AI模型可以帮助放射科医生诊断肺癌

小编发现不少朋友对于 AI模型可以帮助放射科医生诊断肺癌 这方面的信息都比较感兴趣，小编就针对 AI模型可以帮助放射科医生诊断肺癌 整理了一些相关方面的信息 在这里分享给大家。

根据《学术放射学》上发表的一项新研究，基于深度学习的预测模型可以帮助医疗保健提供者诊断小肺结节。

“虽然在临床领域中快速，轻松地应用基于深度学习的模型很重要，但迄今为止，很少有文章关注其实用性，”韩国春北大学生物医学研究所的Kum J. Chae医师写道。国立大学医院和同事。“因此，本研究的目的是开发一种快速，简单的基于深度学习的模型，以对CT图像上的小肺结节进行分类，并初步评估该模型的性能和对人类检查者的有用性。”

Chae的团队收集了2015年1月至2017年12月在同一家医院接受了CT增强扫描的患者的数据。小于5毫米且大于20毫米的结节被排除在研究之外，该决定“旨在评估深度学习模型对难以诊断的结节的影响，需要第二种意见。”

最终的数据集包括208个结节(114个良性和94个恶性结节)，研究人员将30个良性和30个恶性结节分配给了测试集。另一个84个良性和64个恶性结节用于训练和验证组。两名专科放射科医生对所有CT扫描进行了审查。

作者为此研究开发了定制的深度学习模型CT-lungNET。然后将其性能与可信赖的卷积神经网络(CNN)体系结构AlexNET进行比较，该体系结构用于通过转移学习来诊断肺结节。

总的来说，当对小肺结节进行分类时，CT-lungNET的接收器工作曲线下面积(AUROC)为0.85。这高于AlexNET记录的AUROC(0.82)。与AlexNET相比，CT-lungNET在每个图像切片上的处理速度也更快(0.90秒，而8.79秒)。

当该模型用作第二审稿人时，对放射科医生的解释没有重大影响，但确实对非放射科医生有帮助，平均AUC改善了0.13。

作者写道：“我们的初步结果表明，与AlexNET相比，CT-lungNET在未增强的胸部CT上显示出更准确，更快速的小肺结节分类，” “尽管在检查了CT-lungNET的结果后放射线医师的表现并未显着提高，但非放射线医师的诊断准确性得到了提高。”

研究人员观察到，诸如CT-lungNET之类的深度学习模型可以提高对放射科医生结论的信心，即使它不一定能够提高他们的阅读性能。