自主监督的基于学习的细粒度分类模型,用于区分恶性和良性亚厘米固体肺结节
Jianing Liu1, Linlin Qi1, Qian Xu2
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, No. 17 Panjiayuan Nanli, Chaoyang District, Beijing 100021, China.
Academic radiology
|May 22, 2024
概括
一个新的深度学习模型使用CT图像准确地区分恶性和良性亚厘米固体肺结节 (SSPNs),为肺癌查提供了改进的诊断能力.
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:
- 诊断亚厘米固体肺结节 (SSPNs) 是临床上具有挑战性的.
- 深度学习 (DL) 在改善肺结节分类方面比传统方法更有前途.
研究的目的:
- 开发和验证DL模型,使用CT图像区分恶性和良性SSPN.
- 在内部和外部验证队伍中评估模型的性能.
主要方法:
- 一项回顾性研究,利用1276名SSPN患者的CT图像.
- 开发一个自我监督的基于预训练的细粒度网络,用于恶性瘤预测.
- 对内部 (316个SSPN) 和外部 (202个SSPN) 数据集的模型验证.
主要成果:
- DL模型实现了高性能:内部AUC为0.964,精度为0.934;外部AUC为0.945,精度为0.911.
- 观察到非常好的灵敏度 (内部0.965,外部0.977) 和特异性 (内部0.908,外部0.860).
- 该模型在两个数据集中都显示出强大的性能.
结论:
- 开发的深度学习模型对于预测SSPN恶性瘤来说是强大而有效的.
- 这种工具有可能优化临床管理,改善患者在肺结节诊断中的结果.
