CLSSL-ResNet:通过自主监督学习的嵌合标签从CT图像预测单独的肺结节的恶性病变
Tianhu Zhao1,2, Shouliang Qi1,2, Yong Yue3
1College of Medicine and Biological Information Engineering, Northeastern University, Shenyang, China.
Journal of X-ray science and technology
|July 10, 2023
概括
一个新的深度学习模型,CLSSL-ResNet,在CT扫描中准确地区分了肺粒状结节 (GN) 和固体肺腺癌 (SADC). 这种人工智能方法在识别恶性肺结节方面明显优于人类放射科医生.
科学领域:
- 放射学和医学成像学 医学成像学
- 人工智能在医学中的应用
- 深度学习用于医学诊断
背景情况:
- 肺粒状结节 (GN) 和固体肺腺癌 (SADC) 呈现类似的CT外观,导致潜在的误诊.
- 区分GN和SADC是非常重要的,因为它们的恶性潜力不同.
研究的目的:
- 开发一种自动化的深度学习模型,用于预测固体肺结节 (SPN) 的恶性瘤.
- 使用计算机断层扫描 (CT) 图像来区分GN和SADC.
主要方法:
- 一个基于ResNet的网络 (CLSSL-ResNet) 进行了预训练,使用了具有自我监督学习 (CLSSL) 的仿真标签,整合了恶性病,旋转和形态标签.
- 该模型在307名受试者的数据集上进行了训练,并在来自不同医院的121名受试者的独立数据集上进行了验证.
主要成果:
- 在区分GN与SADC方面,CLSSL-ResNet实现了0.944的ROC曲线下的高面积 (AUC) 和91.3%的精度 (ACC).
- 性能明显超过了经验丰富的放射科医生 (77.3% ACC) 和其他自我监督学习模型.
- 对数据集2的外部验证产生了类似的结果 (AUC 0.923,ACC 89.3%).
结论:
- 化学标签自主监督学习增强了医疗图像分析的深度网络特征表示.
- 在CT上,CLSSL-ResNet提供了一个有希望的非侵入性工具来区分GN与SADC,可能有助于临床诊断,等待进一步验证.
