肺结节恶性瘤的分类与相关的肺纤维化使用3D注意力控制的卷积网络与CT扫描
Yucheng Liu1, Hao Yun Hsu2, Tiffany Lin2
1Department of Radiology, Columbia University Irving Medical Center, 3-124B Milstein Hospital Bldg, 177 Fort Washington Avenue, New York, NY, 10032, USA. yl3830@cumc.columbia.edu.
Journal of translational medicine
|January 12, 2024
概括
将纤维化微环境和纤维化元数据纳入深度学习模型可以显著提高胸部CT扫描中的肺结节恶性瘤分类准确度.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 在瘤学瘤学.
背景情况:
- 通过胸部计算机断层扫描 (CT) 检测到的肺纤维化与增加肺癌风险有关.
- 目前的肺结节恶性瘤评估主要使用结节大小和吸烟史,经常忽视纤维化微环境的作用.
研究的目的:
- 研究将纤维化微环境纳入深度学习模型的影响,以对胸部CT图像上的肺结节恶性瘤进行分类.
- 通过纳入语义纤维化元数据来评估通过纳入语义纤维化元数据实现的性能提升.
主要方法:
- 开发了一个可视化的3D深度学习分类模型,并在胸部CT数据上进行训练.
- 使用了三个数据集:单独结节,结节与微环境,结节与微环境和纤维化元数据.
- 用准确度,灵敏度,特异性,AUC,注意力图和类激活图 (CAM) 来评估模型性能.
主要成果:
- 仅使用结节进行训练的模型达到75.61%的准确率和0.78 AUC.
- 包括微环境在内,性能提高到79.03%的准确度和0.84 AUC.
- 添加语义纤维化元数据进一步提高了性能,达到80.84%的准确性和0.89 AUC,灵敏度得到改善.
结论:
- 随着微环境数据的纳入,肺结节恶性瘤分类性能得到了改善.
- 纳入语义纤维化信息提供了进一步显著的性能增长.
