综合和仅图像深度学习模型的比较,用于预测不确定性肺结节的消失
Jingxuan Wang1, Jiali Cai2, Wei Tang3
1Department of Radiology, University of Groningen, University Medical Center of Groningen, Groningen, the Netherlands; Data Science in Health (DASH), University of Groningen, University Medical Center of Groningen, Groningen, the Netherlands.
概括
深度学习模型可以预测无限期肺结节 (IPN) 消失的高特异性. 使用CT扫描和临床数据的综合模型显示性能与单独的CT图像相当.
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:
- 不确定的肺结节 (IPN) 需要随访CT扫描进行监测.
- 预测IPN分辨率对放射科医生来说是一个挑战.
- 深度学习 (DL) 提供了预测IPN消失的潜力.
研究的目的:
- 开发和评估深度学习 (DL) 模型,用于预测不确定的肺结节 (IPN) 的消失.
- 将集成DL模型 (CT图像+临床数据) 的性能与仅使用CT图像的模型进行比较.
主要方法:
- 使用NELSON和ImaLife队列的数据进行了回顾性研究.
- 开发了集成的DL模型,包括CT图像和人口统计数据 (年龄,性别,吸烟状况,包年).
- 在ImaLife队列进行外部验证;通过灵敏度,特异性和AUC评估性能.
主要成果:
- 在外部验证中,集成的DL模型实现了0.91的特异性 (95%CI,0.80-0.96) 和0.82的AUC (95%CI,0.74-0.90).
- 性能与仅使用CT图像的DL模型相当 (特异性为0.89,AUC为0.78).
- 由SHAP值确定的前10个重要特征都是与图像相关的.
结论:
- 深度学习模型在预测IPN消失方面表现出高度的特异性.
- 结合临床数据的集成DL模型提供与仅图像模型相比的性能.
- DL有望改善无限期肺结节的管理.
