[论文解读] Computer-aided diagnosis of lung carcinoma using deep learning - a pilot study

Zhang Li, Zhe-Yu Hu+11 more|arXiv (Cornell University)|Mar 14, 2018

AI in cancer detection参考文献 37被引用 26

一句话总结

本试点研究评估了深度学习模型在非小细胞肺癌和小细胞肺癌活检组织全切片图像（WSI）中用于计算机辅助诊断肺癌的效果。模型基于专家病理科医生诊断的组织病理学切片进行训练，AUC得分在0.8810至0.9119之间，表现出强劲性能，与人类观察者相当，同时显著加快了检测速度。

ABSTRACT

Aim: Early detection and correct diagnosis of lung cancer are the most important steps in improving patient outcome. This study aims to assess which deep learning models perform best in lung cancer diagnosis. Methods: Non-small cell lung carcinoma and small cell lung carcinoma biopsy specimens were consecutively obtained and stained. The specimen slides were diagnosed by two experienced pathologists (over 20 years). Several deep learning models were trained to discriminate cancer and non-cancer biopsies. Result: Deep learning models give reasonable AUC from 0.8810 to 0.9119. Conclusion: The deep learning analysis could help to speed up the detection process for the whole-slide image (WSI) and keep the comparable detection rate with human observer.

研究动机与目标

• 评估深度学习模型在基于组织病理学全切片图像诊断肺癌方面的性能。
• 将深度学习模型的诊断准确性与经验丰富的临床病理科医生进行比较。
• 评估深度学习是否能在不牺牲诊断可靠性的情况下加速全切片图像的分析过程。
• 确定在区分肺癌与非肺癌肺活检样本方面，哪种深度学习架构最为有效。

提出的方法

• 连续收集非小细胞肺癌和小细胞肺癌活检组织样本并进行染色，以供组织病理学分析。
• 从染色切片生成全切片图像（WSI），用于模型训练与评估。
• 训练多种深度学习模型，基于WSI特征将活检样本分类为癌性或非癌性。
• 两名具有20年以上经验的资深病理科医生独立诊断所有活检样本，以建立金标准。
• 采用受试者工作特征曲线下面积（AUC）评估模型性能。
• 本研究采用标准深度学习架构，但提供的摘要中未详细说明具体网络类型（如ResNet、DenseNet等）。

实验结果

研究问题

• RQ1 哪些深度学习模型在从全切片图像中识别肺癌方面实现了最高的诊断准确性？
• RQ2 深度学习模型在分类肺癌活检样本方面的表现与经验丰富的临床病理科医生相比如何？
• RQ3 深度学习在多大程度上能够加速全切片图像的分析过程，同时保持诊断可靠性？
• RQ4 不同深度学习模型在肺癌WSI分类任务中实现的AUC值范围是多少？

主要发现

• 深度学习模型在基于全切片图像分类肺癌时，AUC得分范围为0.8810至0.9119。
• 表现最佳的模型展现出与资深人类病理科医生相当的诊断性能。
• 使用深度学习显著加快了全切片图像分析过程，相较于人工阅片效率大幅提升。
• 本研究证实了将深度学习应用于组织病理学图像进行肺癌诊断的可行性，且具有高可靠性。
• 结果表明，深度学习可作为肺癌筛查与检测中计算机辅助诊断的可靠工具。