编辑推荐：
这篇视角文章探讨了利用AI（Artificial Intelligence）分析肺癌筛查（Lung Cancer Screening, LCS）所产生的海量CT（Computed Tomography）影像，其价值远超肺癌本身。文章核心提出建立“公共事业”模式的数据资源库，以低成本汇聚这些影像与临床结局数据，从而加速对冠状动脉疾病、肺气肿等多种胸廓疾病的早期发现、AI工具研发及公共卫生监测，是应对筛查实施挑战、实现可持续创新的关键路径。
引言
肺癌仍是全球致死率最高的癌症。幸运的是，肺癌筛查（LCS）已被长期随访研究证实可降低肺癌死亡率。在最佳实践下，筛查产生的胸部CT影像和临床随访信息得以保存，这不仅用于检测可能在未来数年出现的肺癌，其影像本身也蕴含着大量额外的健康信息。当前，胸部CT筛查正与人工智能（AI）工具整合，这些工具对于组织和管理这一快速扩展服务所需的复杂工作流程至关重要。然而，实现胸部CT筛查健康效益的一个威胁是难以聚集足够数量的CT影像和临床随访数据用于研究。将临床影像和结局数据作为公共资源开放访问，可能是解决早期胸部疾病管理创新瓶颈的关键。
利用LCS影像进行研究的现状
胸部CT注册库的效用已经显现。例如，美国国家肺癌筛查试验（NLST）完成后，其获得的48,547份胸部CT影像及相关临床结局数据已开放供研究使用。这些数据已被用于评估检测其他烟草相关疾病（如动脉粥样硬化性心脏病和肺气肿）的潜力。然而，此类试验数据存在时间滞后、选择偏倚以及技术快速过时等局限。目前，为管理筛查对象的常规持续照护，所有年度获取的胸部CT筛查影像及相关临床数据都存储在提供筛查服务的机构中。基于云的环境可以在安全、经济、高效的前提下，对来自多个站点的已存储影像进行跨机构计算分析。
影像和临床数据资源作为公共事业的价值
作者提出创建用于筛查影像及相关临床数据的公共事业（或公共图书馆）模型，而非默认传统的私人资本模式。在适当治理下，公共事业模型能更好地缓解公众疑虑，同时确保参与的公平性和可及性。AI工具的开发和验证需要构成“真实情况”的相关材料。传统的参与者招募方式既繁重又昂贵。建立一个稳定但动态的影像/临床数据源，对于构建AI工具、维持数据溯源并加速工具开发是理想的。全球筛查实施迫切需要提升流程效率。目前，用于筛查的CT扫描仪可获取大量相关影像数据，这可能压垮现有的放射科工作流程。因此，需要开发工具（尤其是AI工具）来协助放射科医生进行筛查阅片。一个特别的需求是开发工具，帮助放射科医生对连续的年度胸部CT扫描进行计算分析，以追踪筛查参与者的疾病进展状态，确保高效早期发现潜在的致命性胸部疾病。通过LCS公共事业可能获得的大量影像中，系统性地监测关键成像生物标志物，可以为优化临床管理和系统性评估国民健康提供强大的公共卫生工具。
筛查胸部CT检测冠状动脉钙化的新兴临床获益
多项研究报道，通过胸部CT成像测量冠状动脉血管钙化是管理心脏性死亡风险最具信息量的生物标志物，常在心臟疾病症状出现之前。基于CT筛查发现的冠状动脉疾病已得到心脏病专业学会的认可，并有他汀类药物管理的指南推荐。从LCS中获得的信息（如检测到冠状动脉钙化）可能为参与者坚持戒烟或增加体力活动等生活方式干预提供额外动力。
筛查中检测肺气肿的新兴临床获益
基于对NLST档案数据的回顾性分析，已有研究报道了在LCS扫描中检测肺气肿的能力。无症状的筛查对象可能从更密集的戒烟干预中获益，并且针对早期肺部疾病的一系列有前景的药物干预正在推进。
筛查CT检测到的其他胸部疾病
除了当前可实现的好处，胸部还有许多严重疾病我们需要更好的工具和预测方法。一些是相对常见的疾病，如肺气肿或心房颤动，另一些则较罕见，如特定类型的间质性肺疾病。在AI技术成熟后，我们或许能学会识别胸部CT上可辨别的细微模式，从而预测哪些人最有可能患上这些或相关疾病，这可能比目前可能的时间提前数年。该示意图基于国际早期肺癌行动计划（I-ELCAP）的工作，突出了可在胸部CT扫描中可视化的多种胸部疾病。借助提议的公共事业，AI可以识别意料之外的关联，并且研究人员能够对大量筛查参与者进行多年随访，这在当前人工方法是不可行的。
影像学持续创新的障碍
使用AI或其他大数据分析方法进行工具开发的研究人员可能需要访问来自不同环境和人群的海量影像库。目前，收集影像昂贵且缓慢，大多数AI工具仅基于数百张影像（通常来自单一学术机构，或仅使用单一型号CT扫描仪的影像）进行训练或测试。大多数现有生物医学影像集的专有性是另一个进步障碍。这些限制意味着资本雄厚的私营公司比其他研究者拥有巨大优势。此外，影像硬件（如CT扫描仪）的快速演变意味着硬件与AI工具之间的关系将保持动态变化。任何成像组件的改变（如图像探测器或分析能力的改进）都需要对工具进行重新验证，以确保性能质量的一致性。为了快速完成此类验证周期，需要常规访问合适的影像/数据案例。在这一重要的新筛查背景下，持续创新迫切需要确定能够为影像/数据库提供大量病例的方法。
提议的解决方案
我们举一个假设性但现实的例子，说明公共事业/AI可能如何开发一个产品。基于分析数年来积累的数万例历史病例，一组研究人员可能得出结论：肺部特定位置、具有特定变化模式（放射科医生几乎无法察觉）的区域，具有发展成侵袭性肺癌的高风险。这一发现将被发表并整合到放射科医生使用的图像阅片软件中，软件会标记出具有可疑模式的图像供放射科医生仔细审查。后续随访建议将由历史病例中观察到的结果来指导。
影像与结局数据收集的成功模式
组建所需数量的影像及关联临床结局以实现开放获取研究面临诸多障碍，包括筛查参与者对其CT扫描可能用途的怀疑、管理收集到的扫描数据的高成本担忧，以及确保集合在其生命周期内的保密访问。非营利性研究努力已取得良好进展，例如开源成像间质性肺病联盟（OSIC）和医学影像与数据资源中心（MIDRC）。国际早期肺癌行动项目（I-ELCAP）已收集了超过20万份胸部CT影像，纵向时间超过25年。区域性健康信息组织（RHIOs）也是有用的先例，它们通过收集患者来自多个提供者的医疗信息来整合信息，以帮助提供者治疗该患者。相比之下，我们提议的公共事业更简单，因为其重点是研究或流程改进，而非向治疗患者的提供者提供实时信息。
技术进展
北美放射学会的定量成像生物标志物联盟（QIBA）等组织已展示了组装、管理和评估大量数字医学影像的重要技术和工作流程方法，以在定义的约束条件下实现成像生物标志物测量的流程优化。他们的出版物已证明了所推荐的采集参数的可行性和效用，能够支持稳健的计算机分析，尤其是一致地测量体积等特征。QIBA已发布了一份针对胸部CT肺癌筛查的测量问题指南，以支持更可靠的结节体积量化。其他研究者则增进了对基于云的联合影像和数据收集如何遵守国家和地区法规（如欧盟《通用数据保护条例》(GDPR)）的理解。
伦理框架的进展
支持影像公有化作为健康要务以实现负责任的AI进步的伦理框架也已建立。该框架支持我们创建公共服务事业（图书馆）以汇集、管理影像并促进AI和其他基于捐赠影像的研究的愿景。Larson及其同事也提出了一个伦理框架，旨在更灵活地共享去标识化的临床数据用于AI开发，将数据共享视为一项公共利益，并将数据使用者视为数据管理者，负有受托责任，在开发健康导向的AI工具时保护捐赠者数据的隐私。
公共事业可能如何运作
我们提议，一个公共事业可以“容纳”LCS影像及相关临床信息的虚拟集合。实际信息将继续存储在筛查参与者照护站点，因为相关研究并不需要物理上集中一处。有许多方式可以实施这一公共事业，例如采用区域化方法（在美国背景下可以是州级）。一个美国州特许公司可以通过授权立法，要求提供者允许该事业访问本州内提供的LCS影像和相关数据。我们看到州孕产妇死亡率审查委员会有类似先例。一些州已通过向提供者征税来资助公共卫生工作，这可能是资助公共事业的一种可行方式。将对提供者施加数据捕获、质量和参与的要求，并建立研究访问（包括费用）的规则。随着各州建立事业，可以建立数据共享协作以实现多州效率。示意图展示了明尼苏达州可能的全州范围基于云的筛查站点网络。每个站点将有一个预先批准的信息学结构，允许访问基于云的分析软件，用于分析已完成的LCS影像和相关的去标识化临床数据。在此假设示例中，对明尼苏达州应用了可能的中心-辐射状安排。中心会将AI算法定向到存储在其“自然”站点的选定相关影像上执行。筛查站点的数量可以根据分析目的按需扩展。拟议的数字资源库包含经过多年追踪的、经过管理的高质量影像/临床数据案例，可以高效、经济地进行查询。患者特定的影像或临床数据将驻留在筛查中心，只有分析结果会被传输回云中心。这种由影像和临床信息组成的公共服务事业模型，可以成为21st世纪综合性医学注册库的典范，它在AI工具的开发和验证中保持透明度，并客观评估临床使用的筛查技术的质量和可靠性。
影像数据用于公共卫生的演进
虽然胸部CT影像包含了大量已知的临床相关信息，但这些影像中可能还存在更多可操作的信息。获取已收集的影像及相关临床随访信息，代表了一个为公共卫生利益而经济地挖掘信息的机会。可以设想，动脉粥样硬化性疾病普遍性的最初迹象来自对朝鲜战争和越南战争中美国军事死亡人员的系统尸检研究。而对存档的筛查胸部CT病例影像和临床数据进行系统计算分析，可以快速、经济地在庞大且多样化的LCS参与者队列中产生新颖的动脉粥样硬化信息。此外，当20世纪50年代英国首次出现与农药暴露部分相关的筑巢鸟类高死亡率消息时，北美并未意识到存在类似问题。直到在北美进行鸟类调查，才发现这些鸟类数量惊人地减少，部分被认为与蛋壳变薄有关。LCS成像可以轻易检测许多活体组织中钙密度的变化，包括蛋壳和骨骼。对已有胸部CT影像进行评估，可以提供骨矿物质密度受损的早期预警。未来，对已获取的胸部CT筛查影像进行系统性AI-影像组学分析，或可适应成为21st世纪的一种经济、省时的机会性预警或侦察系统，用于应对不断演变的生物医学威胁。
局限
尽管大型影像/数据资源的利用具有许多重要的潜在应用，但一些重要因素限制了这种方法。参与筛查涉及健康志愿者效应的考量，以及由于数据质量存在一定程度的异质性和疾病发病机制的 regional 差异而导致疾病错误分类的可能性。此外，数据完整性和隐私问题是必须持续监测和管理的挑战，需要不断发展的最佳实践来维持公众对提供筛查信息和影像访问效用的信心。最后，确保公平纳入来自社会各阶层的影像和数据的措施至关重要，以确保经过验证的工具能够按照公众对公共卫生资源的期望可靠地运行。
结论
LCS影像包含了大量当前有用、具有临床价值的信息，但可能还有更多具有临床和操作价值的信息未被利用。数百万LCS影像及相关临床信息的即将可用带来了后勤挑战，但这些信息具有巨大价值。我们提出了一种新颖的公共事业方法，它将高效、可持续且低成本地加速操作和临床突破。
