[论文解读] Deep Learning in Computer-Aided Diagnosis and Treatment of Tumors: A Survey

Dan Zhao, Guizhi Xu+4 more|arXiv (Cornell University)|Nov 2, 2020

AI in cancer detection参考文献 100被引用 6

一句话总结

本综述回顾了2017至2019年间在肿瘤计算机辅助诊断与治疗领域中深度学习的最新进展，按四个临床阶段——体外诊断（In-Vitro Diagnosis, IVD）、影像诊断（Imaging Diagnosis, ID）、病理诊断（Pathological Diagnosis, PD）和治疗规划（Treatment Planning, TP）——组织了研究进展。该综述识别了用于医疗任务的关键深度学习模型，强调了如放射毒性与药物反应等尚未充分探索的临床预测领域，并呼吁整合最先进模型与对抗鲁棒性，以提升临床相关性与可靠性。

ABSTRACT

Computer-Aided Diagnosis and Treatment of Tumors is a hot topic of deep learning in recent years, which constitutes a series of medical tasks, such as detection of tumor markers, the outline of tumor leisures, subtypes and stages of tumors, prediction of therapeutic effect, and drug development. Meanwhile, there are some deep learning models with precise positioning and excellent performance produced in mainstream task scenarios. Thus follow to introduce deep learning methods from task-orient, mainly focus on the improvements for medical tasks. Then to summarize the recent progress in four stages of tumor diagnosis and treatment, which named In-Vitro Diagnosis (IVD), Imaging Diagnosis (ID), Pathological Diagnosis (PD), and Treatment Planning (TP). According to the specific data types and medical tasks of each stage, we present the applications of deep learning in the Computer-Aided Diagnosis and Treatment of Tumors and analyzing the excellent works therein. This survey concludes by discussing research issues and suggesting challenges for future improvement.

研究动机与目标

• 系统梳理2017至2019年肿瘤诊断与治疗中深度学习应用的最新进展，弥补现有综述的不足。
• 沿临床工作流程（IVD、ID、PD 和 TP）组织研究进展，提供透明、面向任务的知识结构。
• 识别尚未被充分利用的最先进深度学习模型（如 Transformers、SegNet），并倡导其在肿瘤学应用中的整合。
• 突出具有临床意义的预测任务（如放射毒性与药物反应），而非实用性较低的生存预测。
• 指出在肿瘤诊断与治疗中对抗鲁棒性研究的严重缺失，呼吁未来在模型可信度与伦理方面开展研究。

提出的方法

• 本文对2017至2019年肿瘤诊断与治疗中深度学习应用进行了系统性综述，聚焦于四个临床阶段：体外诊断（IVD）、影像诊断（ID）、病理诊断（PD）和治疗规划（TP）。
• 根据医疗任务类型（检测、分割、分类与预测）对深度学习模型进行分类与分析，将模型架构与临床数据类型关联。
• 比较最先进模型（如 U-Net、R-CNN、Transformers）并评估其在特定医疗任务中的性能与适用性。
• 研究发现，临床上相关的预测任务（如放射剂量反应）与常被报道但实用性较低的任务（如生存预测）之间存在脱节。
• 强调模型可解释性与对抗鲁棒性的必要性，指出尽管人工智能领域日益重视这些方面，但在肿瘤学中仍缺乏相关研究。
• 本文以NCCN临床实践指南为基准，确保研究与临床标准对齐，提升实际应用价值。

实验结果

研究问题

• RQ1 如何系统地对肿瘤诊断与治疗四个阶段中的深度学习模型进行分类与应用？
• RQ2 为何具有高临床价值的临床意义预测任务（如放射毒性或药物反应）仍被严重忽视？
• RQ3 当前肿瘤学中深度学习应用的关键局限性是什么，特别是在模型泛化能力与鲁棒性方面？
• RQ4 如何更好地将最先进深度学习架构（如 Transformers、SegNet）整合到医学影像与临床数据分析中？
• RQ5 对抗训练与鲁棒性评估在提升人工智能在肿瘤诊断与治疗中可信度与可靠性方面发挥什么作用？

主要发现

• 大多数肿瘤诊断中的深度学习研究集中于检测、分割与分类任务，而在具有临床行动意义的预测方面进展有限。
• 尽管 U-Net 等模型在医学影像中被广泛采用并持续改进，但更先进的架构如 Transformers 与 Segmentation is All You Need 在肿瘤学中仍被严重低估。
• 与治疗反应相关的预测任务（如放射毒性、药物效应、肿瘤侵蚀）具有重要临床意义，但受限于数据稀缺与研究进展缓慢。
• 生存与寿命预测常被报道，但往往缺乏临床实用性，仅确认已知结果（如恶性肿瘤患者死亡率更高）。
• 对抗鲁棒性与模型可信度在肿瘤诊断中仍基本未被探索，是未来具有高潜力的关键研究空白。
• 将深度学习与临床指南（如 NCCN）相结合，对于使人工智能研究与真实世界肿瘤学实践对齐至关重要。