基于深度学习的方法的诊断性能,用于区分恶性和良性亚厘米 (≤10毫米) 固体肺结节
Jianing Liu1, Linlin Qi1, Yawen Wang1
1Department of Diagnostic Radiology, National Cancer Center/National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China.
Journal of thoracic disease
|November 16, 2023
概括
一个深度学习 (DL) 模型在CT扫描上显著优于经验丰富的放射科医生在诊断恶性亚厘米固体肺结节 (SSPNs) 的表现. 这种人工智能工具有望减少诊断不确定性和提高准确性,特别是对于较小的结节.
科学领域:
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医学成像分析 医学成像分析
背景情况:
- 亚厘米的固体肺结节 (SSPNs) 带来了诊断方面的挑战.
- 区分恶性和良性SSPN对于患者管理至关重要.
- 深度学习 (DL) 模型为增强图像分析提供了潜力.
研究的目的:
- 为了评估SSPNs的DL模型的诊断性能.
- 将DL模型的准确性与经验丰富的放射科医生进行比较.
- 评估DL模型在不同结节大小小组中的有效性.
主要方法:
- 追溯收集了200个SSPN (100种良性,100种恶性).
- 利用DL模型从CT图像中预测恶性瘤的概率.
- 与放射科医生使用McNemar-Bowker测试对比DL模型的诊断准确度和不确定的结果.
主要成果:
- DL模型的准确性明显高 (71.5%) 比放射科医生 (38.5%) (P<0.001).
- DL模型报告了所有结节大小 (≤10毫米) 的不确定结果较少.
- 在子组中观察到的优异性能:3-6mm (75.5%对28.3%),6-8mm (62.0%对28.2%) 和8-10mm (77.6%对55.3%).
结论:
- 基于DL的方法在区分恶性和良性SSPN方面表现出卓越的性能.
- 这种DL模型有可能减少诊断不确定性并提高准确性.
- 该模型对于小于8毫米的SSPN特别有效.
