在不同人群中使用低剂量计算机断层扫描的转移学习进行小肺结节的增强恶性病变预测

科学领域:

• 放射学 放射学是一门学科.
• 人工智能的人工智能
• 医疗成像医学成像

背景情况:

• 由于人口统计和临床变异,很难预测小肺结节 (SLN) 中的恶性瘤.
• 低剂量计算机断层扫描 (LDCT) 对肺结节的检测至关重要.

研究的目的:

• 调查转移学习 (TL) 以改善跨国际数据集的SLN恶性瘤预测.
• 评估TL在克服最不发达国家数据中人口变化的有效性.

主要方法:

• 收集的亚洲 (CGH) 和美国 (NLST) LDCT数据集.
• 在每个数据集上训练初始的U-Net模型.
• 应用TL在数据集之间传输模型参数.
• 用准确度,灵敏度,特异性和AUC来评估性能.

主要成果:

• 证实了数据集之间的显著人口差异 (p < 0.001).
• 当交叉数据集应用时,最初的模型显示性能下降 (15.2%97.9%).
• TL显著提高了跨数据集的性能 (21.1%159.5%,p < 0.001),实现了高精度 (0.860.91) 和AUC (0.900.97).

结论:

• 转移学习有效地解决了SLN恶性瘤预测中的人口变异.
• TL使人工智能模型能够在各种国际LDCT数据集中得到强大的应用.
• 这种方法提高了AI驱动的肺结节恶性瘤评估的可靠性.