空间时间深度学习,以时间关注不确定的肺结节分类
B Farina1, R Carbajo Benito1, D Montalvo-García1
1Biomedical Image Technologies, ETSI Telecomunicación, Madrid, 28040, Spain; Centro de Investigación Biomédica en Red de Bioingeniería, Biomateriales y Nanomedicina (CIBER-BBN), Instituto Salud Carlos III, Madrid, 28040, Spain.
Computers in biology and medicine
|August 16, 2025
概括
一个新的深度学习模型使用连续CT扫描准确地预测肺结节恶性瘤. 这种工具有助于早期检测肺癌和患者风险分层.
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:
- 肺癌是全球癌症死亡的主要原因之一.
- 计算机辅助诊断 (CAD) 系统可以提高肺癌查的准确性.
- 对不确定性肺结节的连续成像分析仍然未得到充分探索.
研究的目的:
- 开发和评估一种新的深度学习框架,用于使用序列查CT图像预测不确定的肺结节恶性瘤.
- 通过分析肺结节的时间演变来提高恶性瘤预测的准确性.
主要方法:
- 引入了一个整合空间和时间分析的全球注意力卷积循环神经网络 (globAttCRNN).
- 使用2D CNN进行空间特征提取,并使用RNN与全球注意模块进行时间特征捕获.
- 实施了新的时间数据处理策略 (增加,丢弃) 来解决缺失的数据.
主要成果:
- 全球AttCRNN在一个独立的测试组中实现了0.954的AUC-ROC.
- 该模型在恶性瘤预测中表现优于基线单次和多次架构.
- 时间全球关注模块有效地优先考虑了结节分析的信息时间点.
结论:
- 拟议的globAttCRNN显示了提高不确定的肺结节诊断准确性的巨大潜力.
- 这一框架可以帮助放射科医生做出决策,并减少肺癌查中读者之间的差异性.
- 该模型为肺癌风险分层和早期检测提供了有价值的工具.
