伊利诺伊州橡树溪——根据北美放射学会（RSNA）期刊《放射学》今天发布的一项研究，一种新的深度学习模型在检测和分割肺部肿瘤方面显示出巨大潜力。这项研究的发现可能对肺癌治疗产生重要影响。
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。
准确检测和分割CT扫描中的肺部肿瘤对于监测癌症进展、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手动识别和分割医学图像上的肺部肿瘤，这一过程既费力又容易受到医生差异的影响。
尽管人工智能深度学习方法已应用于肺部肿瘤检测和分割，但之前的研究因数据集较小、依赖人工输入以及仅关注单个肺部肿瘤的分割而受到限制，凸显了在多样化临床环境中实现强大和自动化肿瘤勾画模型的需求。
在这项研究中，研究人员使用了一个独特的、大规模的数据集，该数据集包括常规收集的放疗前CT模拟扫描及其相关的临床3D分割，开发了一种接近专家水平的肺部肿瘤检测和分割模型。主要目标是开发一个能够在不同医疗中心的CT扫描中准确识别和分割肺部肿瘤的模型。
“据我们所知，我们的训练数据集是文献中用于构建肺部肿瘤检测和分割模型的最大CT扫描和临床肿瘤分割集合，”该研究的主要作者、斯坦福大学医学院医学系住院医师Mehr Kashyap博士说。
在这项回顾性研究中，一个集成的3D U-Net深度学习模型被用于肺部肿瘤检测和分割，使用了1,504个CT扫描图像，其中包含1,828个分割的肺部肿瘤。然后，该模型在150个CT扫描上进行了测试。模型预测的肿瘤体积与医生划定的体积进行了比较。性能指标包括敏感性、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其相似性。值为0表示没有重叠，值为1表示完全重叠。模型分割结果与三位医生的分割结果进行了比较，生成了每个配对的模型-医生DSC值。
该模型在150个CT扫描测试集中，检测肺部肿瘤的敏感性达到92%（92/100），特异性达到82%（41/50）。
对于包含每个CT扫描中单个肺部肿瘤的100个子集，模型-医生和医生-医生分割的中位DSC分别为0.77和0.80。模型的分割时间比医生更短。
Kashyap博士认为，使用3D U-Net架构开发模型相比使用2D架构具有优势。
“通过捕捉丰富的层间信息，我们的3D模型理论上能够识别2D模型无法区分的小病变，如血管和气道结构，”他说。
模型的一个局限性是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博士建议该模型应在医生监督下实施，使临床医生能够识别和丢弃错误识别的病变和低质量的分割结果。
研究人员建议，未来的研究应集中在应用该模型估计总肺部肿瘤负担和评估随时间的治疗反应，将其与现有方法进行比较。他们还建议评估该模型基于估计的肿瘤负担预测临床结果的能力，特别是当与其他使用多样临床数据的预后模型结合时。
“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，”Kashyap博士说。“这种方法可能有广泛的应用前景，包括纳入自动治疗计划、肿瘤负担量化、治疗反应评估和其他放射组学应用。”
(全文结束)
