Radiology：基于卷积神经网络软件能够提高胸片中恶性肿瘤的检出率
2020-05-26 shaosai MedSci原创
利用深度卷积神经网络（DCNN）软件在胸片中检出恶性肺肿瘤结节的额外受益尚需多中心研究进行验证。
背景
利用深度卷积神经网络（DCNN）软件在胸片中检出恶性肺肿瘤结节的额外受益尚需多中心研究进行验证。
目的
本研究旨在评价放射科医师在基于深度学习的DCNN软件的辅助下检出胸片中恶性肺结节的表现与单纯放射科医师或DCNN软件表现的差异。
材料与方法
研究人员回顾性识别了600例含肺恶性肿瘤的胸片和200例正常胸片。每一个肺肿瘤的胸片均经CT或病理学验证含有1处肺恶性结节。由来自4个医学中心的12例放射科医师独立分析胸片并标记感兴趣区。利用深度学习计算机辅助诊断赚钱分别对19330胸片进行训练、测试和验证来检出可疑性肺结节。放射科医师在DCNN软件的辅助下进行审阅。利用logistics回归和poisson回归分析评价DCNN软件、放射科医师及放射科医师在DCNN软件辅助下对每一幅图像检出肺结节的敏感性、假阳性数量。
结果
当放射科医师在DCNN软件的辅助下再次审阅胸片时平均敏感性(由65.1% [1375 / 2112; 95% CI: 62.0%, 68.1%]提高到70.3% [1484 / 2112; 95% CI: 67.2%, 73.1%], P < .001)，假阳性表现的数量下降(由0.2 [488 / 2400; 95% CI: 0.18, 0.22] to 0.18 [422 / 2400; 95% CI: 0.16, 0.2], P < .001)。在本研究的12例放射科医师中，在DCNN的参与下共有104 / 2400个胸片结果变为正确诊断（从假阴性变为阳性或从假阳性变为真阴性）；共有56/2400个胸片结果变为错位诊断。
结论
本研究表明，在基于深度学习的神经卷积网络软件的辅助下，放射科医师在胸片中检出恶性肺结节的诊断表现更好。
原始出处：
Sim Y, Chung MJ, Kotter E . et al. Deep Convolutional Neural Network-based Software Improves Radiologist Detection of Malignant Lung Nodules on Chest Radiographs.DOI:10.1148/radiol.2019182465
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料，版权均属于梅斯医学所有。非经授权，任何媒体、网站或个人不得转载，授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章，或“梅斯号”自媒体发布的文章，仅系出于传递更多信息之目的，本站仅负责审核内容合规，其内容不代表本站立场，本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系，我们将立即进行删除处理。
在此留言
学习了
69
#检出率#
48
学习学习
57
#胸片#
50
#神经网络#
47