一个深度学习方法的基准,用国家肺查试验队列预测肺癌风险
Yifan Jiang1,2,3, Leyla Ebrahimpour1,2,4,5,3, Philippe Després4,5,6,3
1Centre de recherche du CHU de Québec-Université Laval, Quebec City, Canada.
Scientific reports
|January 11, 2025
概括
这项研究比较了使用CT扫描进行肺癌风险预测的深度学习模型. 3D模型的性能通常优于2D模型,这表明了为临床应用选择架构的重要性.
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:
- 深度学习 (DL) 显示出从CT扫描中预测肺癌风险的前景.
- 由于缺乏全面的模型比较和验证,临床应用受到阻碍.
- 评估最先进的 (SOTA) DL模型对于实际使用至关重要.
研究的目的:
- 审查和分析目前的SOTA深度学习模型用于肺癌风险预测 (恶性-良性分类).
- 使用CT扫描来比较2D和3DDL模型的性能.
- 评估预训练数据集对模型性能的影响.
主要方法:
- 使用了来自国家肺部查试验 (NLST) 的253个无对比CT扫描的子集.
- 预处理的扫描成2D图像和3D卷格式.
- 评估了10个3D和11个2DSOTA DL模型,在各种数据集 (通用和放射性) 上进行了预训练.
主要成果:
- 在肺癌风险预测方面,3D DL 模型通常优于2D 模型.
- 最好的3D模型获得了0.86的AUROC; 最好的2D模型达到0.79.
- 用放射学数据集进行的训练并不总是比通用数据集产生更高的性能.
结论:
- 两种2D和3DDL模型都是有效的肺癌风险预测,3D模型显示出更好的性能.
- 模型架构和预训练数据集选择对于基于DL的肺癌风险预测至关重要.
- 这些发现支持DL工具在肺癌查中的开发和临床整合.


