弱监督的临床前瘤局部化与肺癌查的生存预测相关 胸部X射线图像

科学领域:

• 医疗成像医学成像
• 在瘤学中使用人工智能
• 放射学 放射学是一门学科.

背景情况:

• 早期发现肺癌对于改善患者的治疗结果至关重要.
• 目前用于分析胸部X射线 (CXRs) 的方法可能并不总是能够识别瘤的微妙,临床前迹象.
• 生存预测模型为风险分层提供了潜在的可能性,但往往缺乏可视化解释性.

研究的目的:

• 开发一种弱监督的深度学习模型,用于在CXR图像中定位临床前瘤.
• 为了提高使用这些局部图像区域的生存预测的准确性.
• 为生存预测提供视觉解释,帮助临床医生在早期肺癌检测.

主要方法:

• 在CXR数据上训练一个对审查者有意识的,多类生存预测的深度学习分类器.
• 使用量化时间到死亡作为预测类来实现后期解释性.
• 使用Grad-CAM用于定位预临床瘤的图像区域.
• 使用国家肺癌查试验 (NLST) 数据集建立一个新的基准.

主要成果:

• 提出的方法在C指数生存预测和弱监督的临床前瘤局部化方面都取得了最先进的表现.
• 证明了在CXR图像中识别和视觉解释临床前瘤位置的能力.
• 该模型被证明对不平衡的培训数据具有稳定性.

结论:

• 这项研究提出了一种开创性的方法,将生存预测与CXRs中的弱监督瘤局部化整合在一起.
• 开发的视觉解释可以显著帮助临床医生在早期肺癌检测.
• 提高患者对疾病易感性的认识是这项技术的一个潜在好处.