小編發現不少朋友對于 AI模型可以幫助放射科醫生診斷肺癌 這方面的信息都比較感興趣，小編就針對 AI模型可以幫助放射科醫生診斷肺癌 整理了一些相關方面的信息 在這里分享給大家。

根據《學術放射學》上發表的一項新研究，基于深度學習的預測模型可以幫助醫療保健提供者診斷小肺結節。

“雖然在臨床領域中快速，輕松地應用基于深度學習的模型很重要，但迄今為止，很少有文章關注其實用性，”韓國春北大學生物醫學研究所的Kum J. Chae醫師寫道。國立大學醫院和同事。“因此，本研究的目的是開發一種快速，簡單的基于深度學習的模型，以對CT圖像上的小肺結節進行分類，并初步評估該模型的性能和對人類檢查者的有用性。”

Chae的團隊收集了2015年1月至2017年12月在同一家醫院接受了CT增強掃描的患者的數據。小于5毫米且大于20毫米的結節被排除在研究之外，該決定“旨在評估深度學習模型對難以診斷的結節的影響，需要第二種意見。”

最終的數據集包括208個結節(114個良性和94個惡性結節)，研究人員將30個良性和30個惡性結節分配給了測試集。另一個84個良性和64個惡性結節用于訓練和驗證組。兩名專科放射科醫生對所有CT掃描進行了審查。

作者為此研究開發了定制的深度學習模型CT-lungNET。然后將其性能與可信賴的卷積神經網絡(CNN)體系結構AlexNET進行比較，該體系結構用于通過轉移學習來診斷肺結節。

總的來說，當對小肺結節進行分類時，CT-lungNET的接收器工作曲線下面積(AUROC)為0.85。這高于AlexNET記錄的AUROC(0.82)。與AlexNET相比，CT-lungNET在每個圖像切片上的處理速度也更快(0.90秒，而8.79秒)。

當該模型用作第二審稿人時，對放射科醫生的解釋沒有重大影響，但確實對非放射科醫生有幫助，平均AUC改善了0.13。

作者寫道：“我們的初步結果表明，與AlexNET相比，CT-lungNET在未增強的胸部CT上顯示出更準確，更快速的小肺結節分類，” “盡管在檢查了CT-lungNET的結果后放射線醫師的表現并未顯著提高，但非放射線醫師的診斷準確性得到了提高。”

研究人員觀察到，諸如CT-lungNET之類的深度學習模型可以提高對放射科醫生結論的信心，即使它不一定能夠提高他們的閱讀性能。