一个多视图CNN模型,预测随访低剂量胸部CT时的新肺结节的解脱
Jingxuan Wang1,2, Xiaowen Zhang3, Wei Tang4,5
1Department of Radiology, University of Groningen, University Medical Center of Groningen, Groningen, The Netherlands. j.wang02@umcg.nl.
Insights into imaging
|June 27, 2025
概括
一个新的多视图卷积神经网络 (CNN) 在癌症查中有效地区分了解决和不解决的肺结节. 这种人工智能模型显示,有可能减少对肺结节的不必要的后续CT扫描.
科学领域:
- 医疗成像医学成像
- 放射学中的人工智能
- 肺癌查 肺癌查
背景情况:
- 肺癌查CT扫描可以检测新的中等大小的结节.
- 其中一些结节会自发消失,因此不需要再进行CT检查.
- 在有效的查中,准确地区分解决和不解决的结节至关重要.
研究的目的:
- 评估一个多视图卷积神经网络 (CNN) 来区分解决与不解决的中间肺结节.
- 为了比较多视图CNN与传统的2D,2.5D和3DCNN模型的性能.
- 评估模型的潜力,以减少不必要的后续CT检查.
主要方法:
- 一项回顾性研究使用来自NELSON试验的250名参与者的344个中间结节的数据.
- 开发一个多视图CNN,结合三个2DCNN和一个3DCNN.
- 使用灵敏度,特异性和ROC曲线下的面积 (AUC) 通过四重交叉验证进行性能评估.
主要成果:
- 多视图CNN的AUC值为0.81,具有0.63的灵敏度和0.93的特异性.
- 该模型的性能明显优于2D,2.5D和3D CNN模型 (p < 0.05).
- 具有>90%的特异性,该模型可能可以防止14%的后续CT扫描.
结论:
- 多视图CNN在识别需要随访的不解决的结节方面表现出高的特异性.
- 这种人工智能模型可以帮助放射科医生为新的中间肺结节做出决策.
- 进一步验证可能使该模型能够减少肺癌查中不必要的后续扫描.
