[可解释深度学习的应用,区分良性和恶性肺部占用病变,并对肺癌的病态亚型进行分类]
Haoran Li1,2, Yuanyuan Wang2, Yang Wang2
1First Clinical Medical College, Henan University of Chinese Medicine, Zhengzhou 450000, China.
Zhongguo fei ai za zhi = Chinese journal of lung cancer
|January 7, 2026
概括
这项研究引入了一个可解释的深度学习模型,TT-ResMLP,用于诊断肺病变和分类肺癌亚型. 该模型有效地利用多个来源的数据,并确定了改善临床决策的关键预测特征.
科学领域:
- 人工智能在医学中的应用
- 计算病理学计算病理学
- 医学成像分析 医学成像分析
背景情况:
- 肺病变和肺癌亚型的准确诊断至关重要,但由于数据集成和模型解释性而受到挑战.
- 深度学习模型具有潜力,但在临床决策中往往缺乏透明度.
研究的目的:
- 评估可解释深度学习混合架构TT-ResMLP的性能,用于诊断良性与恶性肺病变,并对肺癌亚型进行分类.
- 评估TT-ResMLP模型在确定关键预测特征及其相互作用方面的可解释性.
主要方法:
- 收集了345名患者的多来源数据 (放射学,病史,实验室发现).
- 采用了特征选择,用于数据平衡的SMOTE和十倍交叉验证.
- 开发并评估了Tab-Transformer,ResMLP以及使用ROC,AUC,精度,特异性和灵敏度的混合型TT-ResMLP模型.
- 为了模型的可解释性,利用了夏普利添加式解释 (SHAP).
主要成果:
- 在良性与恶性诊断中,Tab-Transformer表现最好;在肺癌亚型分类中,TT-ResMLP表现出色.
- SHAP分析确定了关键特征,如年龄,肺缩和血栓时间用于诊断,以及肺RADS类别,性别和NSE用于亚型分类.
- 发现了特征相互作用,例如,肺内的贡献随着年龄的增长而增加,血栓激素时间减少.
结论:
- TT-ResMLP混合架构在诊断肺病变和分类肺癌亚型方面表现出有效性和可解释性.
- 该模型为预测特征的重要性和相互作用提供了宝贵的见解,支持临床决策支持和肺癌生物学理解.
