通过深度学习的电子鼻子进行肺癌诊断的跨站点验证:一个多中心前性研究
Meng-Rui Lee1,2, Mu-Hsiang Kao3, Ya-Chu Hsieh3
1Department of Internal Medicine, National Taiwan University Hospital, Taipei, Taiwan.
Respiratory research
|May 10, 2024
概括
电子鼻子 (eNose) 呼吸痕迹的深度学习模型显示,在不同地点检测肺癌具有前途. 数据增强和微调显著改善了模型性能,使这种非侵入性诊断工具能够进行跨站点验证.
科学领域:
- 医学诊断 医学诊断 医学诊断
- 医疗保健中的人工智能
- 生物标志物发现发现
背景情况:
- 电子鼻子 (eNose) 技术已经显示出肺癌诊断的潜力.
- 对eNose模型的跨站点验证仍然是一个重大挑战.
- 之前的研究还没有针对eNose肺癌检测的跨站点验证.
研究的目的:
- 开发和验证深度学习模型用于使用eNose呼吸痕迹检测肺癌.
- 评估基于eNose的肺癌诊断跨站点验证的可行性.
- 通过数据增强和微调技术来提高 eNose 模型的通用性.
主要方法:
- 从两个中心 (2019-2022) 招募肺癌患者和对照组的前景招募.
- 使用培训队伍开发深度学习模型,并从另一个站点对独立队伍进行测试.
- 半监督域泛化 (Semi-DG) 增强 (SDA) 和噪声转移增强 (NSA) 的应用,有或没有微调.
主要成果:
- 共有231名参与者被录取 (168名参加培训/验证,63名参加测试队列).
- 在一个站点训练的模型直接应用到另一个站点,产生了低于最佳的结果 (AUC:0.61).
- 数据增强 (SDA,NSA) 提高了性能 (AUC:0.890.90),在微调后进一步增强 (AUC:0.95).
结论:
- 对于eNose呼吸痕迹的深度学习模型可以实现跨站点验证.
- 数据增强和微调是提高模型通用性的有效策略.
- 鼻腔呼吸探测为肺癌检测提供了一种方便,非侵入性和潜在的通用化方法.
