基于深度挖掘的胸片肺癌恶性程度模型生成

肺癌是全球癌症死亡和发病的主要原因。许多研究表明机器学习模型能有效地从胸部X射线图像中检测肺结节。然而，由于深度学习模型黑盒性质带来的若干实际、伦理和监管限制，这些技术尚未被医学界采纳。此外，胸片可见的大多数肺结节为良性；因此，基于计算机视觉的肺结节检测这一狭窄任务不能等同于自动化肺癌检测。针对这两方面的问题，本研究引入了一种新颖的基于混合深度学习和决策树的计算机视觉模型，该模型将肺癌恶性程度预测呈现为可解释的决策树。该过程的深度学习组件使用大型公开数据集（包含与肺癌相关的病理生物标志物）进行训练。随后，这些模型用于对两个独立的、具有恶性程度元数据的数据集中的胸部X射线图像推断生物标志物评分。我们通过将浅层决策树拟合到按恶性程度分层的数据集来挖掘多变量预测模型，并考察一系列指标以确定最佳模型。我们的最佳决策树模型的灵敏度和特异度分别达到86.7%和80.0%，阳性预测值为92.9%。用此方法挖掘的决策树可视为精炼为临床有用的多变量肺癌恶性程度模型的起点，作为工作流增强工具以提高人类放射科医生的工作效率。