Radiology:卷积神经网络，使评估肺结节每天的体积变化成为不太可能！

旧金山国家所肠胃部筛查试验中揭示，低剂量CT筛查肠胃癌是一种可下降总死亡率的具有经济效益的检查策略。有学术研究暗示，通过计算机辅助截面积检测（CADv）软件高效率的总突起截面积测算及总突起大大减少间隔时间（DT）可分析分析方法于突起的检验及分类法。此外，几项学术研究暗示，与总突起较小来得，磨墙身突起内实性所含的最大直径与浸润性和病状的关联较为精确。因此，在近几年来针对亚实性肠胃癌的全球性胃癌支配TNM分类法的第八版当中，CT所测算的肠胃突起内实性所含的较小已作为病理T位点分析分析方法于肠胃癌的再行。

全面性，还包括变换人工神经网络（CNN）在内的智能可对CT上所发现的突起进行检测、表征和筛选。然而，据我们熟识，尚未有关于分析分析方法于CADv启动时测算突起所含及截面积高效率的CNN技术性的相关报道。

近日，刊载在Radiology华尔街日报的一项学术研究探究了修改CADv的深度学习分析方法在颈部CT上测算突起实性所含和磨墙身运动速度影(GGO)截面积、大大减少间隔时间(DT)和截面积变化特别的效果，为病理早期检验及预期可能为肠胃癌的肠胃突起包括了技术开发。

本学术研究回顾性高效率了2014年1月底至2016年12月底在此期间CT检验有肠胃突起的病变的图像。在有及很难变换人工神经网络(CNN)情况下分析分析方法于CADv启动时确定每天的突起总截面积变化和DT。比较有CNN和很难CNN的CADv当中筛选突起贵恶性的所有高效率、每个突起的曲线下面积(AUCs)和每个病变的检验精准性。

CNN训练集还还包括217名病变共294个肠胃突起，证明集还还包括32名病变共41个肠胃突起，证明集还还包括188名病变共290个肠胃突起。来自170则有病变的290个肠胃突起(平均较小±平均数，11mm±5;范围:4- 29mm)当中，检验为恶性突起的有132个，贵性突起有158个。实性突起132则有(46%)，亚实性突起106则有(36%)，磨墙身运动速度突起52则有(18%)。证明集的检验性能结果暗示,有CNN的CADv每天突起总截面积变化大于有CNN的CADv的DT(AUC, 0.94 [95% CI: 0.90, 0.96] vs 0.67 [95% CI: 0.60, 0.74]; P < .001)和很难CNN的CADv的DT (每天突起总截面积变化: AUC, 0.69 [95% CI: 0.62, 0.75]; P < .001; DT: AUC, 0.58 [95% CI: 0.51, 0.65]; P < .001)。有CNN的CADv的每天突起总截面积变化的精准性显著高于无CNN的CADv (P < .001)及有或很难CNN的CADv的DT (P < .001)。

表1 在290个肠胃突起的证明病则有(n = 170)当中，以每个突起为基础，比较有和很难CNN的CADv当中每个高效率的检验性能。

表2 在290个肠胃突起的证明病则有(n = 170)当中，以每个突起为基础，比较有和很难CNN的CADv当中每个参数的检验性能。

本学术研究暗示，变换人工神经网络可分析分析方法于提高薄层CT的计算机辅助截面积（CADv）测算对突起检测及筛选检验的精准性。对分析分析方法于CADv检测的突起进行高效率时，以每天的突起总截面积变化来判断是否为恶性比以突起大大减少间隔时间较为精准。本学术研究为病理包括了一个快速、可靠且可重复性强的高效率肠胃突起的影像学策略，为智能在病理上的促使分析分析方法拓宽了道路。

原文出处：

Yoshiharu Ohno,Kota Aoyagi,Atsushi Yaguchi,et al.Differentiation of Benign from Malignant Pulmonary Nodules by Using a Convolutional Neural Network to Determine Volume Change at Chest CT.DOI:10.1148/radiol.2020191740