通过深度学习和CT成像改善肺癌诊断和生存预测
Xiawei Wang1, James Sharpnack2, Thomas C M Lee1,2
1Graduate Group in Biostatistics, University of California - Davis, Davis, California, United States of America.
PloS one
|June 11, 2025
概括
这项研究引入了一种新的卷积神经网络方法,用于使用CT扫描检测肺癌. 该方法通过建模肺部形态和死亡风险来增强早期诊断和生存预测.
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:
- 肺癌是癌症死亡的主要原因,需要改进早期诊断和治疗策略.
- 当前的诊断方法可能无法完全捕捉到肺部形态和癌症风险之间的复杂关系.
研究的目的:
- 开发和评估一个深度学习模型,用CT图像形态学来预测肺癌风险和死亡率.
- 引入一个新的迷你分批损失函数,扩展Cox比例危险模型,用于在大数据集上的神经网络训练.
- 将这种损失与二元交叉结合起来,同时预测癌症发生率和生存结果.
主要方法:
- 利用3D卷积神经网络 (CNN) 来分析CT图像中的肺部形态.
- 开发了一个迷你分批损失函数,这是考克斯比例危险模型的延伸,用于处理神经网络非凸度,并使大数据集训练成为可能.
- 集成迷你分批损失与二进制交叉来预测肺癌发病率和死亡风险.
- 评估了国家肺部查试验数据集的方法.
主要成果:
- 拟议的迷你分批损失证明了在有或没有审查机制的情况下的有效性.
- 结合微分批损失和二进制交叉,准确预测了肺癌发生率和死亡率.
- 在国家肺部查试验数据上实现了肺癌分类和生存预测的高曲线下面面积 (AUC) 和C指数得分.
- 通过模拟和现实世界数据实验验验证了方法.
结论:
- 深度学习方法有效地模拟了肺形态与肺癌风险之间的非线性关系.
- 新型迷你批量损失功能促进了对大型数据集进行生存分析的高效训练.
- 综合预测模型显示了改善肺癌诊断和患者生存结果的巨大潜力.
