慢性肺疾患データセットでの事前学習による不明瞭肺がん分類のマスクドオートエンコーダーを用いた改善

科学分野:

• 人工知能
• 医用画像処理
• 腫瘍学

背景:

• 肺がんは主要な死因であり、低線量CTスクリーニングは採用の障壁に直面しています。
• 不明瞭な肺結節の正確な診断は困難であり、臨床的意思決定に影響を与えます。
• COPDなどの慢性肺疾患は、結節分類に関連する炎症性特徴を共有しています。

研究 の 目的:

• COPDGeneデータセットでのマスクドオートエンコーダー（MAE）の事前学習により、肺結節分類を改善すること。
• 慢性炎症性肺疾患の特徴を活用して結節診断を強化すること。
• 画像バイオマーカー抽出を改善するために、様々なマスキング戦略を通じてMAEのパフォーマンスを最適化すること。

主な方法:

• 慢性閉塞性肺疾患（COPD）の特徴に焦点を当て、COPDGeneデータセットでマスクドオートエンコーダー（MAE）の事前学習を利用しました。
• ネットワークの parenchymal および perinodular 領域への注意を高めるために、さまざまなマスキング戦略を検討しました。
• National Lung Cancer Screening Trial（NLST）データセットでの自己事前学習および教師あり学習と比較して、分類パフォーマンスを評価しました。

主要な成果:

• COPDGeneでのランダムマスキング（r-masking）による事前学習は、結節分類において優れた性能を達成しました。
• 感度88.79%、特異度86.27%、AUC 0.931を達成しました。
• NLSTでの自己事前学習および教師あり学習と比較して、パフォーマンスが向上しました。

結論:

• COPDGeneなどの慢性疾患データセットでのMAEの事前学習は、肺結節分類を強化します。
• MAEベースのアプローチは、臨床現場での結節診断の改善に大きな可能性を示しています。
• 関連データセットでの自己教師あり学習の活用は、肺がんスクリーニングの進歩に不可欠です。