SISC：基于堆叠可解释序列单元的发现放射组学驱动端到端可解释肺癌预测
计算机视觉与模式识别
2019-01-16 v1
摘要
目的：肺癌是全球癌症相关死亡的首要原因。近年来，计算机辅助诊断（CAD）系统在促进 CT 扫描中异常肺结节的有效检测与分类方面显示出重大前景。尽管手工设计的放射组学特征传统上用于肺癌预测，但发现放射组学领域近期取得了显著成功，达到了最先进结果。在此，高度判别性的放射组学特征构成的放射组学序列器直接从档案医学数据中发现。然而，使用此类放射组学序列器所作预测的解释仍具挑战。方法：我们设计、构建并测试了一种新颖的端到端可解释发现放射组学驱动的肺癌预测流程。所发现的放射组学序列器具有由堆叠可解释序列单元（SISC）组成的深度架构。结果：SISC 架构被证明优于以往方法，同时对其决策过程提供了更多洞察。结论：SISC 放射组学序列器能够在肺癌预测中取得最先进结果，并以关键响应图的形式提供预测可解释性。意义：关键响应图不仅有助于验证所提 SISC 放射组学序列器的预测，还改善了放射科医生与机器的协作以实现有效诊断。
引用
@article{arxiv.1901.04641,
title = {SISC: End-to-end Interpretable Discovery Radiomics-Driven Lung Cancer Prediction via Stacked Interpretable Sequencing Cells},
author = {Vignesh Sankar and Devinder Kumar and David A. Clausi and Graham W. Taylor and Alexander Wong},
journal= {arXiv preprint arXiv:1901.04641},
year = {2019}
}
备注
First two authors have equal contribution