一个可解释的深度学习框架用于CT扫描肺腺癌的手术前分类:推进外科决策支持
Qiang Shi1, Yufeng Liao2, Jie Li1
1Department of Thoracic Surgery, Ningbo No.2 Hospital, 315099 Ningbo, Zhejiang, China.
Annali italiani di chirurgia
|September 16, 2025
概括
这项研究开发了一个可解释的深度学习模型,SE-ResNet,以从CT扫描中准确地分类肺腺癌. 该模型显著改善了诊断性能和瘤定位,提供了作为临床决策支持工具的潜力.
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:
- 肺腺癌是癌症死亡的主要原因之一.
- 对肺腺癌的计算机断层扫描 (CT) 解释具有诊断局限性.
- 自动分类可以帮助人类解释.
研究的目的:
- 开发和评估可解释的深度学习框架,用于使用CT图像进行肺腺癌分类.
- 通过注意力增强的挤压和刺激剩余网络 (SE-ResNet) 提高自动化分类性能.
- 使用梯度加权类激活映射 (Grad-CAM) 改进模型解释性和瘤定位.
主要方法:
- 使用了380名受试者的3800张胸部CT切片 (190例肺腺癌,190例对照) 的数据集.
- 一个基线ResNet50和拟议的SE-ResNet50模型进行了培训和评估.
- 性能指标包括精度,AUC,精度,回忆和F1得分;Grad-CAM用于可视化.
主要成果:
- 该SE-ResNet模型实现了94%的准确性和0.941AUC,超过了ResNet50 (85%的准确性,0.854AUC).
- 格拉德-CAM可视化证实了SE-ResNet对瘤区域的优越定位.
- 在SE-ResNet中的注意力机制加强了对相关领域的关注.
结论:
- 在SE-ResNet框架提供精确和可解释的肺腺癌从CT图像的分类.
- 这种人工智能工具显示了协助放射科医生诊断的潜力.
- 进一步的验证可能会确定其作为临床工具的价值.
