14
Le Deep Learning améliore la précision du dépistage du cancer du poumon, réduit les faux positifs
Table des matières
Le défi des faux positifs du dépistage du cancer du poumon
Le dépistage du cancer du poumon, à l’aide de tomodensitométrie à faible dose (CT), vise à détecter le cancer à ses premiers stades les plus traitables. Cependant, un défi significatif est le taux élevé de faux positifs – les instances étaient un scan indique un cancer potentiel en cas d’emballage. Ces faux positifs conduisent à l’anxiété pour les patients et nécessitent souvent des procédures diagnostiques invasives comme les biopsies, qui comportent leurs propres risques.
Comment fonctionne le modèle d’apprentissage en profondeur
Les chercheurs ont développé un algorithme d’apprentissage en profondeur pour évaluer le risque de malignité dans les nodules pulmonaires (petites masses dans les poumons) détectés sur des tomodensitométrie. Le modèle a été formé et testé sur un grand ensemble de données de données de dépistage européen. L’étude s’est concentrée sur la capacité du modèle à identifier correctement les nodules cancéreux (sensibilité) et à classer avec précision les nodules bénins comme à faible risque (spécificité), minimisant ainsi les faux positifs.
Résultats clés de l’étude
L’étude a révélé une amélioration substantielle de la classification des cas bénins:
* Réduction des faux positifs: Le modèle d’apprentissage en profondeur a classé 68,1% des cas bénins comme faible risque, contre 47,4% avec le modèle Pancan. Cela représente une réduction relative de 39,4% des faux positifs.
* Maintenu à haute sensibilité: Le modèle a obtenu une sensibilité à 100% dans la détection des cancers diagnostiqués dans un délai d’un an, ce qui signifie qu’il n’a manqué aucun cas de véritable cas de cancer.
Ces résultats suggèrent que le modèle d’apprentissage en profondeur peut certainement aider les radiologues à déterminer plus en toute confiance quels nodules nécessitent une enquête plus approfondie et lesquels peuvent être surveillés en toute sécurité.
Commentaire d’experts
Directions futures et mise en œuvre clinique
Bien que les résultats soient encourageants, le Dr Antonissen met l’accent sur la nécessité d’une validation prospective – tester le modèle dans des contextes cliniques réels avec diverses populations de patients – avant une adoption généralisée. Des recherches supérieures se concentreront sur le raffinage du modèle et l’intégrer dans les flux de travail cliniques existants pour maximiser ses avantages.
Pour plus de données
Accéder au Radiologie étude: « Test externe d’un algorithme d’apprentissage en profondeur pour la stratification du risque de malignité pulmonaire à l’aide de données de dépistage européennes. «
Les principaux plats à retenir:
* Un nouveau modèle d’apprentissage en profondeur réduit considérablement les faux positifs du dépistage du cancer du poumon.
* Le modèle maintient une sensibilité élevée pour détecter les nodules cancéreux.
* La validation prospective est cruciale avant la mise en œuvre clinique.
* La réduction des faux positifs peut rendre le dépistage du cancer du poumon plus efficace et moins stressant pour les patients.