用于肺结节检测和风险分层的深度学习算法的准确性

骨肉瘤被认为是儿童和青少年最常见的恶性骨肿瘤。 大约 15% 至 20% 的骨肉瘤患者存在可检测到的转移性疾病，其中大多数 (85%) 的唯一转移部位是肺部病变。 既往研究表明，无转移性疾病的局限性骨肉瘤患者的总生存率约为 60% 至 70%，而有转移性疾病的患者生存率降至 10% 至 30%。 尽管最近，新辅助和辅助化疗方案可以降低死亡率，但仍有 30% 至 50% 的患者死于肺转移。 肺转移的数量、分布和时间对生存具有预后价值，因此计算机断层扫描 (CT) 胸部成像在疾病监测中仍然起着至关重要的作用。 近十年来，多层螺旋CT扫描技术增强了对众多较小肺部病灶的检出，一方面可以提高对肺转移的诊断敏感性，但特异性可能会降低。 近年来，深度学习人工智能（AI）算法在各种影像检查中的应用是一个热门话题。 目前，越来越多的基于深度学习技术的计算机辅助诊断（CAD）系统，旨在更快地筛查和正确解读肺部结节，已迅速开发并推向市场。 到目前为止，在深度学习技术的巨大进步的启发下，专注于提高良性/恶性结节分类准确性的研究取得了实质性进展。 因此，大多数现有的 CAD 系统都可以进行肺结节分类，准确率在 90% 以上。 在临床实践中，不仅肺结节的恶性程度确定，而且原发癌和肺内转移的区分对于患者的管理是至关重要的。 然而，在 CAD 系统中应用的大多数现有肺结节分类仍然是二元模式（良性与恶性），缺乏以原发结节和转移结节分裂为特征的更彻底的结节分类。 据我们所知，到目前为止，只有少数研究关注基于深度学习的 CAD 系统识别转移性肺结节的性能。 在这项拟议的研究中，研究人员试图确定一个基于深度学习人工智能算法的计算机辅助系统对成骨肉瘤患者肺结节的检测和风险分层的准确性和灵敏度。