肺癌筛查的计算机辅助诊断

ditikhatun11

引入以用户为中心的通用界面，帮助放射科医生利用机器学习模型进行肺癌筛查。该系统将计算机断层扫描 (CT) 成像作为输入，并输出癌症怀疑评级以及相应的感兴趣区域。 肺癌是全球癌症相关死亡的主要原因，年报告死亡人数为 180 万人。晚期诊断会大大降低生存机会。通过计算机断层扫描(CT) 进行肺癌筛查可提供详细的肺部 3D 图像，事实证明，通过更早地检测潜在的癌症迹象，可以将高危人群的死亡率降低至少 20%。在美国，筛查涉及每年一次扫描，一些国家或病例建议或多或少地进行扫描。 美国预防服务工作组最近将肺癌筛查建议扩大了约 80%，预计这将增加女性和少数族裔群体的筛查机会。然而，假阳性（即错误地报告无癌症患者的潜在癌症）可能会引起焦虑，并导致患者接受不必要的手术，同时增加医疗保健系统的成本。

根据医疗基础设施和放射科医生的可用性，筛查大量个体的效率可能具有挑战性。 在谷歌，我们之前开发了用于肺癌检测的机器学习（ML）模型，并评估了它们自 香港电报吗数据库 动检测和分类显示潜在癌症迹象的区域的能力。事实证明，在检测可能的癌症方面，其性能可与专家相媲美。虽然他们取得了很高的绩效，但要充分发挥他们的潜力，在现实环境中有效地传达发现是必要的。 为此，在《Radiology AI》上发表的《肺癌筛查中的辅助人工智能：美国和日本的回顾性跨国研究》中，我们研究了 ML 模型如何有效地将研究结果传达给放射科医生。我们还引入了一个以用户为中心的通用界面，以帮助放射科医生利用此类模型进行肺癌筛查。该系统以 CT 成像作为输入，并使用四个类别（无怀疑、可能良性、可疑、高度可疑）以及相应的感兴趣区域输出癌症怀疑评级。我们通过在美国和日本进行的随机读者研究，使用当地癌症评分系统和模仿现实设置的图像查看器，评估该系统在提高临床医生绩效方面的效用。我们发现，在两项读者研究中，读者特异性随着模型的帮助而增加。




为了加快利用 ML 模型进行类似研究的进展，我们拥有开源代码来处理 CT 图像并生成与放射科医生使用的图片存档和通信系统(PACS) 兼容的图像。 开发一个接口来传达模型结果 将 ML 模型集成到放射科医生工作流程中需要了解其任务的细微差别和目标，以便为他们提供有意义的支持。在肺癌筛查方面，医院遵循定期更新的各个国家/地区特定指南。例如，在美国指定一个字母数字评分来指示肺癌风险和后续建议。在评估患者时，放射科医生将 CT 加载到工作站中以读取病例、查找肺结节或病变，并应用既定指南来确定后续决策。 我们的第一步是通过额外的训练数据和架构改进（包括自注意力）来改进之前开发的 ML 模型。然后，我们没有针对特定的指南，而是尝试了一种独立于指南或其特定版本来传达人工智能结果的补充方式。具体来说，系统输出提供怀疑评级和定位（感兴趣区域），供用户结合自己的具体指南进行考虑。该界面可生成与 CT 研究直接相关的输出图像，无需更改用户的工作站。