利用深度学习和 CT 成像提升肺癌诊断与生存预测
图像与视频处理
2024-08-20 v1 计算机视觉与模式识别
摘要
肺癌是癌症相关死亡的主要原因，早期诊断和治疗对于改善患者生存结局至关重要。本文提出采用卷积神经网络来建模肺癌风险与 CT 图像中肺部形态之间的非线性关系。我们应用一种扩展 Cox 比例风险模型以处理神经网络引入的非凸性的 mini-batch 损失，同时也支持大规模数据集的训练。此外，我们提出将 mini-batch 损失与二元交叉熵相结合，以同时预测肺癌发生和死亡风险。模拟结果证明了带或不带删失机制的 mini-batch 损失以及其与二元交叉熵组合的有效性。我们在国家肺癌筛查试验数据集上，使用多种三维卷积神经网络架构评估了我们的方法，在肺癌分类和生存预测方面取得了高 AUC 和 C-index 分数。这些来自模拟和真实数据实验的结果突显了我们的方法在改善肺癌诊断和治疗方面的潜力。
引用
@article{arxiv.2408.09367,
title = {Improving Lung Cancer Diagnosis and Survival Prediction with Deep Learning and CT Imaging},
author = {Xiawei Wang and James Sharpnack and Thomas C. M. Lee},
journal= {arXiv preprint arXiv:2408.09367},
year = {2024}
}