Radiology：计算机辅助识别肺结节虽好，仍须要慎用！

分析方法于颈部CT扫描的计算机辅助样品(CAD)系统会可作为第二阅读器样品有本质的突起，并有助于减低突起漏诊持续性的引发，尤其减低正确和提高工作效率上都效果突出。

到目前为止，CAD的重点是对实性突起的样品，然而，亚实性突起(SSNs)的恶性率高于实性突起，在呼吸系统会癌筛查中SSNs的引发率高达9.4%，因此愈发多的数据分析关注CAD对SSNs的探究。当CAD分析方法于SSNs时，CT的层厚实是一个不可忽视的问题。在厚实层CT上，由于对比亮度极低及均容积效应的存在不利于SSNs的样品和表征。然而，在理论上工作中，并非每个行政部门都可获得薄膜CT。在现阶段，CAD对SSNs样品的最佳CT层厚实尚不明确，对于最佳层厚实的选择尚未达成共约识。

近日，撰写在Radiology杂志的一项数据分析风险评估了CT层厚实对CAD样品SSNs稳定性的影响，并探究了基于浅层努力学习的微亮度CT层厚实减薄演算法前提能提高CT层厚实的样品稳定性，为CAD在人工智能上都的标准化分析方法给予了参考标准，为CAD更进一步扩大药理学分析方法给予了新的分析方法及技术上的支持。

本数据分析扩展到了2018年3月至2018年12月期间给与动手术治疗病患的CT影像，层厚实共有1、3、5mm。对有同时切除的SSNs病患和无SSNs病患(阳性对照)开展了回顾性风险评估。适用范围为6 ~ 30mm的SSNs被标明为实性病变。将基于浅层努力学习的CAD系统会分析方法于每个层厚实的CT影像的SSN样品，并使用微亮度演算法将3毫米和5毫米层厚实影像类比为1毫米层厚实CT影像。利用JAFROC分析评价和非常了CAD在各层厚实上的稳定性。

本数据分析共约扩展到风险评估了308亦然病患(中年人±标准差，62岁±10岁;男士183亦然)，其中SSNs424亦然(均实性突起310亦然，非实性突起114亦然)，无SSNs182亦然(中年人65±10岁;97名成人)。三种层厚实(1、3和5 mm共有0.92、0.90和0.89;P = 0.04)及1和 5 mm层厚实之间的低分相似之处突出(P = 0.04)。非实性突起的低分相似之处较大(1、3和5 mm共有0.78、0.72和0.66,P < .001)，而均实性突起的低分相似之处并不突出(适用范围为0.93-0.94,P = .76)。微亮度演算法提高了CAD在3和5mm层厚实上的持续性(3mm的P = 0.02, 5mm的P < .001)。

图 72岁成人，病理学声称左呼吸系统会上叶浸润型呼吸系统会肝癌。(a) 1mm层厚实，(b) 5mm层厚实和从早期（c）3mm和（d）5mm层厚实影像经微亮度演算法类比后辨识右上叶有一个16mm并不一定分明的均实性突起，实性均为5mm。突起的实性均(箭头)在1mm影像(a)上辨识边界线清晰，而在5mm影像(b)上边界线欠清。计算机辅助样品(CAD)演算法在1mm和3mm层厚实影像上辨识了突起，但在5mm层厚实影像上未辨识。分析方法微亮度演算法(c, d)检索实体均，CAD在微亮度3和5 mm影像上均样品到了突起。

表 CAD在不同层厚实和微亮度类比的CT影像上的所谓阳性低分。

薄膜CT对亚实性突起的计算机辅助样品(CAD)优于厚实层CT，偏爱是在非实性突起上更突出。基于浅层努力学习的微亮度演算法的分析方法提高了CAD在厚实层CT影像上的持续性。CAD的改进以及其与阅读者的联合分析方法可明显减低所谓阳率。这为药理学对CAD的熟悉分析方法给予了分析方法支持，为CAD在人工智能上都的发展过渡到了巷道。

原文出处：

Sohee Park,Sang Min Lee,Wooil Kim,et al.Computer-aided Detection of Subsolid Nodules at Chest CT: Improved Performance with Deep Learning-based CT Section Thickness Reduction.DOI:10.1148/radiol.2021203387