深度学习用于在非查性胸部CT扫描中检测良性和恶性肺结节

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 肺癌通常是通过查程序之外的胸部CT扫描偶然检测到的.
• 人工智能 (AI) 用于肺癌检测的临床验证在非查环境中是有限的.
• 人工智能显示出改善早期肺癌诊断的希望.

研究的目的:

• 开发和临床验证基于深度学习的AI系统,用于CT扫描上检测肺结节.
• 评估人工智能系统在识别可操作的良性结节,肺癌和转移中的性能.
• 将人工智能系统的检测能力与胸部放射科医生小组进行比较.

主要方法:

• 开发了一个深度学习的人工智能系统,用于在胸部CT扫描中检测结节.
• 通过两个荷兰医院的数据进行了内部和外部验证.
• 放射科医生标记了结节,并使用国家癌症注册表数据验证了恶性瘤状态.
• 用预定义的假阳性率 (自由响应ROC) 的灵敏度来评估性能.

主要成果:

• 在外部测试组上,AI系统在检测良性结节 (94.3%),肺癌 (96.9%) 和转移 (92.0%) 方面取得了高灵敏度.
• 在临床上可接受的每次扫描1个假阳性的操作点评估了性能.
• 人工智能灵敏度与放射科医生小组的灵敏度相当或超过.
• 与放射科医生相比,人工智能系统的假阳性率略高.

结论:

• 人工智能系统在临床上指示的CT扫描中可靠检测良性和恶性肺结节.
• 这种人工智能工具有可能帮助放射科医生在非查环境中解释胸部CT扫描.
• 这些发现支持AI在改善肺结节的诊断准确性方面的临床实用性.