[論文レビュー] Hybrid deep convolution model for lung cancer detection with transfer learning

Sugandha Saxena, S N Prasad+2 more|arXiv (Cornell University)|Jan 6, 2025

Lung Cancer Diagnosis and Treatment被引用数 3

ひとこと要約

この論文は、転移学習を用いて肺がん検出を改善するハイブリッド深層畳み込みモデル Maximum Sensitivity Neural Network (MSNN) を提案し、CTスキャンでの感度と特異度を向上させることを目的としています。

ABSTRACT

Advances in healthcare research have significantly enhanced our understanding of disease mechanisms, diagnostic precision, and therapeutic options. Yet, lung cancer remains one of the leading causes of cancer-related mortality worldwide due to challenges in early and accurate diagnosis. While current lung cancer detection models show promise, there is considerable potential for further improving the accuracy for timely intervention. To address this challenge, we introduce a hybrid deep convolution model leveraging transfer learning, named the Maximum Sensitivity Neural Network (MSNN). MSNN is designed to improve the precision of lung cancer detection by refining sensitivity and specificity. This model has surpassed existing deep learning approaches through experimental validation, achieving an accuracy of 98% and a sensitivity of 97%. By overlaying sensitivity maps onto lung Computed Tomography (CT) scans, it enables the visualization of regions most indicative of malignant or benign classifications. This innovative method demonstrates exceptional performance in distinguishing lung cancer with minimal false positives, thereby enhancing the accuracy of medical diagnoses.

研究の動機と目的

• より正確で迅速な肺がん診断の必要性に対応する。
• 検出性能を向上させるために転移学習を活用したハイブリッド深層畳み込みアーキテクチャを開発する。
• CTスキャンからの肺がん分類における感度を高め、偽陽性を減らす。

提案手法

• Maximum Sensitivity Neural Network (MSNN) と呼ばれるハイブリッド深層畳み込みモデルを導入する。
• 肺がん検出における感度と特異度を改善するために転移学習を活用する。
• malignant/benign の分類を導く領域を視覚化するためにCTスキャン上に感度マップを重ねる。
• 実験的検証を報告し、高い精度と感度を示す。
• 論文に記載された誤りとデータ解釈の問題に対処する。
• バージョンの撤回と文脈の更新を認める。

実験結果

リサーチクエスチョン

• RQ1 CTスキャンからの肺がん検出で、転移学習を用いたハイブリッド深層畳み込みモデルは高い精度を達成できるか。
• RQ2 MSNN は既存の深層学習手法と比べて感度を改善し偽陽性を減らすか。
• RQ3 感度マップはCTスキャン上の悪性または良性分類を示す領域を効果的に可視化するか。

主な発見

• モデルは実験的検証に基づき、精度98％、感度97％を主張している。
• MSNN はCTスキャン上に感度マップを重ね、決定に影響を与える領域を強調する。
• 著者は報告版における誤りとデータ解釈の誤りを認めている。
• 論文は初期の主張に問題があるとして、(v2) の撤回が一名の著者によって行われた。
• 本研究は医用画像処理の分野での computer vision and AI に位置づけられる。
• 撤回のためライセンスや正式な引用情報は提供されていない。