利用34676例患者的43292張胸部片(正常與肺結節比例為34067：9225)建立DLAD，在卷積神經網絡中由13名高級支持放射科醫生進行標記、注釋。驗證DLAD的胸片分類和肺結節檢出能力。利用ROC曲線下麵積和JAFROC FOM評價DLAD的胸片分類和肺結節檢出能力。評價觀察者診斷能力測試包括18例內科醫生(包括9名高年資放射科醫生)。評價和比較DLAD、內科醫生和DLAD輔助性內科醫生的診斷能力。

        根據驗證數據集，DLAD的胸片分類和肺結節檢出能力為0.92-0.99 (AUROC)、0.831-0.924 (JAFROC FOM)。DLAD在觀察能力方麵要高於17/18(AUROC)、15/18(JAFROC FOM)名醫生。在DLAD的輔助下，所有醫生檢出肺結節的能力明顯升高(平均JAFROC FOM提高為0.043; 範圍0.006-0.190; P < .05)。

        本研究表明，基於深部學習自動檢測算法在胸片分類和惡性肺結節檢出能力方麵要優於內科醫生，其有助於提高內科醫生的診斷能力。

        原始出處：

        Nam JG， Park S， Hwang EJ，et al.Development and Validation of Deep Learning-based Automatic Detection Algorithm for Malignant Pulmonary Nodules on Chest Radiographs.Radiology.DOI：10.1148/radiol.2018180237