深度學習係統（DLS）作為一項新興的人工智能技術，可直接從數據中學習影像特征，越來越被人們所熟識及使用。
隨著人們健康意識的逐漸增強，在計算機斷層掃描(CT)上檢測肺部結節成為放射科醫生的一項重要而又費時的工作。原發性肺癌的發病率最高，是癌症中的主要死因，早期發現仍然是提高肺癌患者生存率的最佳方法。全身其他部位的癌症也容易擴散到肺部，早期發現肺部轉移對優化治療選擇至關重要。
深度學習係統(DLS)作為一項新興的人工智能技術，可直接從數據中學習影像特征，越來越被人們所熟識及使用。隨著大數據集的出現和計算能力的提高，DLS在從胸部CT圖像中檢測肺部結節方麵取得了初步成功，但其範圍僅限於有固定圖像協議的肺癌篩查項目。在日常工作中，如何將DLS與CT結合起來進行更廣泛的應用成為一項人們迫切需要解決的問題。
近日，發表在EuropeanRadiology雜誌的一項研究評估了自動檢測肺部結節的深度學習係統(DLS)作為影像科醫生輔助診斷的價值。
本項單中心回顧性研究篩選了2018年9月至2019年2月的21150份連續CT掃描。在軸位CT圖像上標記由DLS檢測到但在最初的放射學報告中未提及的肺部結節。被標記的圖像由四位獲得委員會認證的放射科醫生評分，每位醫生至少有5年的經驗。然後，根據2017年Fleischner肺結節指南，將得分為2(可以理解的錯過)或3(不應錯過)的結節分為不可能有臨床意義(2a或3a)或可能有臨床意義(2b或3b)。漏報率被定義為獲得2或3分的圖像總數除以篩選的圖像總數。
在DLS標記的172個結節中，60個(35%)漏檢結節被放射科醫生確認。這些結節分別在24、14、10和12項研究中被進一步歸類為2a、2b、3a和3b，總體陽性預測值為35%。在所有CT圖像中，有0.3%發現了遺漏的肺部結節，其中三分之一的病變被認為具有臨床意義。
圖遺漏的肺結節示例，50歲男性，有肝細胞癌(HCC)治療後定期隨訪的病史史。深度學習係統(DLS)在左肺上葉檢測到一個7毫米的磨玻璃密度灶(GGO)(a;放大圖 b)。在3個月的隨訪中，發現這個GGO的密度有所增加(c)。患者接受了手術，組織病理學結果為原位腺癌。患者接受了切除手術，HCC或肺癌均未複發。在DLS的提醒下，治療方法有所改變。
使用DLS輔助的自動檢測係統進行輔助診斷，可以發現需對具有臨床意義的被遺漏的肺部結節。因此臨床上有必要進一步收集數據和改進反饋係統，以確定早期肺癌檢測的經濟效益，加強放射科醫生對肺結節的檢測。
原文出處：
Kueian Chen,Ying-Chieh Lai,Balamuralidhar Vanniarajan,et al.Clinical impact of a deep learning system for automated detection of missed pulmonary nodules on routine body computed tomography including the chest region.DOI:10.1007/s00330-021-08412-9
我要跟帖copyright©醫學論壇網 版權所有，未經許可不得複製、轉載或鏡像
京ICP證120392號 京公網安備110105007198 京ICP備10215607號-1 （京）網藥械信息備字（2022）第00160號
