4%。

威尔逊说，现在，仅从扫描中就不可能知道这4%是谁。当然，医生不想错过任何真正的癌症病例，但他们也试图降低误报率，他指出。研究合作者Panayiotis(Takis)Benos博士，计算与系统生物学副教授兼副主任说：“一项积极的测试会产生焦虑，增加医疗保健成本，后续测试也无风险。”皮特综合系统生物学项目“对于96%有良性结节的人来说，这些手术是不必要的。因此，我们试图挖掘数据，以确定哪些是良性的，哪些是恶性的。”

Wilson，Benos及其同事收集了218名高风险UPMC患者的低剂量CT扫描数据，这些患者后来被证实患有肺癌或良性结节。然后他们将数据输入机器学习算法 - 一种人工智能 - 来创建一个计算癌症概率的模型。如果概率低于某个阈值，该模型将排除癌症。

将模型的评估与这些患者的实际诊断进行比较，研究人员发现，他们本可以节省30%的良性结节患者进行额外的检查，而不会遗漏一例癌症。

贝诺斯说，对模型最重要的三个因素是结节周围的血管数量，结节数量和患者戒烟后的年数。“虽然人们已经知道肿瘤会在一段时间内获得更多血管支持，但这是我们第一次能够使用计算机技术量化其贡献并将其纳入预测模型，该模型可以肯定地确定一些患者没有癌症，“威尔逊说。“下一步是在更大的人口中评估这项技术，实际上已经开始使用全国肺部筛查试验中的大约6,000次扫描。”

该研究的其他作者包括Vineet Raghu，Wei Zhao，MD，Ph.D。，Jiantao Pu，Ph.D.，Joseph Leader，Ph.D。，Jian-Min Yuan，MD，Ph.D.，Pitt;医学博士James Herman和UPMC Hillman医学博士Renwei Wang。