英国肺癌筛查试验中，基于人工智能的阅读工作流程中，膜周结节的影响可以忽略不计

《European Radiology》：Negligible impact of perifissural nodules in an AI-first reader workflow from UK lung screening trial

肺结节筛查中AI辅助诊断对放射科医生工作量的影响评估。研究显示AI检测到838个≥100mm3结节分布于431人（34%），经仲裁确认57个为典型PFN（3.9%），但仅1.9%参与者（24/1252）因孤立性典型PFN需额外人工复核，且无恶性病例。证实AI-first流程中PFN对工作负荷影响可忽略。

　　

摘要

目的

评估在以人工智能（AI）为主导的肺癌筛查工作流程中，肺裂周围结节（PFNs）对放射科医生工作量的影响，鉴于AI无法对体积≥100立方毫米（mm3）的良性PFNs进行形态学分类。

材料与方法

分析了来自英国肺癌筛查（UKLS）试验的1250份基线低剂量CT扫描图像。一款商用AI软件根据NELSON 2.0-欧洲立场声明（EUPS）指南自动识别出所有固体成分体积≥100 mm3的结节。三名阅片者独立对PFNs进行分类，由一名具有20年以上经验的高级放射科医生进行最终参考分类（良性PFN、非典型PFN或非PFN）。所有附着在肺裂上的结节的组织学结果被审查以确认其良性。计算出仅发现良性典型PFN的参与者比例，这代表了放射科医生需要额外处理的 workload。

结果

共分析了1252名参与者（平均年龄68.5±4.0岁；928名男性[74%]）。AI在431名（34%）参与者中检测到838个固体成分体积≥100 mm3的结节。根据参考标准，49名（3.9%）参与者中的57个结节被归类为典型PFNs。在1252名参与者中，仅有24名（1.9%）的唯一的结节发现为体积≥100 mm3的典型PFN，这增加了额外的工作量。其中没有典型PFN是恶性的（0/57）。

结论

在以AI为主导的筛查工作流程中，典型PFNs对放射科医生最大工作量减少的影响可以忽略不计，仅有1.9%的参与者因这些良性结节需要额外的放射科医生审查。

关键点

问题 在以AI为主导的肺癌筛查工作流程中，体积≥100 mm3的典型PFNs是否会对放射科医生的工作量造成显著负担？

发现 在UKLS试验中，体积≥100 mm3的典型PFNs较为罕见，仅增加了微不足道的额外工作量（1.9%的参与者），且没有恶性病例（0/57）。

临床意义 对于PFN形态会导致以AI为主导的筛查工作流程出现瓶颈的担忧是没有根据的。我们的研究结果支持基于体积的AI分诊的可行性，使放射科医生能够专注于其他假阳性结果，而不会被PFNs所困扰。

图形摘要