基于深度学习的结节检测系统的诊断性能和临床价值,涉及到肺结节位置的影响
Seulgi You1, Ji Hyun Park2, Bumhee Park2,3
1Department of Radiology, Ajou University School of Medicine, Suwon, Republic of Korea.
Insights into imaging
|September 19, 2023
概括
基于深度学习的结节检测系统在胸部X射线上与难以看到的"危险区域"中的结节作斗争. 然而,它显著帮助经验较少的放射科医生检测这些具有挑战性的肺结节.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 基于深度学习的结节检测 (DLD) 系统可以提高观测者在胸部X射线图 (CXR) 上的表现.
- DLD系统在识别肺结节 (PNs) 在各种胸内位置的有效性尚不清楚.
研究的目的:
- 评估DLD系统在检测位于胸部X射线图 (CXR) 不同区域的肺结节 (PNs) 的性能.
- 将DLD系统的诊断性能与不同经验水平的人类观察者的诊断性能进行比较.
主要方法:
- 胸部X射线图 (CXR) 根据结节的可见性被分为非危险区域 (NDZ) 和危险区域 (DZ).
- 300个CXR和216个肺结节 (PNs) 的数据集由8名观察员使用和不使用DLD系统进行解释.
- 损伤局部化分数 (LLF) 用于量化诊断性能,特别是NDZ和DZ地区的结节.
主要成果:
- 与NDZ结节 (83.2) 相比,DLD系统显示DZ结节 (64.2) 的LLF明显较低.
- 对于DZ结节检测,DLD系统的LLF (64.2) 比胸部放射科医生 (81.7) 低,但与非胸部放射科医生 (56.4) 和放射科医生住院医生 (56.7) 相比.
- 在使用DLD系统时,放射科住院医生的DZ结节检测LLF显著从56.7提高到65.6.
结论:
- 在危险区域检测肺结节时,DLD系统的性能不足于最佳.
- 尽管存在局限性,但DLD系统通过改善在经验较少的观察员 (如放射科医生) 中检测危险区域结节的方法,显示出有益的效果.
