基于人工智能的影像学与液体活检联合临床评估鉴别肺良恶性结节的诊断性能：一项诊断性网络荟萃分析

背景：肺结节的发病率正在上升。仅在美国，每年通过低剂量CT筛查检测到的病例约为157万。这一日益增长的数量产生了对准确区分恶性病变的迫切需求。目前的标准方法依赖于放射科医生的判读。然而，这些方法显示出不同的准确性，敏感性范围为62%–79%。常用于进一步诊断的侵入性活检，其并发症风险为15%–28%。新兴技术，如人工智能（AI）影像分析和液体活检平台，在肺结节表征方面显示出有前景的能力。然而，缺乏对其进行比较评估的严谨方法学。方法：我们系统评估了2015年至2024年间发表的20项比较研究。这些研究评估了基于AI的影像学方法（包括深度学习架构和放射组学分析）以及液体活检方法（如ctDNA突变谱分析和基于甲基化的检测）用于肺结节表征。采用贝叶斯层次建模来考虑不同检测之间的相互依赖性。通过GRADE框架评估证据确定性。结果：整合临床信息的CT-Deep方法显示出最高的敏感性，值为97.1%，可信区间为90.8%–99.6%。然而，其特异性相对较低，值为67.4%，可信区间为74.4%–92.9%。单独的液体活检显示出更平衡的操作特性，敏感性为63.1%，特异性为82.8%。在汇总受试者工作特征分析中，临床-液体活检联合策略显示出最佳性能，曲线下面积为0.903。研究间存在显著异质性，I2 > 50%。此外，某些诊断优势比估计值的置信区间很宽，这意味着比较性能应谨慎解读。结论：AI增强的影像技术对于高敏感性筛查应用尤其有价值，在这些应用中假阴性的风险最大。另一方面，液体活检方法或其与临床评估的组合可能更适合需要高特异性的情况。研究结果强调了标准化验证方案和联合模式策略的前瞻性评估的必要性，以解决当前肺结节表征中的局限性。