深度学习模型帮助CT检测肺部肿瘤

【字体: 时间:2025年01月23日 来源:AAAS

编辑推荐:

  一种新的深度学习模型在检测和分割肺肿瘤方面显示出希望。这项研究的发现可能对肺癌的治疗有重要意义。

  

根据今天发表在北美放射学会(RSNA)期刊《Radiology》上的一项研究,一种新的深度学习模型在检测和分割肺部肿瘤方面显示出希望。这项研究的发现可能对肺癌的治疗有重要意义。

根据美国癌症协会的数据,肺癌是美国男性和女性中第二大常见癌症,也是癌症死亡的主要原因。

在CT扫描上准确检测和分割肺肿瘤对于监测癌症进展、评估治疗反应和规划放射治疗至关重要。目前,经验丰富的临床医生手动识别和分割医学图像上的肺肿瘤,这是一个劳动密集型的过程,受医生差异的影响。

虽然人工智能深度学习方法已应用于肺肿瘤检测和分割,但先前的研究受到小数据集的限制,依赖于手动输入,并且专注于分割单个肺肿瘤,这突出了对能够在不同临床环境中实现鲁棒和自动化肿瘤描绘的模型的需求。

在这项研究中,一个独特的、大规模的数据集,包括常规收集的放射治疗前CT模拟扫描及其相关的临床3D分割,用于开发接近专家水平的肺肿瘤检测和分割模型。主要目的是开发一种模型,能够准确识别和分割来自不同医疗中心的CT扫描肺肿瘤。

“据我们所知,我们的训练数据集是文献中最大的CT扫描和临床肿瘤分割的集合,用于构建肺肿瘤检测和分割模型,”该研究的主要作者Mehr Kashyap医学博士说,他是加利福尼亚州斯坦福大学医学院医学系的住院医师。

在回顾性研究中,使用1,504个CT扫描1,828个分段肺肿瘤,训练了一个集成3D U-Net深度学习模型,用于肺肿瘤检测和分割。然后对该模型进行了150次CT扫描测试。将模型预测的肿瘤体积与医生描述的体积进行比较。性能指标包括灵敏度、特异性、假阳性率和Dice相似系数(DSC)。DSC通过比较两组数据之间的重叠来计算两组数据之间的相似性。0表示无重叠,1表示完全重叠。将模型分割与所有三个医生分割的结果进行比较,以生成每个配对的模型-医生DSC值。

该模型在150-CT联合扫描测试集上检测肺部肿瘤的灵敏度为92%(92/100),特异性为82%(41/50)。

对于100次CT扫描中单个肺肿瘤的子集,模型-医生和医生-医生分割dsc的中位数分别为0.77和0.80。模型的分割时间比医生短。

Kashyap博士认为,在开发模型时使用3D U-Net体系结构比使用2D体系结构的方法具有优势。

他说:“通过捕获丰富的夹层信息,我们的3D模型理论上能够识别出较小的病变,而2D模型可能无法从血管和气道等结构中区分出来。”

该模型的一个局限性是它倾向于低估肿瘤体积,导致在非常大的肿瘤上表现不佳。正因为如此,Kashyap博士警告说,该模型应该在医生监督的工作流程中实施,允许临床医生识别和丢弃错误识别的病变和低质量的分割。

研究人员建议,未来的研究应侧重于应用该模型估算肺肿瘤总负荷,评估治疗反应,并将其与现有方法进行比较。他们还建议在估计肿瘤负荷的基础上评估该模型预测临床结果的能力,特别是当与其他使用不同临床数据的预后模型结合使用时。

Kashyap博士说:“我们的研究代表了自动化肺肿瘤识别和分割的重要一步。”“这种方法可能具有广泛的意义,包括将其纳入自动化治疗计划、肿瘤负担量化、治疗反应评估和其他放射学应用。”

相关新闻
生物通微信公众号
微信
新浪微博
  • 急聘职位
  • 高薪职位

知名企业招聘

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号