二、研究結(jié)果：

首先，使用LUNA16和Kaggle數(shù)據(jù)對模型進(jìn)行預(yù)訓(xùn)練，收集來自廣東省人民醫(yī)院呼吸科放射科，中山大學(xué)附屬第三醫(yī)院放射科，佛山市第一人民醫(yī)院放射科及廣州市胸科醫(yī)院放射科多中心數(shù)據(jù)進(jìn)行模型訓(xùn)練和驗證。基于多中心影像數(shù)據(jù)訓(xùn)練后的模型診斷敏感性和特異性分別達(dá)到84．4％和83．0％，AUC為0．855。同時可以觀察到，隨著訓(xùn)練圖象樣本量的增加，模型整體檢測靈敏度，特異度以及AUC均增加。同時我們將該模型算法與Kaggle比賽中第一名算法（Kaggle模型）進(jìn)行基于第三方影像數(shù)據(jù)的比較，基于0．757的特異度水平，該模型的敏感性是0．752而Kaggle模型是0．661（見圖4A），AUC分別是0．803和0．767。

針對結(jié)節(jié)直徑大小進(jìn)行亞組分析（0－10mm， 10－20mm， 20－30mm）比較，可以看到，三個亞組之間均無顯著統(tǒng)計學(xué)差異，提示該模型早期微結(jié)節(jié)中同樣具有較高診斷準(zhǔn)確率。此外可以看到，模型對于腺癌的診斷準(zhǔn)確率最高達(dá)到85．7％，可能是因為受到整體腺癌占比較高數(shù)據(jù)偏倚導(dǎo)致。

此外，我們同時基于前瞻性收集的50例肺部結(jié)節(jié)CT進(jìn)行了人機(jī)對比，比較了醫(yī)師團(tuán)隊，預(yù)訓(xùn)練模型，訓(xùn)練后模型以及Kaggle第一位模型算法的診斷效力，可以看到預(yù)訓(xùn)練模型與醫(yī)師團(tuán)隊評估結(jié)果相近，相比于Kaggle第一位算法兩者均具有更高準(zhǔn)確性，而該訓(xùn)練后模型無論在靈敏度（96．0％），特異度（88．0％）抑或是準(zhǔn)確度（92．0％）上均較其它三者具有更高的診斷效力。

三、結(jié)論與討論：

在這項研究中，深度學(xué)習(xí)算法應(yīng)用于肺結(jié)節(jié)臨床檢出與診斷的可行性得到驗證，尤其該模型在結(jié)節(jié)檢測和分類的能力上表現(xiàn)出了優(yōu)勢。此外，通過與實際人工檢測團(tuán)隊，Kaggle排行第一的算法比較，模型使用的CNN算法在結(jié)節(jié)分類能力上也具有相當(dāng)不錯的表現(xiàn)。

不同于未使用真實世界數(shù)據(jù)或病理結(jié)果對模型進(jìn)行深入驗證的研究，該研究使用改進(jìn)的深度神經(jīng)網(wǎng)絡(luò)和具有病理金標(biāo)準(zhǔn)標(biāo)簽的大數(shù)據(jù)集（855例），對基于深度學(xué)習(xí)的模型的應(yīng)用進(jìn)行了優(yōu)化，并將其推廣到真實醫(yī)療環(huán)境中，使其敏感性和特異性達(dá)到了84．4％和83．0％，最大限度地降低了假陽性和假陰性結(jié)果。此外，亞組分析顯示，其對微小結(jié)節(jié)的檢測效率（0－10mm）與一般結(jié)節(jié)（10－30mm）具有同等診斷效力。

同時，該模型的診斷能力也比既往報道的計算機(jī)輔助結(jié)節(jié)檢測工具有更高的敏感度和特異度，同時該模型隨著數(shù)據(jù)的增加，能進(jìn)一步優(yōu)化其診斷鑒別效能。當(dāng)然該研究也存在一定的不足，相比于既往研究而言，該研究入組的肺結(jié)節(jié)均為臨床診斷早期肺結(jié)節(jié)，并非來自于篩查隊列的數(shù)據(jù)，可能無法更真實反映該模型在早期篩查中應(yīng)用實際效能；其次我們?nèi)匀粺o法很好區(qū)分出進(jìn)展緩慢的早期結(jié)節(jié)，可能需要更多多次隨訪影像資料的納入以更好對早期篩查患者進(jìn)行分層及指導(dǎo)后續(xù)處理方案；此外該模型納入的數(shù)據(jù)量相較于其他機(jī)器學(xué)習(xí)樣本量仍然較少，還需要在更大樣本量隊列中進(jìn)一步驗證。

這項研究使用基于深度學(xué)習(xí)算法的模型顯著提高了早期肺癌檢出和診斷的敏感性及特異性，且其診斷效力較經(jīng)驗豐富的�？漆t(yī)師團(tuán)隊更優(yōu)，顯示出今后應(yīng)用這一類模型算法輔助臨床醫(yī)師日常肺部影像診斷的可行性，同時提高早期結(jié)節(jié)檢出率及診斷率，使更多患者能夠得到早期治療干預(yù)，達(dá)到早期臨床治愈的效果。