Deep Convolutional Neural Network-based Software Improves Radiologist Detection of Malignant Lung Nodules on Chest Radiographs

Radiology. 2020 Jan;294(1):199-209.doi: 10.1148/radiol.2019182465. Epub 2019 Nov 12.

Deep Convolutional Neural Network-based Software Improves Radiologist Detection of Malignant Lung Nodules on Chest Radiographs

Yongsik Sim 1, Myung Jin Chung 1, Elmar Kotter 1, Sehyo Yune 1, Myeongchan Kim 1, Synho Do 1, Kyunghwa Han 1, Hanmyoung Kim 1, Seungwook Yang 1, Dong-Jae Lee 1, Byoung Wook Choi 1

Abstract

Background Multicenter studies are required to validate the added benefit of using deep convolutional neural network (DCNN) software for detecting malignant pulmonary nodules on chest radiographs. Purpose To compare the performance of radiologists in detecting malignant pulmonary nodules on chest radiographs when assisted by deep learning-based DCNN software with that of radiologists or DCNN software alone in a multicenter setting. Materials and Methods Investigators at four medical centers retrospectively identified 600 lung cancer-containing chest radiographs and 200 normal chest radiographs. Each radiograph with a lung cancer had at least one malignant nodule confirmed by CT and pathologic examination. Twelve radiologists from the four centers independently analyzed the chest radiographs and marked regions of interest. Commercially available deep learning-based computer-aided detection software separately trained, tested, and validated with 19 330 radiographs was used to find suspicious nodules. The radiologists then reviewed the images with the assistance of DCNN software. The sensitivity and number of false-positive findings per image of DCNN software, radiologists alone, and radiologists with the use of DCNN software were analyzed by using logistic regression and Poisson regression. Results The average sensitivity of radiologists improved (from 65.1% [1375 of 2112; 95% confidence interval {CI}: 62.0%, 68.1%] to 70.3% [1484 of 2112; 95% CI: 67.2%, 73.1%], P < .001) and the number of false-positive findings per radiograph declined (from 0.2 [488 of 2400; 95% CI: 0.18, 0.22] to 0.18 [422 of 2400; 95% CI: 0.16, 0.2], P < .001) when the radiologists re-reviewed radiographs with the DCNN software. For the 12 radiologists in this study, 104 of 2400 radiographs were positively changed (from false-negative to true-positive or from false-positive to true-negative) using the DCNN, while 56 of 2400 radiographs were changed negatively. Conclusion Radiologists had better performance with deep convolutional network software for the detection of malignant pulmonary nodules on chest radiographs than without. © RSNA, 2019 Online supplemental material is available for this article. See also the editorial by Jacobson in this issue.

概要

背景 胸部 X 線写真で悪性肺結節を検出するために深層畳み込みニューラル ネットワーク (DCNN) ソフトウェアを使用することの利点を検証するには、多施設研究が必要です。 目的 深層学習ベースの DCNN ソフトウェアによって支援された場合の胸部 X 線写真上の悪性肺結節の検出における放射線科医のパフォーマンスを、多施設環境での放射線科医または DCNN ソフトウェア単独のパフォーマンスと比較する。 材料と方法 4 つの医療センターの研究者は、レトロスペクティブに 600 の肺癌を含む胸部 X 線写真と 200 の正常な胸部 X 線写真を特定しました。 肺がんの各 X 線写真には、CT および病理学的検査によって確認された少なくとも 1 つの悪性結節がありました。 4 つのセンターの 12 人の放射線科医が胸部 X 線写真を個別に分析し、関心のある領域をマークしました。 疑わしい結節を検出するために、19 330 の X 線写真で個別にトレーニング、テスト、および検証された、市販の深層学習ベースのコンピューター支援検出ソフトウェアが使用されました。 その後、放射線科医は DCNN ソフトウェアを使用して画像を確認しました。 DCNN ソフトウェア、放射線科医のみ、および DCNN ソフトウェアを使用する放射線科医の画像あたりの感度と偽陽性所見の数を、ロジスティック回帰とポアソン回帰を使用して分析しました。 結果 放射線科医の平均感度が向上しました (65.1% [1375 of 2112; 95%信頼区間 {CI}: 62.0%, 68.1%] から 70.3% [1484 of 2112; 95% CI: 67.2%, 73.1%], P < .001)、X 線写真あたりの偽陽性所見の数は減少しました (0.2 [2400 の 488; 95% CI: 0.18, 0.22] から 0.18 [2400 の 422; 95% CI: 0.16, 0.2], P < . 001) 放射線科医が DCNN ソフトウェアで X 線写真を再検討したとき。 この研究の 12 人の放射線科医の場合、DCNN を使用して 2400 枚の X 線写真のうち 104 枚が肯定的に変更され (偽陰性から真陽性へ、または偽陽性から真陰性へ)、2400 枚の X 線写真のうち 56 枚が否定的に変更されました。 結論 放射線科医は、胸部 X 線写真上の悪性肺結節を検出するためにディープ畳み込みネットワーク ソフトウェアを使用した方が、そうでない場合よりも優れたパフォーマンスを発揮しました。 © RSNA, 2019 この記事のオンライン補足資料を利用できます。 この号のジェイコブソンの論説も参照してください。