在深度学习的协助下,开发和验证了一种算法,用于预测持久的纯地玻璃结节的生长
Yanhua Tang1, Minzhen Li2, Benke Lin3
1Department of Radiology, Beijing Chaoyang Hospital, Beijing, China.
Translational lung cancer research
|January 11, 2024
概括
使用胸部CT图像的深度学习分类模型 (DLCM) 在预测持久的纯地面玻璃结节 (pGGNs) 的增长方面表现有希望. 与传统的放射科医生评估相比,这些AI模型提供了更客观的方法来预测pGGN增长.
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:
- 预测持久的纯地玻璃结节 (pGGN) 的生长是具有挑战性的,因为主观评估和放射科医生之间的变化.
- 胸部计算机断层扫描 (CT) 成像对于结节评估至关重要.
- 深度学习分类模型 (DLCM) 为更准确的pGGN增长预测提供了一个潜在的解决方案.
研究的目的:
- 开发和评估用于使用胸部CT图像预测pGGNs生长的DLCM算法.
- 为了比较不同的DLCM算法的性能,预测pGGN的增长.
- 在内部和外部验证队伍中评估DLCM的准确性,敏感性和特异性.
主要方法:
- 从2010年1月到2020年12月,在两个机构对pGGNs患者进行了回顾性研究.
- 开发了四个DLCM算法,使用pGGN区域从注释的胸部CT图像.
- 模型使用研究,内部验证和外部验证队列进行验证,使用包括AUROC分析在内的性能指标.
主要成果:
- 总共分析了286名患者和419名pGGNs.
- 在验证队列中,166个结节发生了生长 (43%的研究,30%的内部,45%的外部).
- DenseNet_DR算法实现了最高的AUROC:0.79 (内部验证) 和0.70 (外部验证).
结论:
- 应用于胸部CT图像的DLCM算法在预测pGGN生长方面表现出有效性.
- 这些人工智能驱动的模型可能会提高pGGN增长预测的准确性和客观性.
- 需要进一步的研究和验证,以将DLCM纳入pGGN管理的临床实践.
