Diagnostic performance of artificial intelligence models for pulmonary nodule classification: a multi-model evaluation

Sarah K. Herber

doi:10.1007/s00330-025-11845-1

Diagnostic performance of artificial intelligence models for pulmonary nodule classification: a multi-model evaluation

10.1007/s00330-025-11845-1

2025-07-25

0

OA

PDF

AI

原文链接

查看原文

摘要

En 中文

肺癌是癌症相关死亡的主要原因。尽管早期检测可改善生存率，但区分恶性与良性肺结节仍具挑战性。人工智能（AI）已被提出以提高诊断准确性，但其临床可靠性仍在调查中。本研究旨在评估AI模型在肺结节分类中的诊断性能。这项单中心回顾性研究分析了CT扫描中检测到的肺结节（4–30 mm），使用了三种AI软件模型。计算了灵敏度、特异度、假阳性和假阴性率。使用受试者工作特征（ROC）曲线下面积（AUC）评估诊断准确性，以组织病理学作为金标准。亚组分析基于结节大小和组织病理学分类。使用回归分析评估影像参数的影响。共分析了158个结节（n = 30良性，n = 128恶性）。一种AI模型将多数结节分类为中风险，导致无法进一步评估准确性。其他模型表现出中等灵敏度（53.1–70.3%），但特异度低（46.7–66.7%），导致假阳性率高（45.5–52.4%）。AUC值在0.5至0.6之间（95%置信区间）。亚组分析显示灵敏度下降（47.8–61.5%），但特异度增加（100%），凸显不一致性。总体而言，高达49.0%的肺结节被分类为中风险。CT扫描类型影响性能（p = 0.03），屏气CT扫描的分类准确性更高。由于特异度低、假阴性率高以及中风险分类比例高，基于AI的软件模型尚不适合在肺结节分类中单独临床使用。问题：与组织病理学金标准相比，商业AI模型在肺结节分类中的准确性如何？结果：评估的AI模型表现出中等灵敏度、低特异度和高假阴性率。高达49%的肺结节被分类为中风险。临床相关性：高假阴性率可能影响放射科医师的决策，导致干预措施增加或非必要手术程序增多。

关键词:

Artificial intelligence

Lung cancer

Pulmonary nodules

Computed tomography

Diagnostic accuracy

Diagnostic performance of artificial intelligence models for pulmonary nodule classification: a multi-model evaluation

摘要

AI总结

期刊

学者

机构

引用论文

被引论文