据NBC新闻报道，美国麻省总医院癌症中心和麻省理工学院的科学家们，联合开发了一款能够预测肺癌风险的人工智能解决方案，名为“Sybil”。
正在进行的临床实验结果表明，Sybil能够利用低剂量胸部计算机断层扫描（LDCT）图像数据，预测患者未来六年内患肺癌的风险。甚至对于患者在未来一年内患肺癌的风险预测准确率高达86%至94%。

肺癌是美国和世界各地癌症死亡的主要原因，医生通常建议50-80岁之间有吸烟史的人群使用LDCT进行肺部筛查，希望能在早期发现肺癌。因为一项研究表明，早期肺癌的五年生存几率接近70%，而晚期肺癌的五年生存几率不足10%。
事实证明，这一筛查将肺癌死亡人数有效降低了24%。但随着非吸烟者肺癌发病率的攀升，需要新的“策略”来筛查和预测更广泛人群的肺癌风险。Sybil就是满足这一市场需求的产物。
其原理是通过分析LDCT图像中包含的信息，评估肺部异常生长的迹象，告诉医生潜在的癌症风险，尽早发现并治病症，以提高患者存活率。
事实上，尽管Sybil让肺癌预测从概念照进现实，但肺部CT扫描的3D特性仍是Sybil需要面对的一个挑战。
因为早期的肺癌只占据了肺部的一小部分，在CT扫描的数十万像素中根本微不足道，这也导致用于Sybil训练的成像数据上看不到任何癌症迹象，Peter Mikhael博士将这一过程比喻为“大海捞针”。

为了确保Sybil能够准确评估癌症风险，研发团队标记了数百个带有可见癌性肿瘤的CT扫描用于训练Sybil，然后在没有明显癌症迹象的CT扫描上测试模型，通过使用曲线下面积（AUC）来确定Sybil的准确性，AUC衡量测试区分疾病和正常样本的程度，其中1.0是满分。
实验结果表明，在某些情况下Sybil可以检测到放射科医生都无法识别的癌症迹象，直到多年后在CT扫描上看到结节。此外，它能够提前一到六年预测一个人患肺癌的几率。其中预测一年时的AUC为0.92；两年时的AUC为0.86；6年预测的平均指数为0.75。
尽管它有潜力，但研究人员告诉NBC新闻，用于训练它的“黑人或西班牙裔患者”数据不足。且FDA曾在去年表示，Sybil的开发公司和研发团队必须制定一项计划，确保临床试验适用于不同的患者群体，然后才能提交申请。
麻省理工学院教授Regina Barzilay她将Sybil的灵感来源归功于Sylvia。从她口中我们得知Sylvia是一位年轻健康且热爱运动的不吸烟者，在Sylvia最开始咳嗽的时候她的医生和家人都没有往肺癌那方面想。而当她被确诊的时候，疾病已经发展到无法逆转的地步。
这让Barzilay在哀悼Sybil的同时陷入深思：还有多少其他患者也有类似的轨迹？ 

本文由广州佳誉医疗器械有限公司/佛山浩扬医疗器械有限公司联合编辑