深度学习有助于检测恶性肺癌

深度学习有助于检测恶性肺癌
62岁男性患有一次腺癌的图像。(a,b)posteroantiorior(pa)数字胸部射线照片。(a)没有深度卷积神经网络(DCNN)软件辅助,三个读者(读者10,11和12)将该图像解释为正常胸部射线照片。(b)根据DCNN的建议(虚线圈),所有读者都能够识别真正的结节(黄色圆圈)。(c)在同一天获得的轴向CT图像显示右上叶(箭头)的顶端段中的25mm实质量。信贷:北美放射学会

根据发表在该杂志上的一项研究,在基于深度学习的软件的帮助下,放射科医生能够更好地通过胸部x光检查恶性肺癌放射学

“当他们重新审查X射线时,放射科医师的平均敏感性提高了5.2%Byoung Wook Choi,医学博士、博士,延世大学医学院教授,韩国首尔延世大学卫生系统放射科心胸放射学家说。“与此同时,每张图像的假阳性发现数量也减少了。”

崔医生说,肺部病变的特征包括大小、密度和位置,这使得胸部x光检查肺部结节更具挑战性。然而,机器学习方法,包括深度卷积神经网络(DCNN)的实现,已经帮助改善检测。

深度学习是一种人工智能,允许计算机基于现有数据关系来完成任务。一个dcnn,建模后,采用多个隐藏层和模式对图像进行分类。

在这项回顾性研究中,放射科医生从四个参与中心随机选择总共800个X射线,其中包括200个正常的胸部扫描和600次,其中至少一种通过CT成像或病理检查确认的恶性肺结节(50正常和150例,每个癌症机构)。肺癌X射线中有704例确诊的恶性结节(原发性肺癌78.6%和21.4%转移)。多数(56.1%)结节的结节均为1℃至2厘米,而43.9%在2cm和3cm之间。

第二组放射科医师,包括来自每个机构的三位放射科医生,用癌细胞和没有癌细胞的结节解释了所选的胸部X射线。然后,读者在DCNN软件的帮助下重新读取相同的X射线,培训以检测肺结节。

在DCNN软件的帮助下,平均敏感度(即检测现有癌症的能力)从放射科医生仅阅读的65.1%显著提高到70.3%。在软件的帮助下,每一次x光检查的误报(即错误报告癌症存在)数量从放射科医生的0.2个下降到0.18个。

计算机辅助检测软件来检测由于高假阳性率,结节尚未被广泛接受和利用,尽管它提供了相对”崔医生说。“DCNN可能是减少假阳性的一个解决方案。”


进一步探索

人工智能系统先于放射科医生发现肺癌

更多信息:Yongsik Sim等。基于深度卷积神经网络的软件改进了胸片上恶性肺结节的检测,放射学(2019)。DOI:10.1148 / Radiol.2019182465
期刊信息: 放射学

由...提供北美放射学会
引文:深度学习协助检测恶性肺癌(2019年11月12日
此文件受版权保护。除作私人学习或研究之公平交易外,未经书面许可,任何部分不得转载。本内容仅供参考之用。
1股票

反馈到编辑

用户评论