深度学习有助于检测恶性肺癌

伊利诺伊州奥克布鲁克市-根据《放射学》杂志上发表的研究，在基于深度学习的软件的协助下，放射科医师能够更好地在胸部X光片上检测出恶性肺癌。

延世大学医学院教授，​​心胸放射科医师Byoung Wook Choi博士说：“当放射科医师使用深度学习软件重新检查X射线时，其平均敏感性提高了5.2%。”韩国首尔延世大学卫生系统放射科“与此同时，减少了每张图像的假阳性结果。”

崔博士说，肺部病变的特征包括大小，密度和位置，使得在胸部X光片上检测肺结节更具挑战性。但是，机器学习方法(包括深度卷积神经网络(DCNN)的实现)有助于改善检测能力。

深度学习是一种人工智能，它使计算机可以根据现有的数据关系完成任务。以大脑结构为模型的DCNN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了总计800幅X射线，包括200例正常胸部扫描和600例CT成像或病理检查证实具有至少一个恶性肺结节(50例正常和150例癌症)机构)。肺癌X线检查证实有704个恶性结节(78.6%的原发性肺癌和21.4%的转移性)。大部分结节(56.1%)在1cm至2cm之间，而43.9%在2cm至3cm之间。

第二组放射科医生，包括来自每个机构的三名放射科医生，对有或无癌结节的胸部X光片进行了解释。然后，阅读者借助DCNN软件重新读取了相同的X射线，该软件经过训练可以检测肺结节。

借助DCNN软件，平均敏感性或发现现有癌症的能力从放射线阅读者的65.1%显着提高到70.3%。借助该软件，每张X射线的误报数(错误地报告存在癌症)从放射线医生的0.2下降到了放射线医生的0.18。

崔博士说：“由于计算机辅助检测软件可提供较高的假阳性率，因此其假阳性率很高，因此未被广泛接受和使用，尽管它具有较高的敏感性。”“ DCNN可能是减少误报数量的解决方案。”

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！