AI-assisteret non-contrast CT til multi-cancer screening

Kræft er blevet et stort folkesundhedsproblem i Kina, som alvorligt påvirker befolkningens sundhed, økonomien og den sociale udvikling. I 2022 var der anslået 4,82 millioner nye kræfttilfælde og 2,57 millioner kræftrelaterede dødsfald. Lungekræft, leverkræft, mavekræft, tyktarmskræft, kræft i spiserøret, kræft i bugspytkirtlen og brystkræft er de syv hovedårsager til kræftrelateret dødelighed. En vellykket tidligere detektionsstrategi ville give patienterne mulighed for at modtage rettidig intervention, forbedre behandlingsresultater, forbedre den samlede overlevelse og reducere kompleksiteten og omkostningerne ved behandlingen.

I denne undersøgelse vil vi udføre en storstilet, prospektiv, multi-center kohorteundersøgelse, med det formål at evaluere nytten af ​​AI-assisteret non-contrast CT til multi-cancer screening. Befolkningen består af individer, der har gennemgået en ikke-kontrastgivende abdominal- eller bryst-CT-scanning på Meinian Onehealth Health Examination Center eller Shanghai Changhai Health Examination Center, med en forventet tilmelding på 1 million deltagere. En multi-cancer screeningsmodel via non-contrast CT, udviklet af Alibaba DAMO Academy, vil blive integreret i PACS-systemet af sundhedsundersøgelsescentre. Den billeddannende AI-model vil blive brugt til automatisk at detektere forskellige kræftlæsioner, herunder lungekræft, leverkræft, mavekræft, tyktarmskræft, esophageal cancer, bugspytkirtelkræft og brystkræft. Forsøgspersoner identificeret med positive læsioner af AI-modellen skal henvises til Shanghai Changhai Hospital for yderligere billeddiagnostiske undersøgelser (såsom kontrastforstærket CT, MR, endoskopi osv.) for at bekræfte den endelige sygdomsstatus og formulere en behandlingsplan. Derudover bør det medicinske team følge behandlingsveje udviklet baseret på retningslinjer fra NCCN og ACR, og om nødvendigt vil patienter blive dirigeret til det multidisciplinære team (MDT) klinik for specifikke cancertyper for at bestemme de diagnostiske procedurer. Det ultimative mål med denne undersøgelse er en omfattende vurdering af de diagnostiske præstationsmålinger af AI-modellen for hver af de syv cancertyper individuelt. Disse metrics inkluderer, men er ikke begrænset til, sensitivitet, specificitet og positiv/negativ forudsigelsesværdi. Der vil blive lagt særlig vægt på at evaluere modellens effektivitet til påvisning af tidligt stadie, resekterbare tumorer. Det overordnede mål er at afgøre, om implementeringen af ​​denne AI-assisteret screeningstilgang potentielt kan føre til forbedrede samlede overlevelsesrater gennem tidligere påvisning og intervention.