去偏流水线提升基于 X 射线肺结节检测的深度学习模型泛化能力

肺癌是全球癌症死亡的主要原因，良好的预后取决于早期诊断。不幸的是，用于肺癌早期诊断的筛查项目并不普遍。部分原因在于高危人群位于远离医疗机构的农村地区。要覆盖这些人群，需要一种结合移动性、低成本、速度、准确性和隐私保护的可扩展方法。我们可以通过将胸部 X 射线成像模式与联邦深度学习方法相结合来解决这些问题，前提是联邦模型在均质数据上训练，以确保在任何时间点都没有单一数据源会对模型产生不利偏倚。本研究表明，一个均质化并去除胸部 X 射线图像偏倚的图像预处理流水线可以改善内部分类和外部泛化能力，为构建低成本、可及的基于深度学习的肺癌筛查临床系统铺平道路。采用进化剪枝机制，在公开可用的肺结节 X 射线数据集中最具信息量的图像上训练结节检测深度学习模型。使用直方图均衡化消除图像亮度和对比度的系统性差异。模型训练使用肺野分割、紧密裁剪和肋骨抑制算子的所有组合进行。我们通过消融研究评估该流水线中每个算子的贡献，证明该预处理流水线产生的深度学习模型能够成功泛化到独立的肺结节数据集。通过肺野分割剥离胸部 X 射线图像中已知的混杂变量，并抑制来自骨骼结构的信号噪声，我们可以训练出一个高精度的深度学习肺结节检测算法，对未见数据中的结节样本具有 89% 的出色泛化准确率。