Radiology:人工智能工具在评估CT不确性肺结节中的价值

时间:2022-10-13 15:54:35   热度:37.1℃   作者:网络

不确定的肺结节(IPNs)定义为直径为3厘米或更小的圆形不透明结节,周围是通气的肺实质,由于缺乏明显的良性特征,因此给临床医生带来了诊断上的挑战。作为常规临床护理的一部分,IPNs通常在胸部CT扫描中通常为偶然发现,而且越来越多的IPNs肺癌筛查中被发现。

由于大多数IPNs是良性的,因此临床医生必须准确评估恶性风险,恶性病变进行准确早期的诊断及治疗,同时避免对良性结节患者进行不必要的检查和手术。然而,先前的研究表明,在对IPNs进行风险分层时,放射科医生的意见差异较大胸部临床医生对实践指南的遵守也不一致。

最近,临床上开发出了使用原始CT数据的放射组学工具,以帮助临床医生进行IPNs恶性或良性分类。肺癌预测卷积神经网络(LCP-CNN)是一个基于人工智能的计算机辅助诊断(CAD)模型,是利用国家肺部筛查试验的数据得出并进行内部验证,在两个偶然发现IPNs的患者队列中得到了外部验证。在这些队列中,LCP-CNN模型提供的恶性肿瘤风险估计值比Brock和Mayo的风险预测模型都有更大的区分度。然而,要使LCP-CNN等CAD工具具有实际的临床效用,它们必须为临床医生判析IPN的胸部CT成像结果提供额外的诊断效益。

近日,发表在Radiology杂志的一项研究评估了LCP-CNN CAD工具对放射科医生和胸部临床医生在胸部CT扫描中对IPNs进行风险分层的效果,并评估了LCP-CNN CAD对临床医生对偶然发现或肺癌筛查发现的IPN的风险分层和管理的影响。

本项研究在2020年6月和7月期间存在IPNs的胸部CT研究进行回顾性多读者多病例研究。阅片员只使用CT成像数据,为每个没有和有CAD的病例提供恶性肿瘤风险估计和管理建议。使用Obuchowski-Rockette和Dorfman-Berbaum-Metz方法评估了CAD对读者平均诊断表现的影响,以计AUC、敏感性和特异性的估计值。多方Fleiss κ统计用于衡量观察者之间对恶性肿瘤风险和管理建议的一致性。

12位读者(6位放射科医生,6位肺科医生)共审查了300张最大直径为5-30毫米(50.0%为恶性)的IPN的胸部CT扫描(患者中位年龄,65岁;IQR,59-71岁;164[55%]男性)。读者的平均AUC从0.82提高到0.89(P < .001)。在恶性肿瘤风险阈值为5%和65%时,使用CAD的平均敏感性分别从94.1%提高到97.9%(P = .01)以及从52.6%提高到63.1%(P < .001)。读者平均特异性分别从37.4%提高到42.3%(P = .03)和从87.3%提高到89.9%(P = .05)。对于小于5%(Fleiss κ,0.50 vs 0.71;P < .001)和大于65%(Fleiss κ,0.54 vs 0.71;P < .001)的恶性肿瘤风险类别,读者的观察者间一致性随着CAD的发展而提高。读者对管理建议类别(不采取行动、CT监测、诊断程序)的总体观察者间一致性也随着CAD的发展而提高(Fleiss κ,0.44 vs 0.52;P = .001)。


图 研究中具有带表现的示例。A 恶性结节,肺癌预测评分为10;B 良性结节,肺癌预测评分为2

本研究发现,基于人工智能的计算机辅助诊断(CAD)工具改善了放射科医生和胸部临床医生在评估胸部CT扫描不确定肺结节(IPNs)的恶性风险时的表现,并改善了极低风险和高风险IPN类别的一致性,为使CAD工具更接近于临床实施IPN风险分层提供了重要支持。

 

原文出处:

Roger Y Kim,Jason L Oke,Lyndsey C Pickup,et al.Artificial Intelligence Tool for Assessment of Indeterminate Pulmonary Nodules Detected with CT.DOI:10.1148/radiol.212182

上一篇: 【每日病例分享】左侧胸膜间皮瘤并大量胸腔...

下一篇: 经右胸胸腔镜下食管癌伴主动脉右反位根治术


 本站广告