通过使用时间序列深度学习来提高挑战性屏幕检测事件肺结节的癌症预测

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 在瘤学瘤学.

背景情况:

• 使用计算机断层扫描 (CT) 的肺癌查 (LCS) 通过早期检测肺结节来降低死亡率.
• 深度学习 (DL) 模型可以提高对结节恶性瘤风险的评估.
• 目前的DL模型通常分析单个CT时间点,可能缺少暗示恶性瘤的微妙变化.

研究的目的:

• 评估一种新的深度学习模型DeepCAD-NLM-L的性能,用于肺结节恶性瘤预测.
• 评估纵向,多模式数据分析在肺癌查中的价值.
• 将模型的性能与单个时间点DL模型和放射学家进行比较.

主要方法:

• 开发DeepCAD-NLM-L,一个DL模型,将结节和肺成像数据与临床元数据纵向整合起来.
• 使用曲线下的面积 (AUC) 度量来评估性能.
• 使用单个时间点数据与DL模型进行比较,并由放射科医生进行评估.

主要成果:

• DeepCAD-NLM-L实现了88%的AUC,仅使用单个时间点数据的模型表现优于该模型.
• 该模型在具有挑战性的结节上向放射科医生展示了可比且互补的性能.
• 当在分布之外的成像数据集上进行评估时,观察到类似的性能.

结论:

• 时间序列CT扫描的纵向分析显著改善了肺癌查中的恶性瘤风险预测.
• 在LCS程序中,DeepCAD-NLM-L提供了一个有价值的工具来增强节点解释.
• 多模式和时间序列数据集成是改善医学成像中的深度学习应用的有希望的方向.