基于多模态PET/CT与半监督及无监督深度学习的技术在肺癌PD-L1状态预测中的应用

《Scientific Reports》：Multimodal PET/CT-based PD-L1 status prediction in lung cancer via semi-supervised and unsupervised deep learning

　　

摘要

深度学习技术已被应用于肺癌筛查、药物效果评估以及预后预测领域。在此背景下，将18FDG PET/CT图像与深度学习相结合的方法取得了令人满意的成果，尤其是在预测肺癌中的程序性死亡配体-1表达方面，提升了整体预测精度，同时也为临床决策和患者分层提供了可行的无创辅助成像生物标志物。提升深度神经网络在各类任务中性能的有效方法之一就是增加标记数据的数量并提高标签质量。然而在医学影像领域，由于需要专业知识以及繁琐的流程和监管障碍，高质量标注数据及大规模数据集都难以获取。针对这一问题，我们提出了一种半监督与无监督相结合的深度神经网络架构USSLNet，该架构利用多模态PET/CT图像的早期融合来预测PD-L1表达。通过交替执行两项任务，可将标签信息传递到未标记数据中，帮助模型提取语义信息，从而降低因标记数据有限而导致的过拟合风险。模型性能通过接收者操作特征曲线下面积以及95%置信区间来进行评估。与现有方法相比，我们的框架具有更强的稳定性，能够有效减少异常值的影响，在PD-L1状态分类方面表现出更优异的性能。此外，无论使用何种类型的未标记PET/CT图像，该框架的表现始终优于现有方法。这些研究结果充分证明了，即便使用规模较小且标注不全的多模态PET/CT数据集，我们的方法也能有效预测PD-L1表达水平。