一个基于三维胸部CT扫描的自我监督的基础模型,用于肺癌诊断和预后预测

科学领域:

• 医疗成像中的人工智能
• 放射学和计算机病理学
• 瘤学和诊断放射学 诊断放射学

背景情况:

• 肺癌的诊断和预后在很大程度上取决于胸部CT扫描的准确解释.
• 现有的深度学习模型通常需要大型标记数据集,从而限制了它们的应用.
• 基础模型为可概括的医学图像分析提供了一个有希望的方法.

研究的目的:

• 开发和验证一个自主监督的基础模型,用于肺癌中胸部CT分析.
• 评估模型在预测组织学亚型,癌症阶段,生存和复发方面的表现.
• 将拟议的模型与现有的机器学习和深度学习算法进行比较.

主要方法:

• 开发了基于CT的肺癌成像统一基金会 (UCLIF) 模型,使用超过33,000次胸部CT扫描的自我监督学习.
• 通过对比的蒙面图像建模任务进行预训,然后对特定的肺癌临床任务进行微调.
• 使用精度,灵敏度,特异性和AUC进行性能评估,并通过DeLong测试进行优越性测试.

主要成果:

• 与以自然图像或单个瘤区域进行预训练的模型相比,UCLIF模型获得了更高的性能 (P < .001).
• 在组织学亚型分类 (例如,腺癌的0.96),癌症分期 (例如,II期的0.99),生存预测 (例如,1年生存的0.97) 和复发预测 (AUC,0.95) 中报告了高AUC.

结论:

• 该UCLIF基金会模型在预测胸部CT数据的关键肺癌特征方面表现出高准确性.
• 自主监督学习可以在没有大量标记数据的情况下,在各种临床任务中提供强大的表现.
• 这种人工智能模型有可能改善肺癌诊断,分期和患者结果预测.