基于7-TAAbs检测与CT深度学习模型联用提升中国人群<70mm肺结节肺癌诊断效能的前瞻性研究

针对CT深度学习(DL)模型在肺癌筛查中高敏感低特异性的瓶颈问题，郑州大学附属肿瘤医院团队开展前瞻性研究，创新性联合7种肿瘤相关抗原自身抗体(7-TAAbs)检测与3D-DCNN算法，构建"DL或7-TAAbs"联合模型。该模型在测试集中AUC达0.794，显著提升诊断特异性(89.1%)与敏感性(82.6%)，为<70mm肺结节的精准分级提供新策略。

　　

肺癌作为中国癌症死亡的首要原因，早期诊断面临巨大挑战。虽然低剂量螺旋CT(LDCT)筛查能降低20%肺癌死亡率，但放射科医生解读海量图像耗时费力，人工智能辅助诊断成为研究热点。现有深度学习(DL)模型虽敏感性优异(如Ardila D团队模型AUC达0.944)，但普遍存在特异性不足、假阳性率高等缺陷。与此同时，肿瘤相关抗原自身抗体(TAAbs)因其高特异性成为潜在解决方案，但单独检测敏感性不足(早期肺癌仅59-62%)。这种"影像学高敏感-血清学高特异"的互补特性，催生了多模态诊断模型的探索需求。

郑州大学附属肿瘤医院暨河南省肿瘤医院的研究团队在《BMC Pulmonary Medicine》发表创新研究，首次系统评估了7-TAAbs检测与3D深度卷积神经网络(3D-DCNN)联用对中国人群<70mm肺结节的诊断价值。研究人员前瞻性纳入406例患者，通过ELISA检测p53、PGP9.5等7种TAAbs，结合基于Faster R-CNN框架的DL算法，构建四种风险分层模型。关键技术包括：1)建立含313例训练集和93例测试集的前瞻性队列；2)采用间接ELISA定量7-TAAbs表达；3)开发多阶段3D-DCNN算法，先通过区域提议网络(RPN)定位结节候选区，再经ROI池化层和全连接网络降低假阳性；4)采用决策曲线分析(DCA)评估临床效用。

研究结果显示：在测试集中，"DL或7-TAAbs"联合模型表现最优，AUC达0.794(95%CI:0.701-0.887)，敏感性82.6%，特异性76.6%，显著优于单一检测(DL模型AUC 0.731，7-TAAbs模型AUC 0.679)。值得注意的是：1)7-TAAbs阳性率与年龄是仅有的显著恶性预测因子(P<0.001)；2)DL模型单独应用时特异性达87.9%，但敏感性仅66.9%；3)"DL和7-TAAbs"串联模型特异性高达98.3%，但敏感性骤降至23.0%；4)24例7-TAAbs假阳性病例经长期随访确认为肺周局灶性结节(PFN)。

讨论部分强调：该研究首次证实7-TAAbs可有效弥补DL模型特异性不足的缺陷，联合模型使<70mm肺结节的误诊率显著降低。但存在三点局限：1)7-TAAbs在慢性肺病中可能出现假阳性；2)多病灶患者仅选取最大病灶可能引入选择偏倚；3)样本量较小需多中心验证。未来应优化TAAbs组合提升敏感性，并开发整合流行病学特征的DL算法。这项研究为建立适合中国人群的肺癌早筛体系提供了重要循证依据，其"影像组学-血清组学"联用策略对实现精准医疗具有示范意义。