系统的交互没有其

ditikhatun11

一小组附加图像。他们的系统或与他变化。 计算机辅助诊断-1 辅助肺癌筛查系统输出示例。放射科医生的评估结果在发现可疑病变的 CT 体积位置上进行可视化。总体怀疑显示在 CT 图像的顶部。圆圈突出显示可疑病变，而正方形显示从不同角度（称为矢状视图）对同一病变的渲染。 辅助肺癌筛查系统由 13 个模型组成，具有与之前工作中使用的端到端系统类似的高级架构。这些模型相互协调，首先对肺部进行分割，获得总体评估，定位三个可疑区域，然后使用该信息为每个区域分配可疑评级。该系统使用(GKE)部署在 ，该引擎提取图像、运行 ML 模型并提供结果。这允许可扩展性并直接连接到图像存储在DICOM 存储中的服务器。

计算机辅助诊断-4 辅助 伊朗电报吗数据库 肺癌筛查系统的 部署概要以及提供图像和计算结果的各个组件的定向调用流程。使用  服务将图像提供给查看者和系统。该系统在上运行，该引擎提取图像、处理图像并将其写回到 DICOM 存储中。 读者研究 为了评估该系统在提高临床表现方面的实用性，我们对 12 名放射科医生使用预先存在的、去识别化的 CT 扫描进行了两项读者研究（即，旨在评估临床表现的实验，比较有或没有技术帮助的专家表现）。我们向 6 位美国放射科医生和 6 位日本放射科医生介绍了 627 个具有挑战性的病例。在实验设置中，读者被分为两组，每个案例阅读两次，有或没有模型的帮助。读者被要求应用他们在临床实践中通常使用的评分指南，并报告他们对每个病例​​对癌症的整体怀疑。然后，我们比较了读者的反馈结果，以衡量模型对他们的工作流程和决策的影响。




评分和怀疑水平是根据个体的实际癌症结果来判断的，以测量敏感性、特异性和ROC 曲线下面积(AUC) 值。这些是在有帮助和没有帮助的情况下进行比较的。 计算机辅助诊断-3 多案例多读者研究涉及每个案例由每个读者审查两次，一次有机器学习系统协助，一次没有机器学习系统协助。在此可视化中，一位读者首先在没有帮助的情况下查看 A 组（蓝色），然后在冲洗期后在有帮助的情况下查看（橙色）。第二个读者组遵循相反的路径，首先在帮助下阅读同一组案例 A 组。读者被随机分配到这些组中，以消除排序的影响。 使用相同界面进行这些研究的能力突出了其对完全不同的癌症评分系统的普遍性，以及对不同患者群体的模型和辅助能力的普遍性。我们的研究结果表明，当放射科医生在临床评估中使用该系统时，与不使用该系统时相比，他们在没有可操作的肺癌发现（即特异性）的情况下正确识别肺部图像的能力提高了绝对 5-7%辅助系统。这可能意味着每筛名患者，就有可能避免不必要的后续程序，从而减轻他们的焦虑和医疗保健系统的负担。反过来，这可以帮助提高肺癌筛查计划的可持续性，特别是随着越来越多的人有资格接受筛查。