[论文解读] Lung Cancer Diagnosis Using Deep Attention Based on Multiple Instance Learning and Radiomics

Junhua Chen, Haiyan Zeng+5 more|arXiv (Cornell University)|Apr 29, 2021

Radiomics and Machine Learning in Medical Imaging参考文献 43被引用 5

一句话总结

该论文提出了一种基于深度注意力的多实例学习（MIL）框架，整合放射组学特征用于肺癌诊断，将诊断建模为结节集合分类，以更好地反映临床实践。该方法在小而不平衡的数据集上实现了AUC 0.842（标准误SEM为0.074），并通过一种新颖的袋模拟过采样策略，提升了模型性能，同时通过突出显著结节增强了可解释性，优于基线MIL方法。

ABSTRACT

Early diagnosis of lung cancer is a key intervention for the treatment of lung cancer computer aided diagnosis (CAD) can play a crucial role. However, most published CAD methods treat lung cancer diagnosis as a lung nodule classification problem, which does not reflect clinical practice, where clinicians diagnose a patient based on a set of images of nodules, instead of one specific nodule. Besides, the low interpretability of the output provided by these methods presents an important barrier for their adoption. In this article, we treat lung cancer diagnosis as a multiple instance learning (MIL) problem in order to better reflect the diagnosis process in the clinical setting and for the higher interpretability of the output. We chose radiomics as the source of input features and deep attention-based MIL as the classification algorithm.The attention mechanism provides higher interpretability by estimating the importance of each instance in the set for the final diagnosis.In order to improve the model's performance in a small imbalanced dataset, we introduce a new bag simulation method for MIL.The results show that our method can achieve a mean accuracy of 0.807 with a standard error of the mean (SEM) of 0.069, a recall of 0.870 (SEM 0.061), a positive predictive value of 0.928 (SEM 0.078), a negative predictive value of 0.591 (SEM 0.155) and an area under the curve (AUC) of 0.842 (SEM 0.074), outperforming other MIL methods.Additional experiments show that the proposed oversampling strategy significantly improves the model's performance. In addition, our experiments show that our method provides an indication of the importance of each nodule in determining the diagnosis, which combined with the well-defined radiomic features, make the results more interpretable and acceptable for doctors and patients.

研究动机与目标

• 为解决现有CAD系统在临床实践中存在的偏差问题，即把肺癌诊断视为单个结节分类，而非多结节综合评估。
• 通过识别对最终诊断决策贡献最大的结节，提升模型的可解释性。
• 通过一种新颖的数据增强策略，提升在小样本、类别不平衡数据集上的模型性能，此类数据集在肺癌诊断中具有典型性。
• 在多实例学习框架中整合放射组学特征与深度注意力机制，实现稳健且具有临床相关性的分类。

提出的方法

• 该方法将每位患者建模为一组肺部结节的'袋'，每个结节由从CT扫描中提取的一组放射组学特征表示。
• 在多实例学习框架内应用深度注意力机制，学习各个结节对最终诊断预测的重要性权重。
• 提出一种新颖的袋模拟方法，用于对训练数据中的少数类别进行过采样，从而提升在类别不平衡数据集上的泛化能力。
• 模型使用全局注意力池化层将结节级别的特征聚合为患者级别的预测，通过突出关键结节增强可解释性。
• 放射组学特征通过标准化流程提取，以确保一致性和临床相关性。
• 框架采用交叉熵损失与注意力正则化进行端到端训练，以提升特征判别能力。

实验结果

研究问题

• RQ1 与单结节分类相比，基于注意力机制的多实例学习框架是否能更准确地反映临床诊断过程？
• RQ2 将放射组学特征与深度注意力机制结合，是否能提升肺癌检测中的诊断性能与可解释性？
• RQ3 所提出的袋模拟方法在提升小样本、类别不平衡肺癌数据集上的模型性能方面效果如何？
• RQ4 注意力权重在多大程度上能提供关于哪些结节驱动诊断决策的临床有意义洞察？

主要发现

• 所提方法在测试集上实现了平均准确率为0.807，标准误（SEM）为0.069。
• 模型表现出0.870的召回率（SEM 0.061），表明对阳性病例具有较强的检测敏感性。
• 阳性预测值达到0.928（SEM 0.078），表明对阳性预测具有高度信心。
• 受试者工作特征曲线下面积（AUC）为0.842（SEM 0.074），优于基线MIL方法。
• 所提出的袋模拟过采样策略显著提升了模型性能，尤其在处理类别不平衡问题方面表现突出。
• 注意力权重通过突出最具影响力的结节，提供了可解释的洞察，增强了临床信任与接受度。