基于深度学习的肺癌结节转移的预测,使用内支气管超声波
Tsukasa Ishiwata1, Terunaga Inage1, Masato Aragaki1
1Division of Thoracic Surgery, Toronto General Hospital, University Health Network, Toronto, Ontario, Canada.
JTCVS techniques
|December 13, 2024
概括
深度学习模型可以准确地预测肺癌的淋巴结转移从内支气管超声波视频. 这种人工智能方法显示出改善肺癌分期和诊断的前景.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 在瘤学瘤学.
背景情况:
- 在肺癌的分期过程中,经过支气管的超声波导向的穿越支气管针吸收 (EBUS-TBNA) 是至关重要的.
- EBUS-TBNA有其局限性,尤其是有限的负预测值.
- 精确的淋巴结分期对于有效的肺癌治疗至关重要.
研究的目的:
- 评估深度学习模型的诊断性能,以预测肺癌淋巴结转移.
- 利用卷积神经网络 (CNN) 来自动提取EBUS视频中的图像.
- 在没有手动淋巴结位置监督的情况下评估模型的有效性.
主要方法:
- 分析了患者和淋巴结数据的单中心数据集.
- 从EBUS视频中自动提取图像,使用注释系统进行.
- 通过使用来自ImageNet.Net的转移学习来训练和验证CNN (SqueezeNet).
- 适应时刻估计和随机梯度下降被用作优化器.
主要成果:
- 使用自适应时刻估计的SqueezeNet实现了96.7%的灵敏度,特异性,精度,PPV和NPV.
- 使用随机梯度下降的SqueezeNet在相同的指标上实现了91.1%.
- 该模型表现出稳定的性能,特别是随着随机梯度下降.
结论:
- 基于深度学习的图像分类显示了诊断肺癌结节转移的巨大潜力.
- 开发的算法显示出有希望的诊断准确性.
- 建议通过前性,大队列临床试验进行进一步验证.
