AI-assistert non-contrast CT for multi-kreft screening

Kreft har blitt et stort folkehelseproblem i Kina, og påvirker befolkningens helse, økonomien og sosial utvikling alvorlig. I 2022 var det anslagsvis 4,82 millioner nye krefttilfeller og 2,57 millioner kreftrelaterte dødsfall. Lungekreft, leverkreft, magekreft, tykktarmskreft, spiserørskreft, bukspyttkjertelkreft og brystkreft er de syv viktigste årsakene til kreftrelatert dødelighet. En vellykket tidligere deteksjonsstrategi vil tillate pasienter å motta rettidig intervensjon, forbedre behandlingsresultater, forbedre den totale overlevelsen og redusere kompleksiteten og kostnadene ved behandlingen.

I denne studien vil vi gjennomføre en storskala, prospektiv, multisenter kohortstudie, med sikte på å evaluere nytten av AI-assistert non-contrast CT for multi-kreftscreening. Befolkningen består av individer som har gjennomgått CT-skanninger av magen eller brystet uten kontrast ved Meinian Onehealth Health Examination Center eller Shanghai Changhai Health Examination Center, med en forventet påmelding på 1 million deltakere. En multi-kreftscreeningsmodell via non-contrast CT, utviklet av Alibaba DAMO Academy, vil bli integrert i PACS-systemet til helseundersøkelsessentre. Den avbildende AI-modellen vil bli brukt til automatisk å oppdage ulike kreftlesjoner, inkludert lungekreft, leverkreft, magekreft, tykktarmskreft, spiserørskreft, bukspyttkjertelkreft og brystkreft. Personer identifisert med positive lesjoner av AI-modellen vil bli pålagt å bli henvist til Shanghai Changhai Hospital for ytterligere bildeundersøkelser (som kontrastforsterket CT, MR, endoskopi, etc.) for å bekrefte den endelige sykdomsstatusen og formulere en behandlingsplan. I tillegg bør det medisinske teamet følge behandlingsveier utviklet basert på retningslinjer fra NCCN og ACR, og om nødvendig vil pasienter bli henvist til multidisiplinært team (MDT) klinikk for spesifikke krefttyper for å bestemme de diagnostiske prosedyrene. Det endelige målet med denne studien er å vurdere de diagnostiske ytelsesmålingene til AI-modellen for hver av de syv krefttypene individuelt. Disse beregningene inkluderer, men er ikke begrenset til, sensitivitet, spesifisitet og positiv/negativ prediktiv verdi. Det vil bli lagt særlig vekt på å evaluere modellens effektivitet for å oppdage resekterbare svulster i tidlig stadium. Det overordnede målet er å finne ut om implementeringen av denne AI-assisterte screeningtilnærmingen potensielt kan føre til forbedret total overlevelse gjennom tidligere påvisning og intervensjon.