Radiology:卷积神经网络，使指标肺结节每天的体积变化成为可能！

澳大利亚国家大肠部筛选试验推测，本品CT筛选肝癌是一种可降低总死亡率的具有生产力的安全检查手段。有深入研究注记明，通过计算机辅助压强探测（CADv）应用程序检验的总腹腔压强探测及总腹腔减半时间段（DT）可用以腹腔的确诊及分类学。此外，几项深入研究注记明，与总腹腔形状相对，擦铁皮腹腔内实性化学成分的最大直径与浸润性和预后的关联极其精确。因此，在该协会上针对亚实性肝癌的该协会胃癌控制TNM分类学的第八版里面，CT所探测的大肠腹腔内实性化学成分的形状已作为临床T因子用以肝癌的依此。

近来，包括卷积数学模型（CNN）在内的人工智慧可对CT上所发现的腹腔顺利进行探测、注记征和判别。然而，据我们所知，尚未有关于使用CADv自动探测腹腔化学成分及压强检验的CNN优点的具体媒体报道。

近日，发注记在Radiology杂志的一项深入研究探讨了革新CADv的最深处深造方法在胸部CT上探测腹腔实性化学成分和擦铁皮运动速度影(GGO)压强、减半时间段(DT)和压强变化全面性的敏感度，为临床早期确诊及得出结论可能为肝癌的大肠腹腔共享了技术支持。

本深入研究回顾性检验了2014年1年末至2016年12年末期间CT确诊有大肠腹腔的高血压的缩放。在有及不会卷积数学模型(CNN)情况下使用CADv自动确定每天的腹腔总压强变化和DT。较为有CNN和不会CNN的CADv里面判别腹腔良恶性的所有指标、每个腹腔的曲线下面积(AUCs)和每个高血压的确诊正确地性。

CNN受训集值得注意217名高血压共五294个大肠腹腔，有效性集值得注意32名高血压共五41个大肠腹腔，的测试集值得注意188名高血压共五290个大肠腹腔。来自170实有高血压的290个大肠腹腔(平均形状±标准差，11mm±5;范围:4- 29mm)里面，确诊为恶性腹腔的有132个，良性腹腔有158个。实性腹腔132实有(46%)，亚实性腹腔106实有(36%)，擦铁皮运动速度腹腔52实有(18%)。的测试集的确诊效率结果注记明,有CNN的CADv每天腹腔总压强变化远大于有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)和不会CNN的CADv的DT (每天腹腔总压强变化: 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的每天腹腔总压强变化的正确地性显著高于无CNN的CADv (P < .001)及有或不会CNN的CADv的DT (P < .001)。

注记1 在290个大肠腹腔的的测试病实有(n = 170)里面，以每个腹腔为基础，较为有和不会CNN的CADv里面每个指标的确诊效率。

注记2 在290个大肠腹腔的的测试病实有(n = 170)里面，以每个腹腔为基础，较为有和不会CNN的CADv里面每个参数的确诊效率。

本深入研究注记明，卷积数学模型可用以提高薄层CT的计算机辅助压强（CADv）探测对腹腔探测及判别确诊的正确地性。对使用CADv探测的腹腔顺利进行检验时，以每天的腹腔总压强变化来判断是否是为恶性比以腹腔减半时间段极其正确地。本深入研究为临床共享了一个快速、可靠且可重复性强的检验大肠腹腔的具体方法手段，为人工智慧在临床上的进一步应用拓宽了路段。

原意典故：

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