深度学习有助于通过 CT 检测肺癌

模型和临床分割示例。(A) 内部测试集中患有非小细胞肺癌 (NSCLC) 的 71 岁女性。(B) 来自外部测试集的 87 岁非小细胞肺癌男性。两名患者均接受了放射治疗。显示放射治疗前采集的 CT 模拟扫描。临床分割代表放射治疗计划过程中制定的轮廓。

图片来源：RSNA

该研究发表在北美放射学会（RSNA）期刊《放射学》上。一个 

根据美国癌症协会的数据，肺癌是美国男性和女性中第二常见的癌症，也是癌症死亡的主要原因。CT 扫描对肺部肿瘤的准确检测和分割对于监测癌症进展、评估治疗反应和规划放射治疗至关重要。目前，经验丰富的临床医生在医学图像上手动识别和分割肺部肿瘤，这是一个劳动密集型的过程，容易受到医生差异的影响。 

虽然人工智能深度学习方法已应用于肺肿瘤检测和分割，但先前的研究受到数据集小、依赖手动输入以及关注分割单个肺肿瘤的限制，这凸显了对能够稳健且自动化肿瘤的模型的需求跨不同临床环境的描述。 

在本研究中，使用由常规收集的放射治疗前 CT 模拟扫描及其相关的临床 3D 分割组成的独特的大规模数据集来开发接近专家水平的肺肿瘤检测和分割模型。主要目的是开发一种模型，能够通过来自不同医疗中心的 CT 扫描准确识别和分割肺部肿瘤。

梅尔·卡什亚普，医学博士

图片来源：RSNA

“据我们所知，我们的训练数据集是文献中报道的最大的 CT 扫描和临床肿瘤分割集合，用于构建肺肿瘤检测和分割模型，”该研究的主要作者、住院医师 Mehr Kashyap 医学博士说在加利福尼亚州斯坦福市斯坦福大学医学院医学系。 

在回顾性研究中，使用 1,504 个 CT 扫描和 1,828 个分割的肺肿瘤来训练集成 3D U-Net 深度学习模型，用于肺肿瘤检测和分割。然后对该模型进行了 150 次 CT 扫描测试。将模型预测的肿瘤体积与医生描绘的体积进行比较。性能指标包括灵敏度、特异性、假阳性率和 Dice 相似系数 (DSC)。DSC 通过比较两组数据之间的重叠来计算它们之间的相似度。值 0 表示没有重叠，而值 1 表示完全重叠。将模型分割与所有三个医师分割的模型分割进行比较，以生成每个配对的模型-医师 DSC 值。 

该模型在组合 150-CT 扫描测试集上检测肺部肿瘤时实现了 92% 的灵敏度 (92/100) 和 82% 的特异性 (41/50)。对于 100 个 CT 扫描（每个扫描单个肺肿瘤）的子集，模型-医生和医生-医生分割 DSC 的中位数分别为 0.77 和 0.80。模型的分割时间比医生的分割时间短。 

Kashyap 博士认为，在开发模型时使用 3D U-Net 架构比使用 2D 架构的方法更具优势。“通过捕获丰富的层间信息，我们的 3D 模型理论上能够识别 2D 模型可能无法与血管和气道等结构区分的较小病变，”他说。 

该模型的一个局限性是它倾向于低估肿瘤体积，导致在非常大的肿瘤上表现较差。因此，Kashyap 博士警告说，该模型应在医生监督的工作流程中实施，使临床医生能够识别并丢弃错误识别的病变和较低质量的分割。 

研究人员建议，未来的研究应侧重于应用该模型来估计肺肿瘤总负荷并评估一段时间内的治疗反应，并将其与现有方法进行比较。他们还建议评估该模型根据估计的肿瘤负荷预测临床结果的能力，特别是与使用不同临床数据的其他预后模型相结合时。 

“我们的研究代表了自动化肺部肿瘤识别和分割的重要一步，”卡什亚普博士说。“这种方法可能具有广泛的影响，包括将其纳入自动治疗计划、肿瘤负荷量化、治疗反应评估和其他放射组学应用中。” 

来源：北美放射学会