提升早期肺癌诊断:预测随访低剂量CT扫描中的肺结节进展,使用深度生成模型
Yifan Wang1,2, Chuan Zhou1, Lei Ying2
1Department of Radiology, The University of Michigan Medical School, Ann Arbor, MI 48109-0904, USA.
Cancers
|June 27, 2024
概括
使用瓦斯斯坦生成对抗网络 (GP-WGAN) 的新型增长预测模型准确地预测了肺结节的生长. 与传统查方法相比,这种AI工具显示出早期肺癌检测的潜力.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 早期肺癌诊断对于改善患者生存率至关重要.
- 目前肺结节的随访方案包括定期的低剂量计算机断层扫描 (LDCT).
- 预测结节的生长可以帮助及时诊断和治疗决策.
研究的目的:
- 开发和评估基于瓦斯斯坦生成对抗网络 (GP-WGAN) 的增长预测模型,用于预测肺结节生长模式.
- 评估预测结节图像 (GP-结节) 在肺癌诊断中的性能.
- 将GP-WGAN模型的性能与Lung-RADS和Brock模型等现有方法进行比较.
主要方法:
- 一个GP-WGAN在1121对来自LDCT扫描的结节图像上接受了训练,间隔约为1年.
- 该模型预测了独立测试组中的450个结节的1年随访结节图像 (GP-结节).
- 一个肺癌风险预测 (LCRP) 模型分类了GP结节和真实后续结节.
主要成果:
- 在将GP结节分类时,LCRP模型实现了0.827 ± 0.028的AUC.
- 使用GP结节的表现与使用真实后续结节图像的表现相当 (AUC = 0.862 ± 0.028,p = 0.071).
- 在GP-WGAN模型显著超过肺RADS和布洛克模型 (p <0.05).
结论:
- 使用GP-WGAN预测的肺结节生长显示了与真实后续扫描可比的诊断性能.
- 这种人工智能驱动的方法有可能用于更早地检测和干预肺癌.
- 将GP-WGAN整合到临床实践中可以加快诊断,而不是传统的等待期.
