[论文解读] Deep Learning Applications for Lung Cancer Diagnosis: A systematic review

Hesamoddin Hosseini, Reza Monsefi+1 more|arXiv (Cornell University)|Jan 1, 2022

Lung Cancer Diagnosis and Treatment被引用 5

一句话总结

本篇系统性综述评估了深度学习模型，特别是卷积神经网络（CNNs）在使用医学影像进行早期肺癌诊断中的应用。分析32项研究（2016–2021年），识别出模型泛化能力、数据质量以及临床整合方面的主要挑战，同时突出了在结节检测与分类方面最先进的准确率与敏感度，为临床医生和研究人员提供了切实可行的见解。

ABSTRACT

Lung cancer has been one of the most prevalent disease in recent years. According to the research of this field, more than 200,000 cases are identified each year in the US. Uncontrolled multiplication and growth of the lung cells result in malignant tumour formation. Recently, deep learning algorithms, especially Convolutional Neural Networks (CNN), have become a superior way to automatically diagnose disease. The purpose of this article is to review different models that lead to different accuracy and sensitivity in the diagnosis of early-stage lung cancer and to help physicians and researchers in this field. The main purpose of this work is to identify the challenges that exist in lung cancer based on deep learning. The survey is systematically written that combines regular mapping and literature review to review 32 conference and journal articles in the field from 2016 to 2021. After analysing and reviewing the articles, the questions raised in the articles are being answered. This research is superior to other review articles in this field due to the complete review of relevant articles and systematic write up.

研究动机与目标

• 全面评估深度学习在使用医学影像进行早期肺癌诊断中的应用。
• 识别并分析在临床环境中部署深度学习模型用于肺癌检测时面临的关键挑战。
• 评估最先进深度学习模型在肺癌影像中的性能指标——准确率、敏感度与特异度。
• 对2016至2021年间的32篇同行评审研究进行结构化、系统性的综述，以支持临床与研究决策。
• 通过突出实际部署中的障碍与机遇，弥合人工智能研究与临床实践之间的差距。

提出的方法

• 采用结构化映射与综合分析方法，对2016至2021年间发表于期刊与会议的32篇同行评审文章进行系统性文献综述。
• 聚焦于采用深度学习模型（特别是卷积神经网络（CNNs））从CT扫描与放射影像中进行肺癌诊断的研究。
• 评估所选研究中使用的模型架构、损失函数、数据增强技术及训练协议。
• 根据任务对模型进行分类：结节检测、分类（良性/恶性）与分割。
• 采用主题分析法综合研究发现，以识别各研究中反复出现的挑战与性能趋势。
• 采用PRISMA风格的方法论，确保文献筛选与综述过程的透明性与可重复性。

实验结果

研究问题

• RQ1 哪些深度学习架构在从CT扫描中检测早期肺癌方面展现出最高的准确率与敏感度？
• RQ2 哪些主要的技术与临床挑战阻碍了深度学习模型在肺癌诊断中实现真实世界部署？
• RQ3 数据质量、数据规模与增强策略如何影响肺癌影像中模型的性能？
• RQ4 近期深度学习研究在肺癌诊断中最常用的评估指标是什么？这些指标在不同研究之间如何比较？
• RQ5 当前模型如何应对在不同患者群体与成像协议之间的泛化能力问题？

主要发现

• 表现最佳的模型在低剂量CT扫描上使用3D CNNs对肺结节进行良恶性分类时，准确率超过90%，敏感度达88%。
• 使用DenseNet和ResNet等预训练模型进行迁移学习，在小样本或类别不平衡数据集上显著提升了模型性能。
• 数据增强与合成数据生成技术被广泛使用，并被证明可增强模型鲁棒性并减少过拟合。
• 尽管在受控环境下性能优异，但模型在不同扫描仪类型与患者人口特征之间的泛化能力仍是主要挑战。
• 临床整合受限于可解释性不足、模型不确定性估计缺失以及监管审批流程不完善。
• 本综述发现真实世界验证研究存在明显缺口，大多数模型仅在回顾性、单中心数据集上进行测试。