对于第四期非小细胞肺癌的可靠人工智能:自动细分和不确定性量化
Sacha Dedeken1, Pierre-Henri Conze2, Vera Damerjian Pieters3
1LaTIM UMR 1101, Inserm, Brest, France; University of Western Brittany, Brest, France; SOPHiA GENETICS, Pessac, France.
概括
深度学习模型可以在非小细胞肺癌 (NSCLC) CT 扫描中准确地细分先进的肺瘤. 这种方法有助于识别需要审查的复杂病例,推进个性化医疗.
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:
- 精确的肺瘤细分对于非小细胞肺癌 (NSCLC) 的个性化药物至关重要.
- 第四阶段NSCLC由于瘤异质性和同时出现的疾病,如感染和多发性溢液,造成了细分挑战.
- 多中心数据集增加了复杂性,在不同的临床环境中强大的细分.
研究的目的:
- 评估深度学习 (DL) 方法用于NSCLC中晚期肺瘤的自动细分.
- 评估模型设计,HU窗口和数据集大小对细分性能的影响.
- 建议使用深度合集进行信心评分,用于不确定性量化和复杂案例的识别.
主要方法:
- 在来自Deep-Lung-IV研究的387个CT扫描上利用了3D深度学习架构.
- 进行了全面的实验,以评估模型设计,HU窗口和数据集大小.
- 开发了基于深层合集的信心评分,以量化预测不确定性.
主要成果:
- 基于注意力的DL架构和特定的预处理策略改善了对具有挑战性的IV阶段NSCLC病例的细分质量.
- 证明了DL模型在细分异质肺瘤方面的有效性.
- 展示了不确定性估计在识别需要专家审查的复杂案例时的有用性.
结论:
- 深度学习,特别是以注意力为基础的模型,具有优化的预处理,显示出在先进的NSCLC中强大的肺瘤细分的巨大潜力.
- 不确定性量化对于开发可靠的医疗成像AI系统至关重要.
- 该研究为在复杂的临床场景中实施基于DL的细分提供了实际指导方针.
