用于肺部病变特征探索与恶性预测的变分自编码器
计算机视觉与模式识别
2023-11-28 v1 人工智能
机器学习
摘要
肺癌占英国癌症死亡人数的21%，五年生存率深受癌症确诊时分期的影响。近期研究已证明人工智能（AI）方法能够从常规扫描中准确且早期诊断肺癌。然而，这一证据尚未转化为临床实践，其中一个障碍是缺乏可解释模型。本研究探讨了变分自编码器（VAEs，一种生成式AI模型）在肺癌病变中的应用。所提出的模型在LIDC-IDRI公共数据集中提取的3D CT扫描病变上进行训练。由VAEs生成的2D切片的潜向量表示通过聚类进行探索以证明其质量，并用于多层感知机（MLP）分类器模型中进行肺癌诊断，最佳模型达到了最先进的指标：AUC 0.98和93.1%的准确率。聚类分析表明，VAE潜空间基于有意义的特征成分（包括肿瘤大小、形状、患者和恶性类别）将恶性与良性病变数据集分离开来。我们还包含了标准高斯VAE（GVAE）与较新的Dirichlet VAE（DirVAE）的对比分析，后者用Dirichlet分布替换先验以鼓励更具可解释性的潜空间及解耦特征表示。最后，我们展示了对应于临床有意义特征变化的潜空间遍历的潜力。
引用
@article{arxiv.2311.15719,
title = {Variational Autoencoders for Feature Exploration and Malignancy Prediction of Lung Lesions},
author = {Benjamin Keel and Aaron Quyn and David Jayne and Samuel D. Relton},
journal= {arXiv preprint arXiv:2311.15719},
year = {2023}
}
备注
10 pages (main paper), 5 pages (references), 5 figures, 2 tables, work accepted for BMVC 2023