结合了深度学习,放射学和临床数据的组合模型,用于分类胸部CT的肺结节
Chia-Ying Lin1, Shu-Mei Guo2, Jenn-Jier James Lien2
1Department of Medical Imaging, College of Medicine, National Cheng Kung University Hospital, National Cheng Kung University, Tainan City, Taiwan, R.O.C.
La Radiologia medica
|November 16, 2023
概括
这项研究开发了一个准确的深度学习,放射学和临床数据模型来分类肺结节. 该模型有效地区分良性和恶性结节,识别亚型,并分配肺成像报告和数据系统 (Lung-RADS) 评分.
科学领域:
- 医学成像分析分析 医学成像分析
- 医疗保健中的人工智能
- 胸部瘤学 胸部瘤学
背景情况:
- 精确的肺结节分类对于早期癌症检测和患者管理至关重要.
- 整合不同的数据源可以提高诊断性能.
研究的目的:
- 开发一个结合深度学习 (DL),放射学和临床数据用于肺结节分类的综合模型.
- 将肺结节分为良性/恶性类别,病态亚型和肺成像报告和数据系统 (Lung-RADS) 评分.
主要方法:
- 使用AutoGluon-Tabular分类器开发了一个堆叠的集合模型.
- 该模型利用了修改的3D卷积神经网络 (CNN) 功能,放射学功能和临床数据.
- 在三个数据集 (LUNA16,LNOP,LNHE) 上进行培训和验证,并进行了十倍的交叉验证.
主要成果:
- 在LUNA16数据集上对良性/恶性肺结节的分类中获得了92.8%的准确性.
- 在病理亚型分类中获得75.5%的F1分数.
- 在肺-RADS分数分类中达到80.4%的F1分数.
结论:
- 拟议的综合模型在分类肺结节方面表现出高准确性.
- 该模型有效用于良性/恶性分类,病理亚型和肺RADS评分.
