误地报告无癌症患者的潜在

ditikhatun11

引入以用户为中心的通用界面，帮助放射科医生利用机器学习模型进行肺癌筛查。该系统将计算机断层扫描 (CT) 成像作为输入，并输出癌症怀疑评级以及相应的感兴趣区域。 肺癌是全球癌症相关死亡的主要原因，年报告死亡人数为 180 万人。晚期诊断会大大降低生存机会。通过计算机断层扫描(CT) 进行肺癌筛查可提供详细的肺部 3D 图像，事实证明，通过更早地检测潜在的癌症迹象，可以将高危人群的死亡率降低至少 20%。在美国，筛查涉及每年一次扫描，一些国家或病例建议或多或少地进行扫描。 美国预防服务工作组最近将肺癌筛查建议扩大了约 80%，预计这将增加女性和少数族裔群体的筛查机会。然而，假阳性（即错癌症）可能会引起焦虑，并导致患者接受不必要的手术，同时增加医疗保健系统的成本。

根据医疗基础设施和放射科医生的可用性，筛查大量个体的效率可能具有挑战性。 在谷歌，我们之前开发了用于肺癌检测的机器学习（ML）模型，并评估了它们自动检 希腊电报吗数据库 测和分类显示潜在癌症迹象的区域的能力。事实证明，在检测可能的癌症方面，其性能可与专家相媲美。虽然他们取得了很高的绩效，但要充分发挥他们的潜力，在现实环境中有效地传达发现是必要的。 为此，在《Radiology AI》上发表的《肺癌筛查中的辅助人工智能：美国和日本的回顾性跨国研究》中，我们研究了 ML 模型如何有效地将研究结果传达给放射科医生。我们还引入了一个以用户为中心的通用界面，以帮助放射科医生利用此类模型进行肺癌筛查。该系统以 CT 成像作为输入，并使用四个类别（无怀疑、可能良性、可疑、高度可疑）以及相应的感兴趣区域输出癌症怀疑评级。我们通过在美国和日本进行的随机读者研究，使用当地癌症评分系统和模仿现实设置的图像查看器，评估该系统在提高临床医生绩效方面的效用。我们发现，在两项读者研究中，读者特异性随着模型的帮助而增加。