AI新刊收錄長征醫院AI新成果，深度學習模型可降低外界因素對診斷影響
北京時間5月30日，并列于RSNA旗下國際放射學頂級期刊《Radiology》，在AI領域的新刊《Radiology：Artificial Intelligence》收錄了名為《Evaluating a Fully Automated Pulmonary Nodule Detection Approach and Its Impact on Radiologist Performance（全自動肺結節檢測方法及其對影像科醫生的影響評估）》的科研成果。
本次研究由中華醫學會放射學分會候任主任委員、上海長征醫院影像醫學與核醫學科主任劉士遠教授團隊與推想科技科研團隊合作推進。文中提出的深度學習模型可以提升不同類別肺結節檢出的靈敏度，且不受輻射劑量、患者年齡或放射設備品牌影響。同時，該模型可提升人工檢測靈敏度并減少閱片時間。
研究過程中，合作團隊從國內多家頂級醫院共回顧性收集13，159張薄層CT圖像，并把滿足入組標準的12，754張圖像隨機分為“訓練＋驗證集”（91．1％）和“測試集”（8．9％），用以評估深度學習模型。
基于推想科技AI學者科研平臺InferScholar Center，研究人員將兩個CNN模型組成一個深度學習模型神經網絡，一個是作為特征提取器的DenseNet模型， 另一個是作為探測器的Faster R－CNN 模型。在這個模型中， DenseNet被用于特征提取和反向傳播。
不同于常規CNN， DenseNet可直接被連接而形成密集的連接網絡，這樣可以減少神經網絡層數， 保持特征密度，提高模型的整體表現力。在研究過程中，測試數據中包含了在真實臨床環境下存在的隊列設計：不同的輻射劑量（低劑量和標準劑量）、患者年齡（3個年齡組）和放射設備品牌（4個品牌設備）。
通過與高年資醫生雙盲實驗設定的金標準對比，本文中提出的深度學習模型相較于人工檢測肺結節的靈敏度有所提高。自由響應受試者工作特征曲線（FROC）表現出高達0．86的靈敏度（每掃描包含8個假陽）。同時模型的平均表現與輻射劑量、患者年齡、設備品牌均無統計上的敏感性聯系。
此外，研究還比較了放射科醫生在深度學習模型幫助下的表現。兩位獨立的放射科醫生首先在不使用深度學習模型的情況下單獨閱片，然后在二次讀片期間使用深度學習模型作為輔助。
測試發現，兩位放射科醫生在使用深度學習模型后檢測的靈敏度在所有類型的結節中都得到了提高；與不使用深度學習模型的醫生相比相比， 兩位放射科醫生的閱讀時間更短。
同時，根據患者水平檢測LROC曲線顯示， 在深度學習的輔助下， 放射科醫生診斷的靈敏度得到了提高，并且具有較高的特異性和敏感性。
該研究成果的發表，意味著上海長征醫院與推想科技聯合研發的深度學習模型不僅具有極高的性能表現，可以作為輔助工具幫助放射科醫生大幅提升工作效率和準確率，更重要的是可以將外界因素（輻射劑量、患者年齡、設備品牌）的影響降到最低，具有極強的魯棒性。這對于降低患者的輻射損害、節約醫療成本等方面均具有重要的意義。
總的來說，此次研究再次表明深度學習定制化模型對于臨床實際問題解決的重要性，這也正是推想AI學者科研平臺InferScholar Center的使命。
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
