基于深度学习的人工智能胸部CT肺结节检测效能评估
发布时间：2021-02-28 23:43
背景与目的肺结节精确检测是实现肺癌早诊的基础。基于深度学习的人工智能在肺内结节检测领域发展迅速,对其效能进行验证是促进其应用于临床的前提。本研究旨在评估基于深度学习技术的人工智能软件在胸部计算机断层扫描（computed tomography, CT）恶性及非钙化结节检出中的价值。方法由天津医科大学总医院自建胸部CT肺结节数据库中随机抽取200例胸部CT数据,包含病理证实的肺癌及随访结节病例,导入肺结节人工智能识别系统,记录软件自动识别结节,并与原始影像报告结果进行对比。人工智能软件及阅片者检测到的结节由2名胸部专家进行评估并记录其大小及特征。计算灵敏度、假阳性率评估人工智能软件及医师的结节检测效能,应用McNemar检验确定二者之间是否存在显著性差异。结果 200例胸部多层螺旋CT共包含非钙化结节889枚,其中肺癌结节133枚,小于5 mm结节442枚。人工智能及放射科医师肺癌检出率皆为100%。人工智能软件结节检测灵敏度明显高于放射科医师（99.1%vs 43%, P<0.001）。人工智能总体假阳性率为每例CT 4.9个,排除5 mm以下结节后降为1.5个。结论基于深度学习...
【文章来源】：中国肺癌杂志. 2019,22(06)北大核心
【文章页数】：5 页
【部分图文】：
右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测
中国肺癌杂志2019年6月第22卷第6期ChinJLungCancer,June2019,Vol.22,No.6·339·图1右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测。Fig1Apart-solidnodulelocatedinrightlowerlobe,connectedtothebronchioles,10.7mmindiameter,43.3mmfarfromthepleura,missedbyradiologist,butdetectedbyAI.图2右肺上叶花环状小叶核心结构，AI假阳性。Fig2Centrilobularnoduleswithagarlandshapelocatedinrightupperlobe,falsepositivecasebyAI.图3右肺下叶增厚、扩张的细支气管，AI假阳性。Fig3Thickened,dilatedbronchioleslocatedinrightlowerlobe,falsepositivecasebyAI.假阳性结节的学习尚有欠缺。AI作为当前科学技术发展中的一门广泛应用于医学领域的前沿学科，对肺结节进行检测是人工智能医疗发展的方向[7,8]。深度学习是通过构建深层网络结构进行多层次特征学习的人工智能方法，对比传统的计算机辅助检测系统（computer-aideddetection,CAD）系统具有优势。本研究所采用的软件基于三维卷积神经网络（3D-convolutionalneuralnetwork,3D-CNN）利用深度学习进行目标检测，能够充分利用肺结节的空间三维信息[9]。深度学习模型对肺门区、胸膜下区及非实性结节的检出能力明显提高[10,11]，对实性结节的敏感度比文献报道中更高[12,13]。深度学习模型有较快的运算速度，随着经验的不断积累、模型的不断迭代，其诊断敏感度及准确性也会不断上升，而且假阳性也会得到控制。本研究的局限性在于数据集病例数选择标准基于回顾性的病例选取，病例均为医师发现的病例，临床中漏诊的病例无法通过回顾性病例选择获得，因此存在一定的选择性偏倚。综上所述，基于深度学?
中国肺癌杂志2019年6月第22卷第6期ChinJLungCancer,June2019,Vol.22,No.6·339·图1右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测。Fig1Apart-solidnodulelocatedinrightlowerlobe,connectedtothebronchioles,10.7mmindiameter,43.3mmfarfromthepleura,missedbyradiologist,butdetectedbyAI.图2右肺上叶花环状小叶核心结构，AI假阳性。Fig2Centrilobularnoduleswithagarlandshapelocatedinrightupperlobe,falsepositivecasebyAI.图3右肺下叶增厚、扩张的细支气管，AI假阳性。Fig3Thickened,dilatedbronchioleslocatedinrightlowerlobe,falsepositivecasebyAI.假阳性结节的学习尚有欠缺。AI作为当前科学技术发展中的一门广泛应用于医学领域的前沿学科，对肺结节进行检测是人工智能医疗发展的方向[7,8]。深度学习是通过构建深层网络结构进行多层次特征学习的人工智能方法，对比传统的计算机辅助检测系统（computer-aideddetection,CAD）系统具有优势。本研究所采用的软件基于三维卷积神经网络（3D-convolutionalneuralnetwork,3D-CNN）利用深度学习进行目标检测，能够充分利用肺结节的空间三维信息[9]。深度学习模型对肺门区、胸膜下区及非实性结节的检出能力明显提高[10,11]，对实性结节的敏感度比文献报道中更高[12,13]。深度学习模型有较快的运算速度，随着经验的不断积累、模型的不断迭代，其诊断敏感度及准确性也会不断上升，而且假阳性也会得到控制。本研究的局限性在于数据集病例数选择标准基于回顾性的病例选取，病例均为医师发现的病例，临床中漏诊的病例无法通过回顾性病例选择获得，因此存在一定的选择性偏倚。综上所述，基于深度学?
本文编号：3056626
【文章来源】：中国肺癌杂志. 2019,22(06)北大核心
【文章页数】：5 页
【部分图文】：
右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测
中国肺癌杂志2019年6月第22卷第6期ChinJLungCancer,June2019,Vol.22,No.6·339·图1右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测。Fig1Apart-solidnodulelocatedinrightlowerlobe,connectedtothebronchioles,10.7mmindiameter,43.3mmfarfromthepleura,missedbyradiologist,butdetectedbyAI.图2右肺上叶花环状小叶核心结构，AI假阳性。Fig2Centrilobularnoduleswithagarlandshapelocatedinrightupperlobe,falsepositivecasebyAI.图3右肺下叶增厚、扩张的细支气管，AI假阳性。Fig3Thickened,dilatedbronchioleslocatedinrightlowerlobe,falsepositivecasebyAI.假阳性结节的学习尚有欠缺。AI作为当前科学技术发展中的一门广泛应用于医学领域的前沿学科，对肺结节进行检测是人工智能医疗发展的方向[7,8]。深度学习是通过构建深层网络结构进行多层次特征学习的人工智能方法，对比传统的计算机辅助检测系统（computer-aideddetection,CAD）系统具有优势。本研究所采用的软件基于三维卷积神经网络（3D-convolutionalneuralnetwork,3D-CNN）利用深度学习进行目标检测，能够充分利用肺结节的空间三维信息[9]。深度学习模型对肺门区、胸膜下区及非实性结节的检出能力明显提高[10,11]，对实性结节的敏感度比文献报道中更高[12,13]。深度学习模型有较快的运算速度，随着经验的不断积累、模型的不断迭代，其诊断敏感度及准确性也会不断上升，而且假阳性也会得到控制。本研究的局限性在于数据集病例数选择标准基于回顾性的病例选取，病例均为医师发现的病例，临床中漏诊的病例无法通过回顾性病例选择获得，因此存在一定的选择性偏倚。综上所述，基于深度学?
中国肺癌杂志2019年6月第22卷第6期ChinJLungCancer,June2019,Vol.22,No.6·339·图1右肺下叶部分实性结节，与细支气管相连，直径10.7mm，距胸膜43.3mm，影像医师漏诊，AI实现检测。Fig1Apart-solidnodulelocatedinrightlowerlobe,connectedtothebronchioles,10.7mmindiameter,43.3mmfarfromthepleura,missedbyradiologist,butdetectedbyAI.图2右肺上叶花环状小叶核心结构，AI假阳性。Fig2Centrilobularnoduleswithagarlandshapelocatedinrightupperlobe,falsepositivecasebyAI.图3右肺下叶增厚、扩张的细支气管，AI假阳性。Fig3Thickened,dilatedbronchioleslocatedinrightlowerlobe,falsepositivecasebyAI.假阳性结节的学习尚有欠缺。AI作为当前科学技术发展中的一门广泛应用于医学领域的前沿学科，对肺结节进行检测是人工智能医疗发展的方向[7,8]。深度学习是通过构建深层网络结构进行多层次特征学习的人工智能方法，对比传统的计算机辅助检测系统（computer-aideddetection,CAD）系统具有优势。本研究所采用的软件基于三维卷积神经网络（3D-convolutionalneuralnetwork,3D-CNN）利用深度学习进行目标检测，能够充分利用肺结节的空间三维信息[9]。深度学习模型对肺门区、胸膜下区及非实性结节的检出能力明显提高[10,11]，对实性结节的敏感度比文献报道中更高[12,13]。深度学习模型有较快的运算速度，随着经验的不断积累、模型的不断迭代，其诊断敏感度及准确性也会不断上升，而且假阳性也会得到控制。本研究的局限性在于数据集病例数选择标准基于回顾性的病例选取，病例均为医师发现的病例，临床中漏诊的病例无法通过回顾性病例选择获得，因此存在一定的选择性偏倚。综上所述，基于深度学?
本文编号：3056626
本文链接：https://www.wllwen.com/linchuangyixuelunwen/3056626.html
最近更新
教材专著
