European Radiology：基于深度学习的计算机辅助诊断对评估肺结节特征和诊断方面的价值

肺癌是全世界最常见的疾病之一，2021年约占美国整体癌症相关死亡率的22%。恶性肿瘤的早期诊断对于降低死亡率至关重要，而低剂量计算机断层扫描（CT）是筛查该疾病的有效工具。2012年，胸部CT发现的偶然性肺结节的频率达到31%，这表明肺结节良恶性的准确诊断十分重要。尽管结节的特征，如边缘、形状和空气支气管征等对诊断恶性肿瘤很有帮助，但这对放射科医生来说有时还是十分困难的，特别是当结节很小的时候。此外，结节的特征高度依赖于视觉感知，不同的放射科医生的视觉感知差异较大。因此，迫切需要建立一个协助放射科医生准确描述结节的工具。

最近，人工智能（AI）已经获得了相当大的科学关注。人工智能的最新进展可归功于深度学习（DL）技术，其灵感来自人类神经网络。在放射学领域，计算机辅助诊断（CAD）的研究甚至在DL出现之前就已经开始了。如今，基于DL的CAD也被开发出来用于检测病变的存在及性质。

近日，发表在European Radiology杂志的一项研究比较了放射科医生在有无CAD协助的情况下在CT图像上对肺结节/肿块的特征和诊断进行评估的表现，为提高放射科医生的诊断信心、降低工作负荷提供了技术支持。

本研究评估了2018年1月至3月期间在大阪大学医院进行的CT上检测到的总共101个结节/肿块（恶性肿瘤：55例）。使用SYNAPSE SAI Viewer V1.4来分析结节/肿块。总共有15名独立的放射科医生根据他们的经验进行分组（n=5）：L（<3年），M（3-5年），和H（>5年）。每位放射科医生对15个特征，如空洞化和钙化，以及诊断（恶性肿瘤）的可能性进行评估，并记录了评估时间。按照多读者多案例的方法，分析了与两位经委员会认证的胸部放射科医生设定的参考标准相比的AUCs。此外，使用类内相关系数（ICCs）比较了观察者之间的一致性。 

评估了所有15位放射科医生对边界不清、边缘不规则、形状不规则、钙化、胸膜接触和恶性肿瘤的AUCs，L组的边缘不规则和形状不规则以及M组的边界不清和边缘不规则都有明显改善（P < 0.05）；H组没有发现明显改善。所有组别和几乎所有项目的ICC都有改善。评估时间的中位数没有因CAD而延长。 

图 本实验中采用的CAD截图 ，CAD将肺部结节/肿块边缘化（a）并显示特征列表（b）和三个候选的放射学报告（c）

本研究显示，CAD可以帮助放射科医生准确地描述和诊断肺部结节/肿块，尤其是对于那些经验不足（<5年）的医生来说更为重要。CAD的有用性在于不仅提高了性能（AUC），也提高了放射科医生之间诊断的可重复性（ICC）。

原文出处：

Tomohiro Wataya,Masahiro Yanagawa,Mitsuko Tsubamoto,et al.Radiologists with and without deep learning-based computer-aided diagnosis: comparison of performance and interobserver agreement for characterizing and diagnosing pulmonary nodules/masses.DOI:10.1007/s00330-022-08948-4