肺结节恶性瘤分类 集成深度和放射性特征在三路注意力基础的融合模块
Sadaf Khademi1, Shahin Heidarian2, Parnian Afshar1
1Concordia Institute for Information Systems Engineering, Montreal, QC H3G 1M8, Canada.
Journal of imaging
|October 28, 2025
概括
一个新的混合框架,I-VISTA,使用集成的视觉,空间和时间特征准确地分类肺腺癌的侵入性. 这种深度学习和放射学方法可以更好地区分早期和侵袭性肺癌.
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:
- 作为亚固体结节呈现的肺腺癌需要准确的侵入性评估以获得最佳治疗.
- 区分微创性腺癌和侵袭性腺癌对于患者管理至关重要.
- 目前的诊断方法在充分描述结节的侵入性方面可能受到限制.
研究的目的:
- 开发和评估一种新的混合框架,I-VISTA,用于评估肺腺癌的侵入性.
- 使用深度学习和放射性模型整合视觉,空间和时间特征.
- 为了提高分类准确性,将亚固体结节分为不同的侵入性组.
主要方法:
- 开发了一个混合框架 (I-VISTA),集成了三个并行处理路径:空间特征的移动窗口 (SWin) 变压器,切片间关系的卷积自动编码器 (CAE) 变压器,以及用于纹理分析的3D放射性路径.
- 从这些路径的特征被融合使用一个Criss-Cross注意力模块结节分类.
- 该框架在114个病理证明的肺腺癌中使用十倍交叉验证方案进行了评估.
主要成果:
- I-VISTA框架实现了高性能指标:93.93%的整体准确度,92.66%的灵敏度和94.99%的特异性.
- 在ROC曲线下的面积 (AUC) 是0.93±0.08.
- 综合深度学习和放射性模型的混合方法在区分G1 (不那么侵入性) 和G2 (侵入性) 亚固体结节方面明显优于独立模型.
结论:
- 拟议的I-VISTA框架在分类作为亚固体结节的肺腺癌的侵入性方面表现出卓越的表现.
- 通过深度学习和放射学来整合多模式功能,提供了一种全面的方法来提高诊断准确性.
- 这种混合模型有望提高肺结节管理中的临床决策.
