深度学习可以从CT扫描中预测恶性瘤和固体肺结节的转移
Junhao Mu1, Kaiming Kuang2,3, Min Ao1
1Department of Respiratory and Critical Care Medicine, The First Affiliated Hospital of Chongqing Medical University, Chongqing, China.
Frontiers in medicine
|June 5, 2023
概括
一个新的深度学习模型使用CT扫描准确预测肺结节 (PNs) 中的恶性瘤和转移. 人与计算机的协作进一步提高了诊断的准确性,帮助肺癌的精准医学.
科学领域:
- 放射学中的人工智能
- 医学成像分析 医学成像分析
- 在瘤学瘤学.
背景情况:
- 在临床上,区分固体肺结节 (PNs) 的恶性和攻击性是具有挑战性的.
- 对PNS的不准确评估可能导致诊断延迟和并发症增加.
- 早期和准确的诊断对于有效的肺癌治疗至关重要.
研究的目的:
- 开发和验证一种深度学习 (DL) 模型,用于预测固体PNS中的恶性瘤和转移.
- 与临床医生相比,评估DL模型的诊断性能.
- 评估人机协作对诊断准确性的影响.
主要方法:
- 一个卷积神经网络 (CNN) 模型是使用689名患有固体PNS的患者的CT图像开发的.
- 患者被分为良性,Ia期肺癌和T1期转移性肺癌组.
- 在观察者研究中,DL模型的预测与临床医生的诊断进行了比较.
主要成果:
- 在DL模型中,恶性瘤预测的AUC为80.37%,转移预测的AUC为86.44%.
- DL模型的表现优于初级和5年经验的呼吸系统临床医生,与高级临床医生相当.
- 人与计算机的协作在与临床医生的输入相结合时,将模型AUC得分提高到81.80-88.70%.
结论:
- DL方法准确地诊断固体PN中的恶性瘤,并预测T1期肺癌中的转移.
- DL模型与人类专家之间的协作提高了诊断性能.
- 这种方法支持精准医学,通过促进肺结节的准确和及时诊断.
