深度学习有助于检测恶性肺癌

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％深度学习软件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，建模后大脑结构，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肺由于高假阳性率，结节尚未被广泛接受和利用，尽管它提供了相对高灵敏度”崔医生说。“DCNN可能是减少假阳性的一个解决方案。”

---

---