二、研究結(jié)果：

首先，使用LUNA16和Kaggle數(shù)據(jù)對模型進行預訓練，收集來自廣東省人民醫(yī)院呼吸科放射科，中山大學附屬第三醫(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)進行模型訓練和驗證。基于多中心影像數(shù)據(jù)訓練后的模型診斷敏感性和特異性分別達到84．4％和83．0％，AUC為0．855。同時可以觀察到，隨著訓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)計學差異，提示該模型早期微結(jié)節(jié)中同樣具有較高診斷準確率。此外可以看到，模型對于腺癌的診斷準確率最高達到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進行了人機對比，比較了醫(yī)師團隊，預訓練模型，訓練后模型以及Kaggle第一位模型算法的診斷效力，可以看到預訓練模型與醫(yī)師團隊評估結(jié)果相近，相比于Kaggle第一位算法兩者均具有更高準確性，而該訓練后模型無論在靈敏度（96．0％），特異度（88．0％）抑或是準確度（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，深度學習算法應用于肺結(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)果對模型進行深入驗證的研究，該研究使用改進的深度神經(jīng)網(wǎng)絡和具有病理金標準標簽的大數(shù)據(jù)集（855例），對基于深度學習的模型的應用進行了優(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，能進一步優(yōu)化其診斷鑒別效能。當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用實際效能；其次我們?nèi)匀粺o法很好區(qū)分出進展緩慢的早期結(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行分層及指導后續(xù)處理方案；此外該模型納入的數(shù)據(jù)量相較于其他機器學習樣本量仍然較少，還需要在更大樣本量隊列中進一步驗證。

這項研究使用基于深度學習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)師團隊更優(yōu)，顯示出今后應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，達到早期臨床治愈的效果。