2D深度学习细分网络的景观应用于肺癌患者的CT扫描:系统性审查
Somayeh Sadat Mehrnia1,2, Zhino Safahi2,3, Amin Mousavi2
1Department of Integrative Oncology, Breast Cancer Research Center, Motamed Cancer Institute, ACECR, Tehran, Iran.
Journal of imaging informatics in medicine
|March 4, 2025
概括
深度学习,特别是UNet模型,在CT扫描中显示出肺癌检测的前景. 然而,数据不平衡和通用性等挑战需要解决,以改善自动诊断.
科学领域:
- 放射学和医学成像学 医学成像学
- 医疗保健中的人工智能
- 计算病理学计算病理学
背景情况:
- 肺癌的发病率需要通过计算机断层扫描 (CT) 扫描进行早期检测.
- 深度学习 (DL) 增强了CT扫描分析,改善了肺癌诊断和患者的治疗结果.
- 本综述侧重于用于肺癌CT细分的2D深度学习网络.
研究的目的:
- 审查2D深度学习 (DL) 网络在肺癌CT细分中的当前和未来应用.
- 总结现有研究,确定关键概念,并突出该领域的研究差距.
- 为改善肺癌诊断和早期检测提供有关DL使用的见解.
主要方法:
- 按照系统审查和元分析 (PRISMA) 准则的首选报告项目进行系统的文献搜索.
- 对2020年1月至2024年12月期间发表的同行评审研究进行分析.
- 包括124项专注于数据驱动人口细分的研究,使用来自主要科学数据库的结构化数据.
主要成果:
- 最常用的数据集是LIDC-LIDR数据集,主要依赖于监督学习和标记数据.
- UNet及其变体是占主导地位的模型,实现高子相似系数 (DSC) 高达0.9999.9.
- 发现的重大差距包括阶级不平衡 (67%),不充分使用交叉验证 (21%),模型稳定性评估不佳 (3%),未能解决缺少的数据 (88%) 和有限的概括性讨论 (34%).
结论:
- 卷积神经网络,特别是UNet,对于肺部CT分析至关重要.
- 建议使用组合的2D/3D建模方法来增强肺部CT细分.
- 未来的研究应该集中在更大,更多样化的数据集上,并探索半监督/无监督学习以实现自动肺癌诊断.
