深度学习在低剂量筛查CT检测肺结节恶性风险评估中的应用( Deep Learning for Malignancy Risk Estimation of Pulmonary Nodules Detected at Low-Dose Screening CT )

Kiran Vaidhya Venkadesh Arnaud A. A. Setio Anton Schreuder Ernst T. Scholten Colin Jacobs

背景胸部CT对肺结节恶性风险的准确估计是肺癌筛查中优化处理的关键。目的：开发并验证深度学习(DL)算法用于CT筛查肺结节的恶性风险估计。材料与方法本研究回顾性分析了2002年至2004年间收集的16077个结节（1249个恶性结节）的DL算法。外部验证是在2004年至2010年间从丹麦肺癌筛查试验中收集的以下三个队列中进行的：一个包含所有883个结节（65个恶性）的完整队列和随机选择的两个大小匹配（175个结节，59个恶性）和没有大小匹配（177个结节，59个恶性）的良性结节的肿瘤富集队列。在全队列和11名临床医生组成的4名胸放射科医生、5名放射科住院医师和2名肺科医生组成的组中，使用受试者工作特性曲线(AUC)下的面积来测量算法性能，并与泛加拿大肺癌早期检测（PanCan）模型的性能进行比较。结果DL算法在全队列中显著优于PanCan模型（AUC,0.93[95%CI:0.89,0.96]与0.90[95%CI:0.86,0.93]；P=0.046)。在随机良性结节（AUC,0.96[95%CI:0.93,0.99]vs 0.90[95%CI:0.81,0.98]；P=.11)和大小匹配良性结节（AUC,0.86[95%CI:0.80,0.91]vs 0.82[95%CI:0.74,0.89]；P=.26)的肿瘤富集队列中，该算法的效果与胸部放射科医生相当。结论深度学习算法对CT筛查中发现的肺结节的恶性风险估计具有良好的性能，可与胸科医师相媲美。该算法有可能为临床医生提供可靠的、可重复性的恶性肿瘤风险评分，这可能有助于优化肺癌筛查中的管理。RSNA，2021在线补充材料可用于本文。另见Tammemgi在本期的社论。

SciDown文献求助系统（解决99%问题） Public Download ResearchGate