计算机断层扫描筛查项目中的人工智能用于肺癌风险定义

肺癌占欧洲所有癌症死亡人数的 28%，其中 70% 的患者确诊时已处于晚期，5 年生存率仅为 21%。 尽管吸烟与近 90% 的病例有关，但全球吸烟率持续存在，对公共卫生构成了长期挑战。 我们的重点是利用血液生物标志物，特别是循环 microRNA (miRNA) 和 C 反应蛋白，完善肺癌风险评估。 两年一次的 LDCT 筛查和血液检测预测肺癌风险已显示出有效性，我们自 2013 年以来在 BioMILD 试验中的开创性工作就证明了这一点。

BioMILD 试验涵盖 4119 名志愿者，结合了 LDCT 和 microRNA 生物标志物，在 4 年的时间里证明了可行性和安全性。 我们目前的目标是为 LDCT 检测到的高风险肺结节开发一个预测模型，其中包含血液、功能和放射组学生物标志物。 利用 BioMILD 试验的生物样本库、成像数据库和 20 个患者来源的异种移植物 (PDX)，我们利用先进的人工智能 (AI) 工具进行综合分析。 这种方法至关重要，涉及 400 名患有实性和亚实性 LDCT 肺结节的受试者，其中包括 100 名基线确定的癌症患者。

通过结合血液生物标志物、放射学参数、临床特征和人工智能工具，我们的目标是创建一个强大的模型。 该模型将使用来自正在进行的 SMILE 筛查试验的一组独立的 100 名受试者（25 名患有肺癌和 75 名未患有肺癌）进行验证。 如果成功，我们的愿景是在临床环境中前瞻性地实施该小组，并证明它是有益的。 我们的使命是降低肺癌死亡率，利用新型非侵入性工具为所有高危人群优化筛查干预措施，同时最大限度地降低成本和辐射暴露相关危害。

目标 1 对从筛选检测到的固体和亚固体 LDCT 肺结节收集的外周血单核细胞 (PBMC) 样本进行免疫特征分类器 (ISC) 评估，并将 ISC 与现有生物标志物（例如 MSC 测试和 c 反应蛋白）整合（cRP）。

目标 2 评估与呼吸和心血管疾病相关的放射学特征和其他 LDCT 标志物。

目标 3 使用基于血液生物标志物、影像和临床数据组合的人工智能工具开发风险分类器，以提高 LDCT 筛查灵敏度和阳性预测价值。