基于深度学习的肺癌风险评估,使用胸部计算机断层扫描图像,没有肺结节≥8毫米

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:

• 低剂量胸部计算机断层扫描 (LDCT) 查有助于早期发现肺癌,但面临着诸如假阳性和过度诊断等挑战,特别是在小型结节方面.
• 目前的风险预测模型有局限性,深度学习 (DL) 需要大量数据,需要新的风险评估方法.

研究的目的:

• 开发和验证基于深度学习 (DL) 的无标签肺癌风险预测模型,使用替代的LDCT图像.
• 评估模型在没有大于8毫米的非化固体肺结节的个体中的性能.

主要方法:

• 利用没有大结节的个体的LDCT扫描;在细分的肺膜上训练了四个3D卷积神经网络 (CNN).
• 模型包括3D-CNN,MobileNet v2,SeresNet18和EfficientNet-B0,在1,064次LDCT扫描 (肺癌和对照组) 的数据集上进行训练.
• 在使用AUC,Brier分数和校准措施的1306次LDCT扫描的测试组上验证了模型.

主要成果:

• SEResNet18表现最好,获得最高的AUC (0.833验证,0.820测试) 和最低的布赖尔得分 (0.156验证,0.138测试).
• 其他模型,如3D-CNN和MobileNet v2,在预测肺癌风险方面也显示出有希望的结果.
• 这些模型在没有依赖结节检测的情况下有效预测肺癌的发展.

结论:

• 基于DL的,使用替代LDCT图像的无标签模型可以有效预测特定患者群体的肺癌风险.
• 这些模型可以通过直接分析肺膜膜来提高LDCT查效率.
• 需要进一步的前性研究和在不同人群中的验证,以确认临床效用和通用性.