Thorax：一种预测肺结节恶性程度卷积神经网络人工智能工具的外部验证
2020-03-06 xiangting MedSci原创
与布鲁克模型相比，LCP-CNN评分具有更好的辨别力，可以识别更多的良性结节而不会遗漏癌症。
对CT检测到肺结节的恶性风险进行评估对于临床治疗至关重要。人工智能（AI）的使用为改善风险预测提供了机会。这里比较了一种AI算法，即肺癌预测卷积神经网络（LCP-CNN）与英国指南推荐的布鲁克大学模型的性能。
研究人员从英国三家医院回顾性收集偶然发现的5-15mm肺结节数据集，并用于验证研究。每个结节的真实诊断均基于组织学（任何癌症均需要）、分辨率、稳定性或（仅针对肺淋巴结）专家意见。1187名患者中有1397个结节，其中229名患者中的234个结节（19.3％）是癌症。使用预定义的分数阈值比较了布鲁克模型与LCP-CNN的模型区分度和性能统计数据。
LCP-CNN的曲线下面积为89.6％（95％CI 87.6-91.5），而布鲁克模型为86.8％（95％CI 84.3-89.1）（p≤0.005）。使用LCP-CNN，研究人员发现24.5％的结节评分低于最低的癌结节评分，而使用布鲁克评分则为10.9％。使用预定义的阈值，研究人员发现LCP-CNN产生1例假阴性（占癌症的0.4％），而Brock模型产生6例假阴性（占2.5％），而两种模型的特异性相似。
与布鲁克模型相比，LCP-CNN评分具有更好的辨别力，可以识别更多的良性结节而不会遗漏癌症。这可以明显减少所需随访CT扫描的比例，从而节省大量资源。
原始出处：
David
R Baldwin. External validation of a convolutional neural network artificial
intelligence tool to predict malignancy in pulmonary nodules. Thorax. 05 March
2020.
本文系梅斯医学(MedSci)原创编译整理，转载需授权！
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
请问这个模型在哪里可以找到呀
45
一种预测#肺结节#恶性程度#卷积神经网络##人工智能#工具，应该是发展方向。与狗狗是一个道理
221
#神经网络#
31