62岁男性原发性腺癌的影像学研究。（a，b）后前（PA）数字胸片。（a） 在没有深度卷积神经网络（DCNN）软件帮助的情况下，三个阅读器（阅读器10、11和12）将该图像解释为正常胸片。（b） 根据DCNN的建议（虚线圈），所有的读者都能识别出一个真正的结节（黄色圈）。（c） 同一天获得的轴向CT图像显示右上叶顶端有一个25mm的实体肿块（箭头所示）。
资料来源:北美放射学会
崔医生表示，由于肺部病变的大小、密度、位置等特点，在胸部x光检查中很难发现肺结节。然而，机器学习方法，包括深度卷积神经网络(DCNN)的实现，有助于提高检测。
深度学习是一种人工智能，允许计算机根据现有的数据关系完成任务。DCNN模仿大脑结构，采用多个隐藏层和模式对图像进行分类。
在这项回顾性研究中，放射科医师从4个参与中心随机选取共800张x线片，包括200张正常胸部x线片和600张经CT影像或病理检查证实至少有1个恶性肺结节的x线片(每个机构50张正常，150张癌变)。肺癌x线片中确诊恶性结节704例(78.6%为原发肺癌，21.4%为转移性肺癌)。1cm ~ 2cm的结节占56.1%，2cm ~ 3cm的结节占43.9%。
广告
广告
另一组放射科医生(每家医院三名)负责对选定的胸片进行诊断，检查是否有癌性结节。然后，阅读器在DCNN软件的帮助下重新读取同样的x光片，该软件经过训练可以检测肺结节。
在DCNN软件的帮助下，平均灵敏度或检测现有癌症的能力显著提高，从放射科医师单独阅读的65.1%提高到70.3%。在软件的帮助下，每一张x光片的误报率从放射科医生的0.2下降到0.18。“计算机辅助检测软件检测肺结节还没有被广泛接受和使用，因为它的假阳性率很高，尽管它提供了相对较高的敏感性，”Choi医生说。“DCNN可能是减少假阳性数量的一个解决方案。”
资料来源：北美放射学会
