基于深度学习的肺结节风险评估在肺癌查中优于确定的恶性瘤风险得分
Eduardo J Mortani Barbosa1, Yohan Kim1, Yanbo Zhang2
1Department of Radiology, University of Pennsylvania Perelman School of Medicine, Philadelphia, PA 19104, United States.
Radiology advances
|March 2, 2026
概括
一个新的深度学习算法Deep Pulmonary Nodule Profiler (DeepPNP) 在估计肺结节恶性瘤风险时表现出卓越的性能,用于肺癌查. 数据丰富显著提高了它的准确性,超过了目前的指导方针,如肺RADS.
科学领域:
- 医疗成像中的人工智能
- 机器学习用于诊断的准确性.
- 计算病理学计算病理学
背景情况:
- 在肺癌查期间经常检测到肺结节.
- 估计恶性瘤风险至关重要,但具有挑战性,通常依赖于专家的共识指南,如肺RADS.
- 目前用于风险分层的方法可能是可变的.
研究的目的:
- 评估DeepPNP的性能,这是一个深度学习算法,用于评估肺结节恶性瘤风险.
- 确定数据丰富的影响,特别是包括外部恶性结节数据集,对DeepPNP的培训和绩效.
- 为了比较DeepPNP的准确性与已建立的基准,如肺RADS和PanCan模型.
主要方法:
- 一个回顾性分析利用了三个数据集,将国家肺部查试验 (NLST) 与两个外部恶性结节数据集合并用于训练DeepPNP.
- DeepPNP采用一个基于EfficientNet-B0的3D卷积神经网络,运行在以节点为中心的3D补丁上.
- 在一组持有NLST测试中评估了性能,将ROC AUC,灵敏度和特异性等指标与Lung-RADS v2022和PanCan模型在各种特异性值下进行比较.
主要成果:
- 在NLST测试组中,DeepPNP在NLST测试组中实现了0.96的接收器操作特征曲线 (ROC AUC) 下的优越区域,优于肺-RADS (0.91) 和PanCan (0.93).
- 与仅使用NLST数据 (DeepPNP-NLST,AUC 0.95) 进行训练的模型相比,使用数据丰富 (DeepPNP) 训练的模型显示出适度但统计学上显著的性能增长 (AUC 0.95).
- 在80%的特异性下,DeepPNP表现出94%的灵敏度和88%的特异性,在不同的结节大小和类型中表现一致.
结论:
- 与现有的模型相比,深肺结节分析仪 (DeepPNP) 在肺癌查恶性瘤风险估计方面表现优越.
- 用来自外部数据集的活检确认的恶性结节来丰富训练数据,大大提高了深度学习模型的预测能力.
- 这些发现强调了人工智能和数据丰富策略的潜力,以提高肺癌查解释的准确性和可靠性.
