雖然肺癌通常在CT圖像上顯示為肺部結節，但大多數結節是良性的，不需要進一步的臨床檢查。因此，準確區分良性和惡性結節對於早期發現癌癥至關重要。
在這項新研究中，研究人員利用深度學習開發瞭一種肺部結節評估算法，這是一種能夠在成像數據中找到某些模式的人工智能應用。研究人員在全國肺部篩查試驗中的16000多個結節的CT圖像上訓練瞭該算法，其中包括1249個惡性腫瘤。他們在丹麥肺癌篩查試驗中的三組大型結節成像數據上驗證瞭該算法。
深度學習算法取得瞭優異的成績，在肺結節惡性腫瘤風險估計方面超過瞭既定的泛加拿大肺癌早期檢測模型。它的表現與11名臨床醫生相當，包括4名胸腔放射科醫生、5名放射科住院醫生和2名肺科醫生。
該研究的第一作者、荷蘭奈梅亨的拉德堡德大學醫學中心診斷圖像分析組的博士候選人Kiran Vaidhya Venkadesh說：“該算法可能有助於放射科醫生準確估計肺部結節的惡性風險。這可能有助於優化對肺癌篩查參與者的後續建議。”
研究人員說，該算法有可能給臨床帶來幾個額外的好處。“由於不需要人工解釋結節的成像特征，擬議的算法可能會減少CT解釋中大量的觀察者之間的變異，”研究資深作者、拉德堡德大學醫學中心醫學成像系助理教授Colin Jacobs博士說。“這可能會減少不必要的診斷幹預，降低放射科醫生的工作量，並減少肺癌篩查的成本。”
研究人員計劃通過納入年齡、性別和吸煙史等臨床參數繼續改進該算法。他們還在研究一種深度學習算法，將多個CT檢查作為輸入。目前的算法非常適用於分析初始或基線篩查時的結節，但對於在後續篩查中發現的結節，與之前的CT相比，其生長和外觀非常重要。
Jacobs博士及其同事已經開發瞭其他算法，以可靠地從與慢性阻塞性肺病和心血管疾病有關的胸部CT中提取成像特征。他們將研究如何將這些成像特征有效地整合到目前的算法中。
留言列表
