在CT图像上深度学习恶性瘤风险估计偶然的亚厘米肺结节的CT图像
Rui Zhang1,2, Ying Wei3, Denian Wang4
1Department of Pulmonary and Critical Care Medicine, West China Hospital, Sichuan University, Chengdu, China.
European radiology
|December 20, 2023
概括
深度学习模型准确地估计了CT扫描中偶然发现的小肺结节的恶性瘤风险. 这些人工智能工具可以帮助临床医生,可能减少不必要的测试和诊断延迟.
科学领域:
- 医疗成像中的人工智能
- 肺结节分析 肺结节分析
- 深度学习用于瘤学.
背景情况:
- 低于厘米的肺结节通常在胸部CT上偶然检测到.
- 准确的恶性瘤风险分层对于最佳的患者管理至关重要.
- 目前的诊断途径可能涉及侵入性手术或延迟诊断.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测偶然检测到的亚厘米肺结节的恶性瘤风险.
- 为了比较DL模型与人类专家临床医生的性能.
主要方法:
- 在胸部CT数据上训练了四个DL模型,使用不同的感兴趣区域 (整个肺,图像补丁,结节盒,基线+后续结节盒).
- 模型在内部进行了测试,并在独立的队列上进行了外部验证.
- 使用曲线下面面积 (AUC) 评估性能,并与呼吸系统临床医生提出的诊断进行比较.
主要成果:
- DL模型实现了高诊断准确度,AUC达到0.942的模型使用基线和后续结节盒在测试组.
- 结节盒模型在外部验证期间表现强 (AUC 0.808-0.939),当时只有基线图像可用.
- DL模型的表现优于住院和初级临床医生,其表现与高级临床医生相美.
结论:
- 深度学习算法使用CT成像有效地预测CT成像在偶发的亚厘米肺结节中的恶性瘤.
- 这些模型为临床医生提供了宝贵的支持,有可能简化诊断工作流程.
- 人工智能工具可能有助于减少不必要的检查,并加快肺结节的诊断.
