深層畳み込みニューラルネットワークベースのソフトウェアは、胸部X線写真上の悪性肺結節の放射線技師による検出を改善する

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

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

抄録

背景 胸部X線写真上の悪性肺結節の検出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ために、多施設共同研究が必要とされている。目的 胸部X線写真上の悪性肺結節の検出における放射線技師のパフォーマンスを、深層学習ベースのDCNNソフトウェアを用いて支援した場合と、放射線技師またはDCNNソフトウェア単独の場合とを多施設で比較する。Materials and Methods 4つの医療センターの研究者が、肺がんを含む胸部X線写真600枚と正常な胸部X線写真200枚をレトロスペクティブに同定した。肺がんを含む胸部X線写真には、それぞれ少なくとも1つの悪性結節がCTおよび病理学的検査で確認された。4つのセンターから12人の放射線科医が独立して胸部X線写真を解析し、関心のある領域をマークした。疑わしい結節を見つけるために、市販のディープラーニングベースのコンピュータ支援検出ソフトウェアを使用し、19 330枚のX線写真を用いて個別に訓練、テスト、検証を行った。その後、放射線科医はDCNNソフトウェアの支援を受けて画像をレビューした。DCNNソフトウェア、放射線技師単独、およびDCNNソフトウェアを使用した放射線技師の1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およびポアソン回帰を用いて分析した。結果 放射線技師の平均感度は65.1％［2112年中1375人；95％信頼区間{CI}：62.0％，68.1％］から70.3％［2112年中1484人；95％CI：67.2％，73.1％］に改善した（< .001）．001）、放射線科医がDCNNソフトウェアを用いてX線写真を再レビューすると、X線写真あたりの偽陽性所見の数は減少した（0.2［2400人中488人；95％CI：0.18, 0.22］から0.18［2400人中422人；95％CI：0.16, 0.2］、＜0.001）。本研究に参加した12名の放射線科医では、2400枚のX線写真のうち104枚がDCNNを用いてポジティブに変更された（偽陰性から真陽性へ、または偽陽性から真陰性へ）一方、2400枚のX線写真のうち56枚がネガティブに変更されていた。結論 胸部X線写真上の悪性肺結節の検出において、放射線科医は深部畳み込みネットワークソフトウェアを使用した方が、使用しない場合よりも優れたパフォーマンスを示した。

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%], < .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], < .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 See also the editorial by Jacobson in this issue.