基于弱监督深度学习在体部 CT 上多疾病分类
摘要
目的：利用从放射文本报告中自动提取的标签，为三个不同器官系统构建体部 CT 扫描的多疾病分类器。材料与方法：本回顾性研究共纳入 12,092 名患者（平均年龄 57 ± 18；6,172 名女性）用于模型开发与测试（2012–2017 年）。基于规则的算法从 12,092 名患者的 13,667 次体部 CT 扫描中提取了 19,225 个疾病标签。使用三维 DenseVNet 分割三个器官系统：肺与胸膜；肝与胆囊；肾与输尿管。对每个器官，一个三维卷积神经网络将无明显疾病与四种常见疾病分类，三个模型共 15 个不同标签。在一个包含 2,158 个 CT 体积的子集上测试，对应 2,133 名患者（平均年龄 58 ± 18；1,079 名女性）的 2,875 个人工参考标签。性能以受试者工作特征曲线下面积（AUC）报告，并用 DeLong 法给出 95% 置信区间。结果：提取标签的人工验证确认 15 个不同标签的准确率为 91% 至 99%。肺与胸膜的 AUC 为：肺不张 0.77（95% CI：0.74, 0.81），结节 0.65（0.61, 0.69），肺气肿 0.89（0.86, 0.92），积液 0.97（0.96, 0.98），无明显疾病 0.89（0.87, 0.91）。肝与胆囊的 AUC 为：肝胆钙化 0.62（95% CI：0.56, 0.67），病灶 0.73（0.69, 0.77），扩张 0.87（0.84, 0.90），脂肪变 0.89（0.86, 0.92），无明显疾病 0.82（0.78, 0.85）。肾与输尿管的 AUC 为：结石 0.83（95% CI：0.79, 0.87），萎缩 0.92（0.89, 0.94），病灶 0.68（0.64, 0.72），囊肿 0.70（0.66, 0.73），无明显疾病 0.79（0.75, 0.83）。结论：弱监督深度学习模型能够对多器官系统中的多种疾病进行分类。
引用
@article{arxiv.2008.01158,
title = {Classification of Multiple Diseases on Body CT Scans using Weakly Supervised Deep Learning},
author = {Fakrul Islam Tushar and Vincent M. D'Anniballe and Rui Hou and Maciej A. Mazurowski and Wanyi Fu and Ehsan Samei and Geoffrey D. Rubin and Joseph Y. Lo},
journal= {arXiv preprint arXiv:2008.01158},
year = {2021}
}
备注
22 pages, 6 figures, 2 tables; Accepted for publication at Radiology: Artificial Intelligence