使用基于深度学习的CDSS进行瘤大小测量的准确性和可重复性,用于切除的肺癌患者

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:

• 肺癌查CT扫描经常识别结节,需要准确的尺寸测量来诊断和治疗计划.
• 放射科医生对瘤大小测量的观察者间变异性可能会影响临床决策.
• 基于深度学习的商业临床决策支持系统 (CDSS) 正在出现,用于肺癌评估.

研究的目的:

• 在切除的肺癌病例中,通过商业CDSS (MONCAD LCT) 评估瘤大小测量的准确性和可重复性.
• 将CDSS瘤大小测量与放射科医生评估和病理学参考标准进行比较.
• 评估CDSS的潜力,以尽量减少肺癌瘤大小的观察者间变化.

主要方法:

• 对176例切除的肺癌病例的回顾性分析,包括手术前CT图像和三个机构的报告.
• 将MONCAD LCT瘤大小测量与病理性瘤大小作为黄金标准进行比较.
• 两个专家胸部放射科医生对33例病例的子集进行瘤大小的独立评估,以评估观察者之间的变异性.

主要成果:

• 在176个瘤中,MONCAD LCT检测到92%的瘤.
• 对CDSS瘤大小的测量显示出与病理性瘤大小 (ICC = 0.869) 的卓越可靠性.
• 在瘤大小测量方面,CDSS实现了完美的一致性 (ICC = 1.000),超过了放射科医生之间卓越的观察者间协议 (ICC = 0.907).

结论:

• 放射科医生和CDSS之间的瘤大小测量没有发现显著差异.
• 该CDSS提供一致和客观的瘤大小测量,可能减少观察者之间的变化.
• 这项研究支持CDSS在标准化术前肺癌评估中的实用性.