利用时间序列深度学习增强具挑战性的筛查检出偶发肺结节的癌症预测
图像与视频处理
2022-04-01 v1 计算机视觉与模式识别
摘要
肺癌是全球癌症相关死亡的首要原因。使用年度低剂量计算机断层扫描（CT）的肺癌筛查（LCS）已被证明可通过更早检出癌性肺结节显著降低肺癌死亡率。利用机器学习/深度学习算法可改善肺结节恶性风险的分层。然而，大多数现有算法：a) 主要仅评估单时间点 CT 数据，因而未能利用纵向影像数据集中的固有优势；b) 未将可能有助于风险预测的 pertinent 临床数据整合进计算机模型；c) 未在放射科医生最难解读、且分析工具辅助最有益的结节谱系上评估算法性能。在此，我们展示了时间序列深度学习模型（DeepCAD-NLM-L）的性能，该模型整合了三个纵向数据域的多模型信息：结节特异性、肺特异性和临床人口统计学数据。我们将时间序列深度学习模型与以下进行比较：a) 来自国家肺癌筛查试验、富集了最具诊断挑战性结节的 CT 上的放射科医生表现；b) 来自北伦敦 LCS 研究（SUMMIT）的结节管理算法。我们的模型在解读具挑战性肺结节时表现出与放射科医生相当且互补的性能，并相较仅用单时间点数据的模型展现出改进（AUC=88\%）。结果强调了在解读 LCS 中恶性风险时时间序列、多模态分析的重要性。
引用
@article{arxiv.2203.16606,
title = {Enhancing Cancer Prediction in Challenging Screen-Detected Incident Lung Nodules Using Time-Series Deep Learning},
author = {Shahab Aslani and Pavan Alluri and Eyjolfur Gudmundsson and Edward Chandy and John McCabe and Anand Devaraj and Carolyn Horst and Sam M Janes and Rahul Chakkara and Arjun Nair and Daniel C Alexander and SUMMIT consortium and Joseph Jacob},
journal= {arXiv preprint arXiv:2203.16606},
year = {2022}
}