Res-TransNet:一种混合深度学习网络,用于CT图像中预测肺腺癌的病理亚型
Yue Su1, Xianwu Xia2, Rong Sun1
1School of Health Science and Engineering, University of Shanghai for Science and Technology, Shanghai, 200093, China.
Journal of imaging informatics in medicine
|June 11, 2024
概括
一个新的混合深度学习模型,Res-TransNet,从CT扫描中准确预测肺腺癌亚型. 这种先进的网络集成了残留网络 (ResNet) 和视觉变压器 (ViT),以提高早期肺癌诊断的准确性.
科学领域:
- 医学成像和人工智能 医学成像和人工智能
- 在瘤学瘤学.
- 放射学 放射学是一门学科.
背景情况:
- 早期肺腺癌的诊断依赖于准确的病理亚型.
- 像残余网络 (ResNet) 和视觉变压器 (ViT) 这样的深度学习模型在医疗图像分析中表现有前途.
- 整合不同的深度学习架构可能会提高分类性能.
研究的目的:
- 开发和评估基于CT的混合深度学习网络Res-TransNet,用于预测早期肺腺癌的病理亚型.
- 为了比较混合Res-TransNet模型与独立ResNet和ViT模型的性能.
- 评估Res-TransNet在协助放射科医生进行精确诊断方面的潜力.
主要方法:
- 通过将3D ResNet和ViT集成,开发了一个混合深度学习网络 (Res-TransNet).
- 该模型在两个中心的1411个病理确认的地面玻璃结节 (GGNs) 上进行了训练和验证.
- 进行了两个分类任务:预测来自非IAC的侵入性腺癌 (IAC) (任务1) 和分类三种亚型 (任务2).
主要成果:
- 最优的Res-TransNet模型在任务1中实现了0.986 (内部) 和0.933 (外部) 的高AUC值,显著优于ResNet和ViT.
- 在任务2中,融合模型在外部验证集中实现了68.3%的准确性和66.1%的加权F1得分.
- 与单个ResNet和ViT模型相比,Res-TransNet显示了显著改善的分类性能.
结论:
- 开发的Res-TransNet模型显示了提高肺腺癌亚型分类性能的巨大潜力.
- 这种混合深度学习方法可以帮助放射科医生更精确地诊断早期肺癌.
- 进一步验证和临床实施Res-TransNet可以提高早期肺癌的检测和管理.
