在现实世界多中心CT扫描中推进基于深度学习的多个肺癌病变的细分
Xavier Rafael-Palou1, Ana Jimenez-Pastor2, Luis Martí-Bonmatí3,4
1Research and Frontiers AI, Quibim, Valencia, Spain. xavierrafael@quibim.com.
European radiology experimental
|August 18, 2025
概括
这项研究引入了一种自动化方法,用于CT扫描中细分多个肺癌病变,在外部验证中达到85%的灵敏度. 由人工智能驱动的方法提高了肺癌评估和疾病监测.
科学领域:
- 医学成像分析 医学成像分析
- 在瘤学中使用人工智能
- 放射学和计算机病理学
背景情况:
- 在计算机断层扫描 (CT) 中精确细分肺癌病变对于诊断,治疗计划和反应评估至关重要.
- 虽然单创伤细分已经确立,但肺癌中的多创伤细分仍然是一个未经探索的领域.
- 这项研究解决了使用真实世界多中心数据对肺癌病变进行自动化多实例细分的需求.
研究的目的:
- 开发和验证一种新的自动化方法,用于CT扫描中肺癌病变的多实例细分.
- 解决每位患者多个肺癌病变的自动细分的差距.
- 利用现实世界多中心数据的异质队列来进行强大的模型培训和评估.
主要方法:
- 分析了1,081个CT扫描,其中有5,322个注释病变,分层分为训练 (n=868) 和测试 (n=213) 的子集.
- 开发一个三步自动化管道:胸部界限盒提取,多实例病变细分和虚假阳性减少使用多级级级别分类器.
- 利用基于深度学习的细分管道,在多中心真实世界数据上进行训练.
主要成果:
- 在一个独立的测试组中,在细分方面获得了76%的Dice相似系数和85%的病变检测灵敏度.
- 通过对188个病例的外部数据集进行验证,达到73%的Dice相似系数和85%的病变检测灵敏度.
- 在不同数据集中检测和细分多个肺癌病变方面表现出强大的性能.
结论:
- 开发的自动化方法在CT扫描上准确地检测和细分每位患者的多个肺癌病变.
- 该方法在独立和外部现实世界数据集中显示出强度和通用性.
- 多种病变的AI驱动细分全面捕捉病变负担,改善肺癌评估和疾病监测.
