基于视觉语言模型的语义引导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.
Journal of biomedical informatics
|October 29, 2025
概括
这项研究引入了一种新的机器学习方法来预测肺癌,使用放射学家衍生的语义特征和视觉语言模型. 该方法提高了肺结节分析的诊断准确性和解释性.
科学领域:
- 医疗成像中的人工智能
- 放射学和瘤学 放射学和瘤学
- 计算机辅助诊断 计算机辅助诊断
背景情况:
- 对于肺结节恶性瘤评估的机器学习模型通常在解释性和依赖手动注释方面扎.
- 现有的模型面临着由于临床环境中对成像变化的敏感性而面临的强度挑战.
研究的目的:
- 开发一种机器学习模型,将放射学家的语义特征集成在一起,以预测肺癌.
- 提高肺结节恶性瘤评估的临床相关性,稳定性和可解释性.
主要方法:
- 利用了938个低剂量CT扫描 (NLST) 和2,625个具有语义特征的病变 (LIDC);包括UCLA,LUNGx和杜克的外部数据集.
- 将结构化的语义特征转换为文本,并使用参数效率微调微调预训练的对比语言图像预训练 (CLIP) 模型.
- 通过对齐图像和语义文本特征,预测一年的肺癌诊断.
主要成果:
- 在NLST测试套件上获得了0.901的AUROC和0.776的AUPRC,表现优于SOTA模型.
- 在多个外部验证数据集中展示了强大的性能.
- 使用CLIP的零射击推断为结节边缘 (0.807),一致性 (0.812) 和膜附着 (0.840) 产生了高的AUROC.
结论:
- 拟议的视觉语言模型整合语义特征,在从各种CT扫描中预测肺癌方面超过了SOTA模型.
- 该方法提供可解释的输出,帮助临床医生理解模型预测.
- 这项研究为肺癌查中更强大,更易于解释的AI提供了途径.
