运用Brock模型来理解基于人工智能肺结节的风险预测

• 作者: 温海林（译） 刘周（校） 罗德红（校）
• 来源期刊: 国际医学放射学杂志
• 年，卷（期）: 2023,（5）
• 所属期刊栏目: 国际期刊连线
• 页码范围: 618
• 页数: 1页
• 语种: 中文
• DOI: 10.19300/j.2022.e0807

摘要

目的 旨在确定肺癌卷积神经网络（LCP-CNN）人工智能（AI）模型的预测结果是否与Brock模型相似。方法 共纳入全国肺部筛查试验（NLST）4 660名参与者，并分析了10 485个肺部结节。手动勾画和自动勾画的肺结节均输入到Brock模型中，并与LCP-CNN模型进行比较。在以一种类似于去除Brock模型预测因子的方式消融掉图像特征之后，对AI实验模型的性能进行测试。首先，消融掉肺结节，只留下肺实质。其次，将一个与肺结节大小相同的球体模型被植入肺实质中。再次，去除肺结节和肺实质的内部纹理。结果 与人工测量（AUC=0.873）相比，自动测量的横断面直径（AUC=0.883）和相等的球面直径（AUC=0.896）显著提高了Brock模型的准确性，但是仍没有达到LCP-CNN模型的水平（AUC=0.936）。消融肺结节和肺实质的纹理后（正如前面植入一个与肺结节相同大小的球体模型一样，AUC=0.889），其预测准确性小幅下降（AUC=0.915）。当消融掉结节，只留下肺实质部分时，模型效能大幅下降（AUC=0.717）。结论 特征消融是理解AI模型预测的一种可行的技术。结节的大小和形态在AI预测中发挥了最大的作用，而结节内部纹理和背景实质的作用有限。这大致类似于Brock模型中形态学因素的作用相对于临床因素更大。