深度学习有助于检测恶性肺癌

医学2020-10-24 17:50:48
导读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

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,如有侵权请联系删除!