人工智能辅助胸片在韩国肺癌筛查中的成本效益评估：一项决策分析模型研究

《Scientific Reports》：Cost-effectiveness of chest radiography using artificial intelligence for lung cancer screening in South Korea

　　本研究针对肺癌筛查中AI应用的经济价值不明确问题，评估了AI辅助胸片(CXR)在韩国肺癌筛查中的成本效益。通过构建决策树-马尔可夫混合模型，发现AI-CXR策略的增量成本效果比(ICER)为8,679-10,030美元/QALY，远低于支付意愿阈值(32,409.9美元/QALY)，证明其具有显著成本效益优势，为优化国家筛查计划提供重要依据。

　　

肺癌是全球癌症相关死亡的主要原因，也是第三大常见癌症，每年导致约180万人死亡。大多数肺癌病例在晚期才被检测出来，此时治疗主要以姑息治疗为主，导致生存结果较差。在韩国，肺癌筛查通过国家肺癌筛查计划(NLCSP)进行，该计划针对54至74岁、吸烟史至少30包年的人群，提供每两年一次的低剂量计算机断层扫描(LDCT)。

尽管LDCT筛查被证明可以降低肺癌死亡率，但其广泛应用面临诸多挑战，包括高假阳性率、过度诊断、辐射暴露风险以及较高的成本。与此同时，胸片(CXR)作为临床实践中最常进行的放射学检查，因其成本低、辐射剂量小且易于获取，在某些国家仍被广泛用于健康检查中的肺部疾病筛查。然而，多项大型随机试验表明，单独的CXR在降低肺癌死亡率方面缺乏效力。

人工智能(AI)的集成极大地增强了计算机辅助检测(CAD)系统的能力，特别是在胸部放射照相或CT扫描等医学成像分析中。深度学习技术的融入显著提高了CAD算法分析胸部放射照相的性能。多项研究表明，AI驱动的CAD系统作为辅助阅读工具，可以显著提高放射科医生的诊断表现。回顾性研究也提示，基于AI的CAD系统有望增强CXR在肺癌筛查中的作用。

然而，尽管AI算法在评估肺癌方面具有潜在益处，但将AI软件整合用于肺癌检测能在多大程度上提高诊断准确性，并进而影响患者结局和总体成本，仍存在不确定性。尤其是在资源有限的情况下，评估其经济价值对于公共卫生决策至关重要。因此，明确AI辅助筛查策略（包括CXR和LDCT）相对于传统方法的成本效益，对于指导韩国乃至类似医疗环境的国家优化其肺癌筛查政策具有紧迫的现实意义。

为了回答这些问题，研究人员开展了一项成本效益分析研究。他们开发了一个结合决策树和马尔可夫模型的决策分析模型，用于评估韩国五种肺癌筛查策略。研究模拟了10,000人的假设队列，并根据年龄组和吸烟状况进行分层，以反映韩国人口分布。模型追踪了参与者一生的成本和健康结局。分析采用了4.5%的贴现率和每QALY 32,409.9美元的支付意愿(WTP)阈值。关键的模型输入参数，如不同筛查方式的敏感性和特异性、肺癌发病率、死亡率、效用值（健康相关生活质量权重）和医疗成本，均从已发表的文献和韩国国内数据源获取。

模型结构与策略

本研究构建的混合模型清晰地模拟了筛查和疾病进展的完整路径。模型从五种比较策略开始：（1）不筛查，（2）单独CXR筛查，（3）AI辅助CXR（CXR+AI）筛查，（4）单独LDCT筛查，以及（5）AI辅助LDCT（LDCT+AI）筛查。参与者根据韩国人口的吸烟状况（非吸烟者、轻度吸烟者、重度吸烟者）进行分布。模型考虑了不同吸烟状态对肺癌发病风险的差异，并基于各筛查策略的敏感性和特异性参数，将模拟人群分为检测到（真阳性）和未检测到（假阴性）的肺癌病例。筛查遵循韩国国家指南，假设为每两年一次。未检测到的病例则在马尔可夫模型中自然进展。马尔可夫模型以一年为周期，模拟参与者一生的健康状态转换，包括疾病进展、生存和死亡，并考虑了全因死亡率和疾病特异性死亡率。

关键输入参数与AI整合方式

研究的一个重要特点是明确了AI在不同筛查方式中的整合模式。对于CXR+AI策略，模型假设AI独立工作进行分析，这反映了将AI基于CXR作为可扩展的一线筛查工具的倡议。其性能参数（敏感性0.696，特异性0.940）源自评估深度学习算法独立检测肺癌能力的研究。而对于LDCT+AI策略，模型则假设AI作为确认步骤辅助放射科医生进行判读，这更符合韩国当前的临床实践和监管框架。其性能参数（敏感性0.820，特异性0.750）来自系统性综述。作为对比，单独CXR的敏感性和特异性分别为0.470和0.780，而单独LDCT分别为0.810和0.690。

基础案例分析结果

基础案例分析结果显示，在所有四种模拟情景（针对不同年龄范围：54-74岁、40-80岁、50-80岁、60-80岁）下，AI辅助CXR（CXR+AI）策略均表现出优越的成本效益。

与不筛查相比，CXR+AI策略获得每个QALY的平均成本效益比(ACER)在9,950至15,601美元之间。更重要的是，进行增量比较时，CXR+AI策略相较于单独CXR策略的增量成本效果比(ICER)在8,679至10,030美元/QALY之间，远低于32,410美元/QALY的WTP阈值，表明增加AI所带来的额外健康收益具有很高的经济价值。

相比之下，LDCT为基础的策略（无论是单独LDCT还是LDCT+AI）虽然能带来微小的额外健康收益（QALY增益），但其增量成本巨大。例如，在54-74岁情景下，使用LDCT+AI替代CXR+AI，其ICER高达599,724美元/QALY，远远超出了可接受的成本效益门槛。值得注意的是，在某些情景中，单独LDCT策略的成本略高于LDCT+AI，但效果也轻微更优，这主要归因于马尔可夫模拟中的随机变异，而非真实的临床优势。

敏感性分析结果

为了评估模型结果的不确定性，研究进行了确定性敏感性分析(DSA)和概率敏感性分析(PSA)。DSA的龙卷风图显示，筛查起始年龄和肺癌分期初始发病率是对ICER最敏感的参数，ICER值在老年人群中往往更优。PSA涉及10,000次蒙特卡洛模拟，结果进一步巩固了基础案例的发现。成本效果可接受曲线(CEAC)显示，在32,410美元的WTP阈值下，CXR+AI策略成为最优成本效益选项的概率在不同情景中高达76.2%至91.8%。随着WTP阈值的提高，CXR+AI的优势概率在很大范围内保持领先。

研究结论与意义

本研究得出结论，在韩国人群中，将AI辅助CXR用于肺癌筛查是一种高度成本效益的策略。AI的集成显著提升了CXR的敏感性（从0.470提高到0.696），大大缩小了与LDCT（敏感性0.810）在检测能力上的差距。同时，CXR+AI保持了很高的特异性（0.940），结合其较低的筛查成本和后续检查费用，使其在总体成本可控的情况下，实现了有意义的健康产出。相比之下，尽管LDCT具有最高的基线敏感性，但其高昂的成本、较低的基线特异性以及AI辅助带来的边际收益有限，导致其成本效益不佳。

这项研究的意义在于，它首次从韩国医疗体系视角，对AI基于CAD集成PACS（图像存档与通信系统）作为肺癌筛查辅助工具的的成本效益进行了全面评估。研究结果挑战了“灵敏度最高的筛查方式必然最经济有效”的直觉，强调了在特定的人群疾病风险（如韩国相对较低的肺癌发病率）和医疗资源背景下，适度但成本低廉的技术改进（如AI增强CXR）可能产生巨大的公共卫生效益。这为韩国考虑调整或扩展其国家肺癌筛查计划提供了关键的经济学证据，支持将AI辅助CXR作为一种可扩展、经济可行的筛查策略纳入常规医疗实践。特别是对于放射科医生资源匮乏的地区，独立AI读取CXR的方案不仅成本效益高，还可能有助于降低肺癌死亡率。

局限性与展望

研究者也指出了本研究的若干局限性。首先，模型模拟了包括非吸烟者在内的更广泛人群，与当前韩国国家筛查计划的目标人群存在差异，可能影响结果的直接可比性。其次，模型未考虑筛查项目中检测到肺癌后患者戒烟所带来的额外健康收益和成本节约。第三，模型参数存在不确定性，尤其是CXR+AI的特异性数据来源于单一研究，可能存在高估。第四，研究视角局限于医疗服务提供者，未纳入患者的时间成本和交通成本等社会成本。最后，AI模型的性能可能因训练数据和算法而异，其普适性需要在更广泛的人群中得到验证。

未来的研究可以着眼于纳入戒烟效果、采用更广泛验证的AI性能数据、从更全面的社会视角进行评估，以及探索针对不同风险亚组（如不同年龄、吸烟史）的最优筛查策略。尽管如此，通过广泛的敏感性分析，本研究证实其主要结论在不同参数假设下具有稳健性。这项研究标志着在将AI有效整合到肺癌筛查项目，从而实现改善预后和节约成本双重目标方面，迈出了重要的一步。