深層学習は、コンピューター断層撮影 (CT) スキャンに基づいた肺腫瘍の検出とセグメンテーションの実行可能な自動化を実現できるでしょうか?
最近発表された新しい遡及研究については、 放射線科研究者らは、150 件の胸部 CT 症例において肺腫瘍を検出してセグメント化する深層学習モデルの機能を評価しました。研究によれば、コホート全体は内部検査用の41回のCTスキャン、外部検証検査用の59回のCTスキャン、および非腫瘍検査セットから得られた50回のスキャンで構成されていた。研究著者らは、深層学習モデルが1,500回以上のCTスキャンでトレーニングされたと指摘した。
研究者らは、CT 上の肺腫瘍の診断において、深層学習モデルが 92 パーセントの感度率と 82 パーセントの特異度を提供することを発見しました。
ここでは、放射線科医が生成したセグメンテーション (上の行) と、非小細胞肺がん (NSCLC) を患う 71 歳の女性のコンピューター断層撮影 (CT) スキャンの AI モデルからのセグメンテーション (下の行) を確認できます。最近の研究結果では、CT 上の肺腫瘍の AI セグメンテーションの感度率が 92 パーセント、特異度が 82 パーセントであることが示されました。 (画像提供: 放射線科。)
「…（施設）間のスキャンデバイスや実践パターンの違いにもかかわらず、（ディープラーニング）モデルは内部および外部のテストセットで強力なパフォーマンスを示し、臨床セグメンテーションの大規模で異種データセットでのトレーニングが堅牢で一般化可能な結果を生み出したことを示唆しています。 」と、カリフォルニア州スタンフォードのスタンフォード大学医学部医学部に所属する研究主著者のメア・カシャップ医師とその同僚は書いている。
研究著者らはまた、医師間のDSCの80パーセントと比較して、深層学習モデルの補助的使用のダイス類似度係数（DSC）の中央値が77パーセントであることにも言及した。研究結果では、ディープラーニングによる肺腫瘍のセグメンテーション（平均 76.6 秒）では、支援なしのセグメンテーション（166.1 ～ 187.7 秒の範囲）と比較して、最大 59 パーセントの削減が可能であることも示されています。
3 つの重要なポイント
1. 精度と効率。 深層学習モデルは、CT スキャンからの肺腫瘍の診断において 92 パーセントの高い感度率と 82 パーセントの特異度を示しました。また、セグメンテーション時間が最大 59% 大幅に短縮され、ワークフローの効率が向上する可能性が示唆されています。
2. 堅牢性と汎用性。 大規模で多様なデータセットでのトレーニングにより、このモデルはさまざまな部位やスキャナー設定にわたって堅牢で一般化可能な結果を提供できるようになり、Dice 類似性係数 (DSC) の中央値 77 パーセントを達成したのに対し、医師間の DSC は 80 パーセントでした。
3. 特定の腫瘍タイプの制限。 このモデルは、大きな腫瘍 (>50 cm3) ではパフォーマンスの低下を示し、複数の肺腫瘍のスキャンでは 70 パーセントの低い DSC と低い感度 (67 パーセント) を達成し、さらなる改善の余地がある領域を強調しました。
「肺腫瘍を迅速かつ自動的に正確にセグメント化できる機能は、腫瘍量の定量化と腫瘍学における治療反応の評価に重要な意味を持ち、多くの場合労働集約的で主観的であり、一次元測定の使用により制限されるRECISTなどの既存の方法を上回る可能性があります。 」とカシャップ氏と同僚は付け加えた。
ただし、より大きな肺腫瘍（> 50 cm3）の深層学習セグメンテーションでは DSC が低い（70 パーセント）ことがあったと研究者らは警告しました。彼らはまた、多発性肺腫瘍を伴うCTスキャンで腫瘍を診断する際の深層学習モデルの感度が低い(67パーセント)ことにも注目した。
著者らは、遡及的研究に固有の限界を超えて、AI モデルが肺腫瘍体積を過小評価する傾向があることを認め、非常に大きな腫瘍ではパフォーマンスが低下することを認めた。研究者らはまた、無気肺に関連する肺腫瘍や軟組織構造に隣接する肺腫瘍をセグメント化するAIモデルの能力を評価していないことにも言及した。
1737498555
#ベースの #により肺腫瘍の感度が向上しセグメンテーション時間が短縮されます
2025-01-21 22:06:00