之前的CT改善了恶性瘤的深度学习 查检测到的肺结节的风险估计
Kiran Vaidhya Venkadesh1, Tajwar Abrar Aleef1, Ernst T Scholten1
1From the Department of Medical Imaging, Radboud University Medical Center, Geert Grooteplein Zuid 10, 6525 GA Nijmegen, the Netherlands (K.V.V., T.A.A., E.T.S., B.v.G., M.P., C.J.); Robotics and Control Laboratory, The University of British Columbia, Vancouver, Canada (T.A.A.); Department of Medicine, Section of Pulmonary Medicine, Herlev-Gentofte Hospital, Hellerup, Denmark (Z.S.); Department of Clinical Medicine, University of Copenhagen, Copenhagen, Denmark (Z.S.); Section of Radiology, Department of Medicine and Surgery, University of Parma, Parma, Italy (M.S., N.S.); Department of Thoracic Surgery, IRCCS Istituto Nazionale Tumori, Milan, Italy (M.S., U.P.); and Department of Radiology, University Medical Center Groningen, Groningen, the Netherlands (M.P.).
一个新的深度学习 (DL) 算法使用以前和当前的低剂量CT扫描来更好地估计肺结节恶性瘤风险. 这种方法显著优于仅使用单个CT扫描的模型.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 在瘤学瘤学.
背景情况:
- 以前的胸部CT扫描为评估肺结节恶性瘤风险提供了关键的时间数据.
- 准确估计恶性瘤风险对于肺癌查和患者管理至关重要.
研究的目的:
- 开发和评估一个深度学习 (DL) 算法,该算法集成了当前和以前的低剂量CT检查,用于为期3年的肺结节恶性瘤风险预测.
主要方法:
- 在国家肺部查试验数据上训练了一种DL算法,并使用来自丹麦肺癌查试验 (DLCST) 和多中心意大利肺部检测试验 (MILD) 的外部数据集进行验证.
- 使用接收器操作特征曲线 (AUC) 下的面积来评估性能,将新算法与单一CT DL模型和泛加拿大 (PanCan) 模型进行比较.
主要成果:
- 在外部测试组中,DL算法实现了0.91和0.94的高AUC.
- 它显著优于单 CT DL 算法 (AUC 0.85,0.89) 和 PanCan 模型 (AUC 0.64,0.63).
结论:
- 一个利用当前和以前低剂量CT扫描的DL算法在预测3年肺结节恶性瘤风险方面表现出卓越的有效性.
- 这种双扫描方法比现有的单扫描模型在肺结节风险评估方面有了显著的进步.
