基于CT的深度学习模型在区分良性和恶性固体肺结节 ≤8毫米中的价值
Yuan Li1, Xing-Tao Huang2, Yi-Bo Feng3
1Department of Thoracic Surgery, the First Affiliated Hospital of Chongqing Medical University, No.1 Youyi Road, Yuzhong District, Chongqing, China (Y.L.); Department of Thoracic Surgery, National Cancer Center/ National Clinical Research Center for Cancer/Cancer Hospital, Chinese Academy of Medical Sciences and Peking Union Medical College, Beijing, China (Y.L.).
Academic radiology
|May 28, 2024
概括
使用计算机断层扫描 (CT) 的深度学习模型有效地区分小良性和恶性肺结节. 这些人工智能工具还可以准确地区分良性瘤和炎症结节.
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:
- 固体肺结节 (SPNs) ≤8毫米构成诊断挑战.
- 准确区分良性与恶性SPNs对于患者管理至关重要.
- 从临床上来说,区分良性瘤与炎症结节也很重要.
研究的目的:
- 评估基于计算机断层扫描 (CT) 的深度学习 (DL) 模型的有效性,以区分良性和恶性SPN ≤8mm.
- 将DL模型的性能与传统算法进行比较.
- 评估DL模型区分良性瘤与炎症结节的能力.
主要方法:
- 使用多尺度双重注意网络 (MDANet) 开发了五种DL模型,其中包括结节和周结节的特征.
- 模型的内部和外部验证使用CT扫描从719患者切除SPNs.
- 与四种常规算法 (VGG19,ResNet50,ResNeXt50,DenseNet121) 相比,性能最好的DL模型进行了比较.
主要成果:
- 最好的DL模型 (模型4) 结合了结节和15毫米周结节区域,在外部验证队列中实现了0.730的AUC来区分良性和恶性SPN.
- 这种DL模型的性能超过了四个常规算法.
- 另一种DL模型 (模型8) 在区分良性瘤和炎症结节时获得了0.871的AUC.
结论:
- 基于CT的DL模型,特别是使用MDANet构建的DL模型,在区分小良性和恶性SPNs方面表现出很高的准确性.
- 这些模型还有效地区分良性瘤和炎症结节.
- DL为改善肺结节分类的诊断准确性提供了一个有前途的工具.
