Revista de Medicina e Cirurgia Vascular

Abstrato

Detecção automatizada de câncer de pulmão: uma comparação entre médicos: uma revisão da literatura

Kaviya Sathyakumar, Michael Munoz, Snehal Bansod, Jaikaran Singh, Jasmin Hundal, B Benson A. Babu

Introdução: O câncer de pulmão é a principal causa de mortes relacionadas ao câncer nos Estados Unidos e no mundo todo. Radiologistas e médicos enfrentam pesadas cargas de trabalho diárias, portanto, correm alto risco de esgotamento. Para aliviar esse fardo, esta revisão de literatura compara o desempenho de quatro modelos de IA diferentes na detecção de câncer de nódulo pulmonar, bem como seu desempenho em relação a médicos/radiologistas.

Métodos: 648 artigos foram extraídos de 2008 a 2019. 4/648 artigos foram selecionados. Critérios de inclusão: 18-65 anos, tomografia computadorizada de tórax, nódulo pulmonar, câncer de pulmão, aprendizado profundo, métodos ensemble e clássico. Critérios de exclusão: idade maior que 65 anos, tomografias PET híbridas, RXC e genômica. Análise de resultados: sensibilidade, especificidade, precisão, curva ROC sensibilidade-especificidade, área sob a curva (AUC). Bases de dados: PubMed/MEDLINE, EMBASE, biblioteca Cochrane, Google Scholar, Web of science, IEEEXplore, DBLP.

Conclusão: A arquitetura Hybrid Deep-learning é uma arquitetura de última geração, com precisão de alto desempenho e baixos relatórios de falsos positivos. Estudos futuros, comparando a precisão de cada modelo em profundidade, seriam valiosos. Sistemas automatizados de assistência médica, como essa arquitetura híbrida, podem ajudar a preservar um relacionamento médico-paciente de alta qualidade e reduzir o esgotamento do médico.