PB-LNet:一种在CT图像上预测肺结节病理亚型的模型
Yuchong Zhang1, Hui Qu2, Yumeng Tian1
1Department of Medical Oncology, the First Hospital of China Medical University, NO.155, North Nanjing Street, Heping District, Shenyang, Liaoning Province, 110001, China.
BMC cancer
|October 3, 2023
概括
这项研究开发了一种深度学习模型 (PB-LNet) 来准确地将CT扫描中的肺结节分为六种病理亚型. 可解释模型显示高精度,证明其在肺结节诊断中的临床实用性.
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
- 在瘤学瘤学.
背景情况:
- 精确的肺结节病理亚型确定对于有效的治疗计划至关重要.
- 区分良性和恶性肺结节,以及不同程度的腺癌,仍然是一个临床挑战.
- 深度学习为医疗成像数据的自动化分析提供了潜力.
研究的目的:
- 为了将计算机断层扫描 (CT) 图像特征与肺结节的病理亚型相关联.
- 开发和验证基于深度学习的预测模型,用于肺结节的病理亚型.
- 评估开发模型的可解释性和临床实用性.
主要方法:
- 对477名经过手术治疗的肺结节患者的数据集进行了追溯分析.
- CT图像被增强并分为训练,验证和测试集 (6:2:2比).
- 使用PB-LNet深度学习模型进行病理亚型预测,并使用类激活地图进行解释. 进行了比较实验.
主要成果:
- 在测试组中,PB-LNet模型在将结节分为六类 (良性,前体腺和腺癌等级1-3) 的测试组中获得了0.84的准确性.
- 类激活地图表明,该模型专注于相关的肺部区域,与临床解释保持一致.
- 在比较实验中,PB-LNet的表现优于其他模型,在未增强的测试数据上达到0.89准确度.
结论:
- 该PB-LNet深度学习模型准确地从CT图像直接将肺结节分为六种病理亚型,而不需要手动划分结节.
- 该模型的预测是可解释的,它在真实世界的数据上显示出高准确性,这表明它具有重要的临床适用性.
- 这种方法提供了一个有前途的,自动化工具,用于提高肺结节特征的诊断准确度.
