基于视觉语言模型的语义导向成像生物标志物用于肺结节恶性瘤预测
Luoting Zhuang1, Seyed Mohammad Hossein Tabatabaei1, Ramin Salehi-Rad2
1Medical & Imaging Informatics, Department of Radiological Sciences, David Geffen School of Medicine at UCLA, Los Angeles, 90095, CA, USA.
ArXiv
|August 13, 2025
概括
这项研究引入了一种新的机器学习方法,使用放射学家指导的语义特征来改善CT扫描的肺癌预测. 该模型实现了卓越的准确性,并提供了可解释的结果,提高了临床适用性.
科学领域:
- 放射学中的人工智能
- 机器学习用于医学成像
- 肺癌检测和诊断 肺癌检测和诊断
背景情况:
- 目前用于肺结节恶性瘤评估的机器学习模型通常依赖于手册注释,缺乏可解释性.
- 这些模型对成像变异敏感,限制了它们在现实世界的临床实用性.
- 需要强大的,可解释的AI模型,可以整合临床见解来预测肺癌.
研究的目的:
- 开发和验证一种机器学习模型,该模型将放射科医生评估的语义特征与成像数据集成在一起.
- 提高肺癌预测模型的临床相关性,稳定性和可解释性.
- 引导模型学习临床上有意义的成像特征,以准确诊断肺癌.
主要方法:
- 利用来自国家肺部查试验 (NLST) 和其他外部数据集 (LIDC,UCLA,LUNGx,Duke) 的低剂量CT扫描.
- 提取了2D节点切片,并使用Gemini将结构化的语义特征转换为句子.
- 微调了一个预训练的对比语言图像预训练 (CLIP) 模型,使用参数高效微调来调整成像和语义特征,用于一年的肺癌预测.
主要成果:
- 拟议的模型在NLST测试组中取得了卓越的性能,接收器操作特征曲线 (AUROC) 下的面积为0.901,精度回调曲线 (AUPRC) 下的面积为0.776.
- 在多个外部验证数据集中展示了强大的性能.
- 使用CLIP的零射击推断为语义特征提供了准确的预测,例如结节边缘 (AUROC:0.812),结节一致性 (0.812),以及膜附着 (0.840).
结论:
- 开发的方法在各种临床环境中优于肺癌预测的最新模型.
- 该模型提供了可解释的输出,帮助临床医生理解预测的逻辑,并防止模型的快捷方式.
- 该方法在不同的临床环境中很好地泛化,为肺癌查提供了更可靠的工具.
