利用本地分辨率的2D嵌入用于肺癌分类:使用RAD-DINO自主监督基础模型的可行性研究
Md Enamul Hoq1, Lawrence Tarbox2, Donald Johann2
1Department of Biomedical Informatics, University of Arkansas for Medical Sciences, AR, Little Rock, USA. mhoq@uams.edu.
Journal of imaging informatics in medicine
|December 19, 2025
概括
这项研究介绍了使用低剂量CT扫描进行肺癌查的实用AI. 人工智能有效地估计了患者的风险,提高了识别潜在肺癌的准确性和可靠性.
科学领域:
- 医疗成像中的人工智能
- 放射学和医学成像学 医学成像学
- 计算病理学计算病理学
背景情况:
- 低剂量CT (LDCT) 查显著降低肺癌死亡率,但受到高错误阳性率的阻碍.
- 需要实用的人工智能 (AI) 工具,这些工具与临床实践中常见的基于切片的审查过程保持一致.
研究的目的:
- 通过使用冷的RAD-DINO嵌入来评估一个标签效率高的2DAI管道,用于患者层面的肺癌风险估计.
- 在现实的查流行情况下评估人工智能管道的性能,并调查其可解释性.
主要方法:
- 一个2D管道使用从轴心CT切片中结的RAD-DINO嵌入物和多层感知子 (MLP) 来进行风险估计.
- 在NLST数据集上使用平均聚合和同位素校准进行了患者级风险估计,并进行了固定的患者级分割.
- 绩效在查流行率 (约. 6%) 使用重复不平衡的测试抽取,并对近平衡的队列和检索任务进行二次分析.
主要成果:
- 在查患病率时,RAD-DINO + MLP管道在校准后实现了0.705的PR-AUC和0.817的ROC-AUC,证明了更好的概率可靠性.
- 对平衡队列的二次分析产生了高性能指标:准确度为0.966,精度为0.974,回忆为0.973,F1为0.973,ROC-AUC为0.912.
- 使用微调嵌入的检索任务实现了0.853的精度@5,可解释性分析突出显示了具有更高切片分数的癌症病例.
结论:
- 结的2D基础嵌入为LDCT选人工智能工作流提供了一个计算实用和透明的起点.
- 评估的AI管道证明了风险估计的有效性和肺癌查中的图像检索潜力.
- 未来的工作应该集中在外部验证和CT本地自主监督学习上,以进一步提高AI的适用性.
