这篇文章的核心在于提出了一个数据驱动的系统（C-Lung-RADS）用于评估在低剂量计算机断层扫描（LDCT）中检测到的肺结节的恶性风险。以下是文章的几个关键点：
1. 背景和挑战：由于LDCT广泛用于肺癌筛查，肺结节的检测数量大幅增加。然而，准确评估这些结节的恶性风险仍然具有挑战性。传统的评估方法（如Lung-RADS）在准确性和灵敏度方面有局限性，特别是在资源有限的环境中难以适应。
2. C-Lung-RADS系统：该系统基于中国大规模的医疗检查数据，涵盖了45,064例患者。C-Lung-RADS使用多维度的数据，如结节的大小和密度，以及患者的人口统计学信息和随访数据，通过分类来识别出不同风险级别的结节：低、中、高和极高风险 。
3. 性能评估：C-Lung-RADS在内部测试数据集上的AUC达到了0.918，显著优于传统的单一维度方法（AUC为0.881）。此外，在独立的移动CT筛查数据集中，C-Lung-RADS的灵敏度达到87.1%，高于Lung-RADS v2022的63.3%。这意味着C-Lung-RADS能够更精确地区分不同风险级别的结节，从而提高筛查的有效性 。
4. 临床应用和意义：C-Lung-RADS系统的精确分层管理模式减少了对低风险结节进行不必要的侵入性操作的需求，并为高风险结节推荐了及时的干预。这种数据驱动的风险分层策略不仅提升了肺癌筛查的效率，还特别适合在资源有限的环境中通过移动筛查技术进行推广。这种方法有助于优化肺癌的早期诊断和管理流程 。
总体而言，该研究通过C-Lung-RADS系统展示了数据驱动的风险评估如何改善肺结节的管理，提高筛查的准确性和可操作性。
一、引言
随着低剂量计算机断层扫描（LDCT）在肺癌筛查中的广泛应用，肺结节的检出率大幅提高。然而，准确评估肺结节的恶性风险一直是临床面临的重大挑战。传统的评估方法存在一定的局限性，难以满足临床需求。在此背景下，本文提出了一种分诊驱动的中国肺结节报告和数据系统（C-Lung-RADS），为肺结节的风险分层和精确管理提供了新的思路和方法。
二、背景与挑战
LDCT 在肺癌筛查中的广泛应用LDCT 具有低辐射剂量、高分辨率等优点，已成为肺癌筛查的重要手段。通过 LDCT 检查，可以早期发现肺结节，提高肺癌的早期诊断率和治疗效果。然而，LDCT 检查也带来了新的问题，即肺结节的检出率过高，其中大部分结节为良性，但也有一部分结节可能是恶性的。因此，如何准确评估肺结节的恶性风险，成为临床医生面临的重要课题。肺结节恶性风险评估的挑战准确评估肺结节的恶性风险是一项艰巨的任务。目前，临床上主要采用影像学特征、临床症状、患者年龄、吸烟史等因素来评估肺结节的恶性风险。然而，这些因素的准确性和特异性有限，难以满足临床需求。此外，不同地区、不同人群的肺结节特征可能存在差异，也增加了风险评估的难度。传统评估方法的局限性传统的肺结节评估方法主要包括 Lung-RADS 等。这些方法虽然在一定程度上提高了肺结节的风险评估准确性，但仍然存在一些局限性。例如，Lung-RADS 主要基于影像学特征进行评估，缺乏对患者人口统计学信息和随访数据的综合考虑；此外，Lung-RADS 在资源有限的环境中难以推广应用。三、C-Lung-RADS 系统的提出
系统设计思路C-Lung-RADS 系统是一种分诊驱动的肺结节报告和数据系统，旨在通过整合多维度的数据，提高肺结节的风险评估准确性和可操作性。该系统的设计思路主要包括以下几个方面：（1）基于大规模的医疗检查数据：C-Lung-RADS 系统利用了 45,064 例患者的体检队列数据，涵盖了不同地区、不同人群的肺结节特征，具有较高的代表性和可靠性。（2）多维度数据整合：该系统整合了影像学信息、人口统计学特征和随访数据等多维度的数据，全面评估肺结节的恶性风险。其中，影像学信息包括结节的大小、密度、形态等；人口统计学特征包括患者的年龄、性别、吸烟史等；随访数据包括结节的生长速度、变化趋势等。（3）逐步风险分层：C-Lung-RADS 系统采用逐步回归的方式，首先根据结节的大小和密度区分低、中、高和极高危结节，然后逐步整合其他数据，进一步细化风险分层。系统运行流程C-Lung-RADS 系统的运行流程主要包括以下几个步骤：（1）数据采集：收集患者的 LDCT 检查数据、人口统计学信息和随访数据等。（2）影像分析：对 LDCT 图像进行分析，提取结节的大小、密度、形态等影像学特征。（3）风险分层：根据结节的大小和密度，将其分为低、中、高和极高危四个风险级别。（4）数据整合：逐步整合人口统计学信息和随访数据，进一步细化风险分层。（5）报告生成：生成肺结节的报告，包括结节的风险级别、建议的随访时间和治疗方案等。四、性能评估
内部测试数据集的评估为了评估 C-Lung-RADS 系统的性能，作者在内部测试数据集上进行了验证。结果显示，该系统的曲线下面积（AUC）达到了 0.918（95% 置信区间为 0.918–0.919），显著优于传统的单一维度方法（AUC 为 0.881，95% 置信区间为 0.880–0.882）。这表明 C-Lung-RADS 系统能够更准确地评估肺结节的恶性风险。独立队列的评估为了进一步验证 C-Lung-RADS 系统的性能，作者在一个独立队列中进行了验证。该队列使用移动计算机断层扫描进行筛查，以扩大资源受限环境中的筛查可及性。结果显示，C-Lung-RADS 系统的灵敏度达到 87.1%，高于 Lung-RADS v2022 的 63.3%。这表明 C-Lung-RADS 系统在资源有限的环境中也具有较高的准确性和实用性。五、临床应用和意义
精确分层管理模式C-Lung-RADS 系统的精确分层管理模式为肺结节的临床管理提供了重要的参考依据。对于低风险结节，该系统建议进行定期随访，避免不必要的侵入性操作；对于高风险结节，该系统建议进行及时的干预，如穿刺活检、手术切除等，以避免诊断延误。这种精确分层管理模式有助于提高肺结节的管理效率，降低医疗成本。提升肺癌筛查效率C-Lung-RADS 系统的提出为肺癌筛查提供了新的方法和手段。该系统能够更准确地评估肺结节的恶性风险，提高肺癌的早期诊断率和治疗效果。此外，该系统还可以通过移动筛查技术在资源有限的环境中进行推广应用，扩大肺癌筛查的覆盖范围，提升肺癌筛查的效率。优化肺癌早期诊断和管理流程C-Lung-RADS 系统的应用有助于优化肺癌的早期诊断和管理流程。通过整合多维度的数据，该系统能够全面评估肺结节的恶性风险，为临床医生提供更准确的诊断依据。同时，该系统的精确分层管理模式也有助于提高肺结节的管理效率，降低医疗成本，为患者提供更好的医疗服务。六、结论
本文提出了一种分诊驱动的中国肺结节报告和数据系统（C-Lung-RADS），该系统通过整合多维度的数据，提高了肺结节的风险评估准确性和可操作性。性能评估结果显示，C-Lung-RADS 系统在内部测试数据集和独立队列中均表现出了较高的准确性和实用性。临床应用表明，该系统的精确分层管理模式有助于提高肺结节的管理效率，降低医疗成本，提升肺癌筛查效率，优化肺癌早期诊断和管理流程。未来，随着更多数据的积累和技术的不断进步，C-Lung-RADS 系统有望在肺结节的风险分层和精确管理中发挥更大的作用。
Data-driven risk stratification and precision management of pulmonary nodules detected on chest computed tomography
(Nature Medicine, IF: 58.7)
Chengdi Wang, Jun Shao, Yichu He, Jiaojiao Wu, Xingting Liu, Liuqing Yang, Ying Wei, Xiang Sean Zhou, Yiqiang Zhan, Feng Shi, Dinggang Shen & Weimin LiCORRESPONDENCE TO: chengdi_wang@scu.edu.cn; feng.shi@uii-ai.com; Dinggang.Shen@gmail.com; weimi003@scu.edu.cnThe widespread implementation of low-dose computed tomography (LDCT) in lung cancer screening has led to the increasing detection of pulmonary nodules. However, precisely evaluating the malignancy risk of pulmonary nodules remains a formidable challenge. Here we propose a triage-driven Chinese Lung Nodules Reporting and Data System (C-Lung-RADS) utilizing a medical checkup cohort of 45,064 cases. The system was operated in a stepwise fashion, initially distinguishing low-, mid-, high- and extremely high-risk nodules based on their size and density. Subsequently, it progressively integrated imaging information, demographic characteristics and follow-up data to pinpoint suspicious malignant nodules and refine the risk scale. The multidimensional system achieved a state-of-the-art performance with an area under the curve (AUC) of 0.918 (95% confidence interval (CI) 0.918–0.919) on the internal testing dataset, outperforming the single-dimensional approach (AUC of 0.881, 95% CI 0.880–0.882). Moreover, C-Lung-RADS exhibited a superior sensitivity compared with Lung-RADS v2022 (87.1% versus 63.3%) in an independent cohort, which was screened using mobile computed tomography scanners to broaden screening accessibility in resource-constrained settings. With its foundation in precise risk stratification and tailored management, this system has minimized unnecessary invasive procedures for low-risk cases and recommended prompt intervention for extremely high-risk nodules to avert diagnostic delays. This approach has the potential to enhance the decision-making paradigm and facilitate a more efficient diagnosis of lung cancer during routine checkups as well as screening scenarios.
低剂量计算机断层扫描（LDCT）在癌症筛查中的广泛应用导致了肺结节检测的增加。然而，精确评估肺结节的恶性风险仍然是一项艰巨的挑战。在这里，我们提出了一个分诊驱动的中国肺结节报告和数据系统（C-Lung-RADS），该系统利用了45064例患者的体检队列。该系统以逐级回归的方式运行，最初根据结节的大小和密度区分低、中、高和极高危结节。随后，它逐步整合影像学信息、人口统计学特征和随访数据，以查明可疑的恶性结节并完善风险量表。多维系统实现了最先进的性能，内部测试数据集的曲线下面积（AUC）为0.918（95%置信区间（CI）为0.918-0.919），优于单维方法（AUC为0.881，95%CI为0.880-0.882）。此外，在一个独立队列中，与Lung RADS v2022相比，C-Lung-RADS表现出更高的敏感性（87.1%对63.3%），该队列使用移动计算机断层扫描进行筛查，以扩大资源受限环境中的筛查可及性。该系统以精确的风险分层和量身定制的管理为基础，最大限度地减少了低风险病例不必要的侵入性手术，并建议对极高危结节进行及时干预，以避免诊断延误。这种方法有可能增强现有疾病诊疗决策模式，并在常规检查和筛查场景中促进对癌症的更有效诊断。
