全国肺癌筛查试验中，基于低剂量CT肺癌筛查的全人群器官剂量评估

《Academic Radiology》：Full-Cohort Organ Dose Assessment from Low-Dose CT Lung Cancer Screening in the National Lung Screening Trial

　　

理由与目标

为了评估国家肺癌筛查试验（NLST）中重复进行低剂量计算机断层扫描（CT）肺癌筛查所导致的辐射暴露情况，需要特定的器官剂量估算。本研究的目标是估算NLST CT筛查 cohort中的研究级别剂量和参与者级别的累积剂量。

材料与方法

这项回顾性剂量学研究纳入了25,051名来自肺癌筛查研究（Lung Screening Study）和美国放射学会影像网络（American College of Radiology Imaging Network）组件的NLST CT筛查参与者，排除了那些检查中缺乏有效制造商推荐管电流时间输入的参与者。图像序列元数据与年龄、性别、身高和体重进行了关联，然后将有效记录分为69,601次研究级别的筛查检查。使用美国国家癌症研究所（National Cancer Institute）的剂量学系统，结合性别和体型特异的成人模型，计算了器官吸收剂量和有效剂量。通过50次随机模拟评估了与扫描范围相关的剂量不确定性。

结果

参与者平均接受了2.78次研究级别的筛查检查；研究级别的体积CT剂量指数中位数为3.30 mGy。研究级别的肺、乳腺、心壁、活跃骨髓和有效剂量的中位数（四分位数范围）分别为3.93 (3.13–4.96) mGy、3.94 (3.14–5.04) mGy、3.94 (3.14–5.01) mGy和1.26 (0.99–1.60) mGy，以及2.07 (1.65–2.59) mSv。相应的累积参与者级别剂量分别为11.30 (8.89–14.50) mGy、11.39 (9.01–14.75) mGy、11.41 (8.93–14.66) mGy和3.63 (2.79–4.66) mGy、5.94 (4.69–7.64) mSv。与扫描范围相关的剂量不确定性在甲状腺剂量中最大（平均变异系数为21.1%），而在场内器官中的剂量不确定性较低。

结论

利用NLST的低剂量CT筛查数据，我们估算了参与者级别的累积器官剂量和有效剂量，并分析了不同器官和体型组之间的差异。

章节摘录

引言

国家肺癌筛查试验（NLST）是一项大型随机临床试验，比较了高风险人群中低剂量计算机断层扫描（CT）筛查与胸部X光检查的效果（1）。该试验通过肺癌筛查研究（Lung Screening Study）和美国放射学会影像网络（ACRIN）组件进行，招募了50,000多名55至74岁、有重度吸烟史的参与者，结果显示低剂量CT与胸部X光相比可将肺癌死亡率降低20%。

数据来源

NLST的临床、人口统计和CT图像序列数据通过美国国家癌症研究所癌症数据访问系统（National Cancer Institute Cancer Data Access System, CDAS）获得。数据访问获得了CDAS项目NLST-1127的批准，这是提交数据请求的指定标识符。申请内容包括了NLST的数据集，特别是用于辐射剂量估算的螺旋CT图像信息数据集。

队列特征

候选数据集包含26,252名参与者，对应的重建CT图像序列记录为137,909条。由于一次CT扫描可能生成多个重建图像序列，因此将具有相同参与者标识符和研究UID的记录分为73,047次研究级别的筛查检查，作为剂量估算的单位。额外的质量控制发现2011次检查没有有效的图像序列。

讨论

在这项研究中，我们将NLST CT图像序列元数据与参与者的体型信息进行了关联，应用了明确的管电流元数据质量控制方法，将多个有效的重建图像序列合并为研究级别的筛查检查，并使用适合不同体型的NCICT模型计算了器官剂量和有效剂量，进而估算了参与者级别的累积暴露量。据我们所知，这是首个涵盖整个NLST队列的CT器官剂量数据集。

结论

我们通过结合CT图像序列元数据、参与者特定的体型信息以及基于NCICT模型的剂量计算方法，建立了完整的NLST低剂量CT筛查检查器官剂量数据集。研究结果显示，尽管肥胖参与者的CTDIvol值高于体重不足的参与者，但某些器官的累积剂量估算值在体重不足的参与者中反而最高。

CRediT作者贡献声明

Choonsik Lee: 原稿撰写、可视化处理、验证、监督、软件开发、正式分析、数据整理、概念构思。Brian Moroz: 方法学设计、正式分析、数据整理。Eui Jin Hwang: 原稿撰写与编辑、正式分析、数据整理。Hyun Sook Hong: 原稿撰写与编辑、正式分析、数据整理。Soon Ho Yoon: 原稿撰写与编辑、数据整理、概念构思。

资金支持

本研究得到了美国国立卫生研究院（National Institutes of Health, NIH）内部研究计划的支持。NIH作者的贡献是其作为联邦雇员履行官方职责的一部分，符合机构政策要求，属于美国政府的工作成果。然而，本文中的研究结果和结论仅代表作者本人，并不一定反映NIH或美国卫生部的观点。

写作过程中使用生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用了OpenAI Codex来辅助编写Python脚本以进行数据分析和对文档一致性的检查。作者对脚本进行了审查和编辑，并对文章内容负全责。

利益冲突声明

作者声明他们没有已知的财务利益或个人关系可能影响本文的研究结果。

Choonsik Lee | Brian Moroz | Eui Jin Hwang | Hyun Sook Hong | Soon Ho Yoon