利用人工智能检测肺癌新病例：COVID-19大流行2年后计算机断层扫描结果回顾性分析的临床和经济评估

封面图片

如何引用文章

全文:

详细

论证。胸腔器官计算机断层扫描是COVID-19感染引起的肺组织变化的主要诊断方法。因此，自2020年以来，这项研究在克拉斯诺亚尔斯克边疆区的应用频率有所增加。然而，肺癌的发病率却下降了5.2%。这种情况引起了人们对肺癌漏检特征性放射学变化的担忧，并促使人们寻找新的诊断技术，包括用于数据分析的人工智能（AI）。

目的 — 评估使用人工智能算法从COVID-19大流行期间获得的胸腔器官计算机断层扫描数据中，搜索肺结节发现肺癌的可行性。

材料和方法。这项回顾性研究，包括从2020年1月11日至 2021年2月28日期间，克拉斯诺亚尔斯克地区 从PACS档案中诊断为COVID-19的患者的胸腔器官计算机断层扫描结果。进行胸腔器官计算机断层扫描与应用人工智能算法之间的时间间隔从两年零一个月到两年零五个月。使用了Chest-IRA AI算法。AI检测到体积大于100mm3的肺部结节。放射科医生根据肺癌的概率将结果分为三组。使用该算法的经济效益评估，考虑到了工资成本和早期治疗肺癌所节省的费用，这些也会影响地区生产总值。

结果。在10500个计算机断层扫描结果中，人工智能算法检查出484例结节性肿块。确定了192名患肺癌高概率的患者，103名无体征，60名体征根据不足。112名肺癌高概率和中概率的患者没有就医。 通过使用人工智能，100例（28.2%）经组织学验证的肺癌患者得到了确诊，其中35%的患者处于I-II期。

使用人工智能代替放射科医生可以节省25个月零4 天的工作时间，也就是243万卢布。每进行10500次计算机断层扫描，因早期发现肺癌而节省的预算预计从1060万卢布到1250万卢布。五年的总经济效益为2.594亿卢布至3.051亿卢布。

结论。使用人工智能分析胸腔器官计算机断层扫描结果显示肺结节检测的高效率，包括在COVID-19的背景下，这证实其用于早期发现那些可能被遗漏的随机肺结节的前景。

作者简介

Ruslan A. Zukov

Professor V.F. Voino-Yasenetsky Krasnoyarsk State Medical University; Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovskogo

编辑信件的主要联系方式.
Email: zukov_rus@mail.ru
ORCID iD: 0000-0002-7210-3020
SPIN 代码: 3632-8415

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Krasnoyarsk; Krasnoyarsk

Ivan P. Safontsev

Professor V.F. Voino-Yasenetsky Krasnoyarsk State Medical University; Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovskogo

Email: sip@onkolog24.ru
ORCID iD: 0000-0002-8177-6788
SPIN 代码: 1548-5565

MD, Cand. Sci. (Medicine), Assoc. Prof., Depart. of Oncology and Radiation Therapy with a Postgraduate Course, Deputy Head Physician

俄罗斯联邦, Krasnoyarsk; Krasnoyarsk

Marina P. Klimenok

Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovskogo

Email: klimenokmp@onkolog24.ru
ORCID iD: 0009-0001-7849-0770
SPIN 代码: 7179-8793

MD

俄罗斯联邦, Krasnoyarsk

Tatyana E. Zabrodskaya

Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovskogo

Email: ZabrodskayaTE@onkolog24.ru
ORCID iD: 0000-0003-4987-5222
SPIN 代码: 8365-3582

MD

俄罗斯联邦, Krasnoyarsk

Natalya A. Merkulova

Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovskogo

Email: MerkulovaNA@onkolog24.ru
ORCID iD: 0009-0006-9254-1331

MD

俄罗斯联邦, Krasnoyarsk

Valeria Yu. Chernina

IRA Labs

Email: v.chernina@ira-labs.com
ORCID iD: 0000-0002-0302-293X
SPIN 代码: 8896-8051

MD

俄罗斯联邦, Moscow

Mikhail G. Belyaev

IRA Labs

Email: belyaevmichel@gmail.com
ORCID iD: 0000-0001-9906-6453
SPIN 代码: 2406-1772

Cand. Sci. (Physics and Mathematics)

俄罗斯联邦, Moscow

Mikhail Yu. Goncharov

IRA Labs; Artificial Intelligence Research Institute AIRI; Skolkovo Institute of Science and Technology

Email: mig0nch@yandex.ru
ORCID iD: 0009-0009-8417-0878
俄罗斯联邦, Moscow; Moscow; Moscow

Vitaly V. Omelyanovskiy

Center for Expertise and Quality Control of Medical Care; Russian Medical Academy of Continuous Professional Education; Financial Research Institute

Email: vvo@rosmedex.ru
ORCID iD: 0000-0003-1581-0703
SPIN 代码: 1776-4270

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Moscow; Moscow; Moscow

Ksenia A. Ulianova

Ministry of Health of the Russian Federation

Email: UlyanovaKA@minzdrav.gov.ru
ORCID iD: 0000-0002-3462-0123
SPIN 代码: 6491-6072
俄罗斯联邦, Moscow

Evgenia A. Soboleva

IRA Labs; Skolkovo Institute of Science and Technology

Email: e.soboleva@ira-labs.com
ORCID iD: 0009-0009-4037-6911
俄罗斯联邦, Moscow; Moscow

Maria E. Blokhina

AstraZeneca Pharmaceuticals LLC

Email: mariya.blokhina@astrazeneca.com
ORCID iD: 0009-0002-9008-9485

MD

俄罗斯联邦, Moscow

Elena A. Nalivkina

AstraZeneca Pharmaceuticals LLC

Email: elena.nalivkina@astrazeneca.com
ORCID iD: 0009-0003-5412-9643
俄罗斯联邦, Moscow

Victor A. Gombolevskiy

IRA Labs; Artificial Intelligence Research Institute AIRI; World-Class Research Center «Digital biodesign and personalized healthcare»; Sechenov First Moscow State Medical University

Email: gombolevskii@gmail.com
ORCID iD: 0000-0003-1816-1315
SPIN 代码: 6810-3279

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow; Moscow; Moscow; Moscow

参考

  1. Siegel RL, Miller KD, Jemal A. Cancer statistics, 2020. CA Cancer J Clin. 2020;70(1):7–30. doi: 10.3322/caac.21590
  2. Kaprin AD, Starinsky VV, Shakhzadova AO, editors. Malignant neoplasms in Russia in 2021 (morbidity and mortality). Moscow: P. Herzen MORI – the branch of the FSBI NMRRC of the Ministry of Health of the Russian Federation, 2022. (In Russ).
  3. Сhest-IRA [Internet]; 2020. [cited 2024 May 16]. Available from: https://mosmed.ai/service_catalog/chestira/
  4. Morozov SP, Vladzimirsky AV, Klyashtorny VG, et al. Clinical trials of software based on intelligent technologies (Radiology). Series «Best Practices of Radiology and Instrumental Diagnostics». N 56. Moscow: SBHI «SPCC for DTT of MHD», 2019. (In Russ).
  5. Armato SG 3rd, McLennan G, Bidaut L, et al. The lung image database consortium (LIDC) and image database resource initiative (IDRI): a completed reference database of lung nodules on CT scans. Med Phys. 2011;38(2):915–931. doi: 10.1118/1.3528204
  6. Goncharov M, Pisov M, Shevtsov A, et al. CT-Based COVID-19 triage: dep multitask learning improves joint identification and severity quantification. Med Image Anal. 2021;71:102054. doi: 10.1016/j.media.2021.102054
  7. MacMahon H, Naidich DP, Goo JM, et al. Guidelines for management of incidental pulmonary nodules detected on CT images: from the Fleischner Society 2017. Radiology. 2017;284(1):228–243. doi: 10.1148/radiol.2017161659
  8. Rate agreement of the compulsory medical system of Krasnoyarsk Territory. In: territorial fund of compulsory medical insurance; 2012– [cited 2024 May 16]. Available from: https://www.krasmed.ru/content/18137/page.html
  9. Kaprin AD, Starinsky VV, Shakhzadova AO. State of oncological care for the Russian population in 2021. Moscow: P. Herzen MORI — the branch of the FSBI NMRRC of the Ministry of Health of the Russian Federation, 2022. (In Russ).
  10. National Lung Screening Trial Research Team. Reduced lung cancer mortality with low dose computed tomographic screening. N Engl J Med. 2011;365(5):395–409. doi: 10.1056/NEJMoa1102873
  11. Gusamova NV, Komleva MI, Saphontsev IP, et al. Lung cancer screening by LDCT. Results for 2015–2017 years RSBHCI «Krasnoyarsk Regional Clinical Oncological Dispensary named after A.I. Kryzhanovsky». In: Modern achievements of oncology in clinical practice. Proceedings of the All Russian scientific and practical conference. Krasnoyarsk, 2018. P. 54–57. (In Russ).
  12. Ardila D, Kiraly AP, Bharadwaj S, et al. End to end lung cancer screening with three dimensional deep learning on low dose chest computed tomography. Nat Med. 2019;25(6):954–961. doi: 10.1038/s41591-019-0447-x
  13. Goncalves S, Fong PC, Blokhina M. Artificial intelligence for early diagnosis of lung cancer through incidental nodule detection in low and middle income countries acceleration during the COVID-19 pandemic but here to stay. Am J Cancer Res. 2022;12(1):1–16.
  14. Graf M, Makowski M, Gawlitza J, Gassert F. Cost–effectiveness of artificial intelligence support in computed tomography–based lung cancer screening. Cancers (Basel). 2022;14(7):1729. doi: 10.3390/cancers14071729

补充文件

附件文件
动作
1. JATS XML
下载
2. 5. The results of computed tomography of the chest organs of patients with verified lung cancer (indicated by blue arrows). a — solid cystic formation of the left lung (stage Ia); b — solid formation of the right lung (stage Ib).

下载 (133KB)
索引源数据
3. Fig. 1. Study design. CT, computed tomography; AI, artificial intelligence; MN, malignant neoplasm; С34, malignant neoplasm of the bronchus and lung according to the International Classification of Diseases, 10th revision.

下载 (245KB)
索引源数据
4. Fig. 2. Analysis of chest computed tomography findings employing artificial intelligence CT, computed tomography; AI, artificial intelligence; KRCOD, Krasnoyarsk Regional Clinical Oncological Dispensary (named after A.I. Kryzhanovsky); MN, malignant neoplasm. The red dashed line indicates that 134 people did not seek medical attention for malignant neoplasms.

下载 (313KB)
索引源数据
5. Fig. 3. Left lung nodule detected by artificial intelligence. The detected nodule is marked by the red square. Image with a high probability of lung cancer.

下载 (117KB)
索引源数据
6. Fig. 4. Nodules in the right (a) and left (b) lungs detected by artificial intelligence. The detected nodules are marked by the red square. Images with inconclusive signs of lung cancer.

下载 (224KB)
索引源数据
7. Fig. 6. Examples of the most common cases of false-positive artificial intelligence algorithm activation. a, fibrotic changes classified as a lung nodule; b, lung tissue infiltration area classified as a lung nodule.

下载 (204KB)
索引源数据
8. Fig. 7. Evolution of lung cancer screening in the Krasnoyarsk Krai.

下载 (229KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».