CT剂量减少对AI驱动的偶发性肺结节恶性瘤估计的影响

科学领域:

• 放射学 放射学是一门学科.
• 人工智能在医学中的应用
• 在瘤学瘤学.

背景情况:

• 卷积神经网络 (CNN) 越来越多地用于肺癌预测.
• 低剂量的CT扫描对于减少患者的辐射暴露是可取的.
• 剂量降低对肺癌预测CNN (LCP-CNNs) 的性能的影响需要进行调查.

研究的目的:

• 评估CT剂量降低对商业LCP-CNN的影响.
• 评估剂量减少如何影响肺恶性瘤的分类.
• 为了确定对肺结节管理的潜在影响.

主要方法:

• 分析了169名患有196个结节的患者的CT扫描.
• 对原始扫描进行了25%和5%的模拟剂量减少.
• 通过使用"规则" (≥9) 和"规则" (>4) 值,在不同剂量级别中比较了LCP得分和分类准确性.

主要成果:

• 平均LCP得分显示,随着5%的剂量减少,轻微但统计学上显著下降.
• "规则"方法的准确性随着剂量减少而下降 (58.2%至52.0%).
• "排除"方法在剂量水平上保持了高准确性 (95.9%至94.4%),风险组分类的变化最小.

结论:

• 降低CT剂量可能会影响LCP-CNN的性能,并可能改变肺结节的管理.
• 具有较低恶性瘤风险值的"排除"策略有助于防止低估风险,特别是在高风险队列中.
• 低剂量CT产生的图像噪声可能会影响LCP-CNN结果,强调需要仔细选择参数.