分享自:

基于深度学习、放射组学和临床数据的联合模型用于胸部CT肺结节分类

期刊:la radiologia medicaDOI:10.1007/s11547-023-01730-6

这篇文档属于类型a,即一份关于单一原创研究的学术论文报告。以下是对该研究的详细介绍:

主要作者及机构

该研究的主要作者包括Chia-Ying Lin、Shu-Mei Guo、Jenn-Jier James Lien、Wen-Tsen Lin、Yi-Sheng Liu、Chao-Han Lai、I-Lin Hsu、Chao-Chun Chang和Yau-Lin Tseng。他们分别来自国立成功大学医院(National Cheng Kung University Hospital)的医学影像科、计算机科学与信息工程系、外科以及胸外科。该研究于2024年发表在《La Radiologia Medica》期刊上。

学术背景

该研究的主要科学领域是医学影像学与人工智能(AI)的结合,特别是在肺癌筛查中的应用。肺癌是全球范围内死亡率最高的癌症之一,早期诊断对提高患者生存率至关重要。低剂量计算机断层扫描(low-dose computed tomography, LDCT)是肺癌筛查的标准成像方式,但其存在较高的假阳性率和过度诊断问题。因此,研究团队旨在开发一种结合深度学习(deep learning, DL)、放射组学(radiomics)和临床数据的综合模型,以更准确地对肺部结节进行分类,包括良恶性分类、病理亚型分类以及Lung-RADS(Lung Imaging Reporting and Data System)评分分类。

研究流程

研究流程主要包括以下几个步骤:

  1. 数据集准备

    • 研究使用了三个数据集:一个公开数据集Luna16(包含1004个肺部结节)和两个私有数据集LNOP(包含1027个手术切除的肺部结节)和LNHE(包含1525个健康检查中发现的肺部结节)。
    • 这些数据集被用于训练、验证和测试提出的综合模型。
  2. 模型开发

    • 提出的模型采用了堆叠集成方法(stacked ensemble model),结合了深度学习、放射组学和临床数据。
    • 深度学习部分基于改进的3D卷积神经网络(3D CNN),使用了NASLung架构,并对其进行了两项改进:用坐标注意力模块(coordinate attention, CA)替换了卷积块注意力模块(convolutional block attention module, CBAM),并引入了扩张残差密集块(dilated residual dense block, DRDB)以增强模型性能。
    • 放射组学特征提取使用了PyRadiomics工具,提取了1319个特征,包括形状特征、一阶统计特征和纹理特征。
    • 临床数据包括年龄、性别、吸烟史和家族史等。
  3. 分类任务

    • 任务1:在Luna16数据集中对肺部结节进行良恶性分类。
    • 任务2:对肺部结节进行病理亚型分类,包括侵袭性腺癌(invasive adenocarcinoma, IA)、微浸润腺癌(minimally invasive adenocarcinoma, MIA)、原位腺癌(adenocarcinoma in situ, AIS)和非典型腺瘤样增生(atypical adenomatous hyperplasia, AAH)。
    • 任务3:对肺部结节进行Lung-RADS评分分类,分为2、3、4a和4b/4x四个类别。
  4. 模型评估

    • 使用十折交叉验证(ten-fold cross-validation)评估模型性能,评估指标包括准确率、召回率、精确率和F1分数。

主要结果

  1. 良恶性分类

    • 模型在Luna16数据集上的准确率达到92.8%,F1分数为92.16%。良性结节的分类准确率为96.17%,恶性结节的分类准确率为89.43%。
  2. 病理亚型分类

    • 在任务2.1中,模型对IA、MIA/AIS和AAH/其他良性病变的分类准确率分别为84.70%、74.45%和67.82%,整体F1分数为75.45%。
    • 在任务2.2中,模型对IA、MIA、AIS和AAH的分类准确率分别为87.33%、61.88%、57.06%和68.27%,整体F1分数为68.70%。
  3. Lung-RADS评分分类

    • 模型在任务3中的准确率为80.48%,F1分数为80.38%。Lung-RADS 4b/4x类别的分类准确率最高,为93.34%。

结论

该研究提出的综合模型在肺部结节的良恶性分类、病理亚型分类和Lung-RADS评分分类中表现出较高的准确性。该模型结合了深度学习、放射组学和临床数据,能够为肺癌的早期诊断和个性化治疗提供有力支持,具有重要的临床应用价值。

研究亮点

  1. 创新性方法:研究提出了结合深度学习、放射组学和临床数据的综合模型,并通过改进的3D CNN架构和堆叠集成方法显著提高了分类性能。
  2. 多任务分类:研究不仅进行了良恶性分类,还进一步对病理亚型和Lung-RADS评分进行了多类别分类,扩展了模型的应用范围。
  3. 数据集多样性:研究使用了公开数据集和私有数据集,验证了模型在不同数据集上的泛化能力。

其他有价值的内容

研究还进行了消融实验(ablation study),验证了临床数据对病理亚型分类的重要性,尤其是吸烟史对分类准确率的提升作用。此外,研究还探讨了Lung-RADS评分在亚洲人群中的适用性,指出其在某些情况下可能存在局限性,进一步强调了AI模型在个性化治疗中的潜力。

通过这项研究,研究团队为肺癌筛查和诊断提供了一种高效、准确的新型工具,未来有望在临床实践中广泛应用。

上述解读依据用户上传的学术文献,如有不准确或可能侵权之处请联系本站站长:admin@fmread.com