替代手动和自动深度学习细分技术的性能,用于预测良性和恶性肺结节

科学领域:

• 放射学 放射学是一门学科.
• 机器学习 机器学习
• 医疗成像医学成像

背景情况:

• 在CT扫描中精确细分肺结节对于预测恶性瘤至关重要.
• 传统的手动细分是耗时的,并且受观察者之间的变化影响.
• 需要新的细分技术来提高效率和准确性.

研究的目的:

• 为了比较放射性活检 (RB),最合适的界限框 (BB) 和没有新U-Net (nnU-Net) 深度学习细分的性能与标准的全手动 (FM) 细分.
• 用CT放射学评估这些方法在预测良性与恶性肺结节的有效性.
• 评估不同细分技术的时间效率.

主要方法:

• 分析了来自两个机构的肺结节的188张CT扫描.
• 放射科医生进行了全手册 (FM),放射性活检 (RB) 和最佳适合界限框 (BB) 的细分.
• 无新U-Net (nnU-Net) 深度学习模型被用于自动细分.
• 放射性特征被提取,并开发机器学习模型来预测结节类型.
• 用曲线下的面积 (AUC) 来比较模型性能;记录了细分时间.

主要成果:

• 放射性活组织 (RB) 细分需要比全手动 (FM) 细分要少得多的时间 (中位数为21s与113s).
• 在两个数据集中,RB模型的AUC比FM和BB模型更高 (数据集1:0.985与0.964和0.961;数据集2:0.919与0.717和0.699).
• nnU-Net深度学习模型的性能与FM和BB相当,在两个数据集中AUC比RB低.

结论:

• 放射性活检 (RB) 在预测良性和恶性肺结节方面表现优异,与全手动 (FM) 和最佳适合界限框 (BB) 方法相比.
• 深度学习细分 (nnU-Net) 与传统方法类似,但没有超过RB.
• RB为肺结节放射学提出了一个有希望的,更有效的细分方法,需要进一步验证.