一项新的研究显示，一种新型人工智能模型在检测和勾勒CT扫描图像中的肺部肿瘤方面表现出高准确性。这项研究成果发表在《放射学》杂志上，可能会帮助医生更高效地诊断和治疗肺癌，减少手动识别肿瘤所需的时间和努力。
肺癌在美国男性和女性中是最常见的癌症之一，并且仍然是癌症相关死亡的主要原因，根据美国癌症协会的数据。
在CT扫描图像上检测和跟踪肿瘤对于监测癌症进展、评估治疗效果以及规划放射治疗至关重要。目前，这一过程需要有经验的放射科医生手动识别和勾勒肺部肿瘤，这是一个耗时的任务，并且因医生而异。
为了辅助肿瘤检测，已经引入了基于人工智能的深度学习模型，但以前的模型由于数据集较小、依赖手动调整以及在分割多个肿瘤方面的局限性而面临挑战。
为了解决这些问题，研究人员开发了一种更为先进的深度学习模型，该模型在一个用于此类研究的最大规模的肺癌CT扫描数据集上进行了训练。
该研究由斯坦福大学医学院的Mehr Kashyap博士领导，使用了1504个带有1828个已分割肺部肿瘤的CT扫描图像来训练一个名为3D U-Net的深度学习模型。
然后，该模型在150个CT扫描图像上进行了测试，将其识别的肿瘤与人类医生的结果进行比较。目的是确定AI能否匹配甚至超越专业放射科医生的准确性。
结果令人鼓舞。该模型在92%的病例中正确识别了肺部肿瘤，并且具有82%的特异性率，意味着它在避免假阳性方面表现良好。当比较AI和医生勾勒肿瘤的准确性时，模型的表现非常接近人类水平。
对于包含单个肺部肿瘤的100个扫描图像，AI的分割与医生绘制的轮廓相似度为77%，而医生之间的相似度为80%。这表明该模型几乎可以像人类专家一样分割肿瘤，同时节省了时间。
该模型的一个关键优势在于其采用3D方法而非传统的2D方法。许多过去的AI模型分析单个扫描切片，有时会导致误识别，将肿瘤误认为血管或气道。
相比之下，3D U-Net模型处理完整的CT扫描图像，使其能够识别较小的肿瘤并在不同图像之间做出更一致的决策。
尽管取得了成功，该模型仍然存在一些局限性。它有时会低估肿瘤大小，尤其是在处理非常大的肿瘤时，这可能会影响治疗计划。
因此，Kashyap博士建议该模型应在医生监督的工作流程中使用，允许医生审查和调整AI生成的结果。
展望未来，研究人员计划探索这种AI工具的更多应用。未来的研究可以测试该模型是否能够跟踪肿瘤随时间的变化，帮助医生监测癌症进展和治疗反应。
另一个感兴趣的领域是AI是否可以根据肿瘤大小和形状结合其他医疗数据预测患者预后。
Kashyap博士认为，这项研究是迈向自动化肺癌诊断的重要一步。像这样的AI模型可以集成到治疗计划、肿瘤监测甚至个性化医学中，使肺癌护理在未来更加高效和可及。
(全文结束)
