肺がんの診断と予後予測のための3次元胸部CTスキャンに基づく自己監督の基礎モデル

科学分野:

• 医療イメージングにおける人工知能
• ラジオミクスとコンピューティング病理学
• 腫瘍学と診断放射線学

背景:

• 肺がんの診断と予後は,胸部CTスキャンの正確な解釈に大きく依存しています.
• 既存のディープラーニングモデルは,多くの場合,大きなラベル付きのデータセットを必要とし,そのアプリケーションを制限します.
• ファンデーションモデルは,一般化可能な医療画像分析のための有望なアプローチを提供します.

研究 の 目的:

• 肺がんにおける胸部CT分析のための自己監督の基礎モデルを開発し,検証する.
• 組織学的サブタイプ,がんのステージ,生存,再発を予測するモデルのパフォーマンスを評価する.
• 提案されたモデルを既存の機械学習およびディープラーニングアルゴリズムと比較する.

主な方法:

• 3万3000件以上の胸部CTスキャンで自己監督学習を用いた統一CTベースの肺がんイメージング財団 (UCLIF) モデルの開発.
• 対照的な仮面画像モデリングタスクによる予習,その後,特定の肺がんの臨床タスクの微調整が行われます.
• 精度,感度,特異性,AUCを用いた性能評価,デロングテストによる優越性テスト.

主要な成果:

• UCLIFモデルは,自然画像または単一の腫瘍領域で予備訓練されたモデルと比較して優れたパフォーマンスを達成しました (P < .001).
• 高AUCは,組織学的サブタイプ分類 (例えば,アデノカルシノーマの場合は0.96),癌の段階化 (例えば,ステージIIの場合は0.99),生存予測 (例えば,1年生存の場合は0.97),再発予測 (AUC,0.95) について報告されました.

結論:

• UCLIF財団モデルは,胸部CTデータから肺がんの重要な特徴を予測する上で高い精度を示しています.
• 自己監督学習は,広範なラベル付きのデータなしで,多様な臨床課題で堅実なパフォーマンスを可能にします.
• このAIモデルは,肺がんの診断,ステージング,および患者のアウトカム予測を改善する可能性を秘めています.