[论文解读] Discovery Radiomics for Computed Tomography Cancer Detection

Devinder Kumar, Mohammad Javad Shafiee+4 more|arXiv (Cornell University)|Sep 1, 2015

Radiomics and Machine Learning in Medical Imaging被引用 26

一句话总结

本研究提出发现性放射组学（discovery radiomics），一种基于深度学习的新型方法，可从CT扫描中自动发现定制化的放射组学序列，用于将肺部肿瘤分类为恶性或良性。在LIDC-IDRI数据集上使用深度卷积神经网络，该方法在10折交叉验证中实现了77.52%的准确率、79.06%的敏感度和76.11%的特异度，优于现有最先进方法。

ABSTRACT

Objective: Lung cancer is the leading cause for cancer related deaths. As such, there is an urgent need for a streamlined process that can allow radiologists to provide diagnosis with greater efficiency and accuracy. A powerful tool to do this is radiomics. Method: In this study, we take the idea of radiomics one step further by introducing the concept of discovery radiomics for lung cancer detection using CT imaging data. Rather than using pre-defined, hand-engineered feature models as with current radiomics-driven methods, we discover custom radiomic sequencers that can generate radiomic sequences consisting of abstract imaging-based features tailored for characterizing lung tumour phenotype. In this study, we realize these custom radiomic sequencers as deep convolutional sequencers using a deep convolutional neural network learning architecture based on a wealth of CT imaging data. Results: To illustrate the prognostic power and effectiveness of the radiomic sequences produced by the discovered sequencer, we perform a classification between malignant and benign lesions from 93 patients with diagnostic data from the LIDC-IDRI dataset. Using the clinically provided diagnostic data as ground truth, proposed framework provided an average accuracy of 77.52% via 10-fold cross-validation with a sensitivity of 79.06% and specificity of 76.11%. We also perform quantitative analysis to establish the effectiveness of the radiomics sequences. Conclusion: The proposed framework outperforms the state-of-the art approach for lung lesion classification. Significance: These results illustrate the potential for the proposed discovery radiomics approach in aiding radiologists in improving screening efficiency and accuracy.

研究动机与目标

• 为解决医学影像中肺癌诊断的准确性与效率提升的迫切需求。
• 克服传统放射组学依赖人工设计、预定义特征的局限性。
• 开发一种数据驱动的框架，自动发现针对肺部肿瘤表型的最优放射组学序列。
• 通过CT影像提升放射科医生筛查效率与诊断准确性。

提出的方法

• 该框架采用深度卷积神经网络（DCNN）直接从CT影像数据中学习定制化的放射组学序列。
• DCNN架构在大规模肺部CT扫描数据集上进行训练，以提取基于影像的抽象特征。
• 由学习到的序列生成放射组学序列，以表征复杂的肿瘤表型模式。
• 该方法通过端到端学习原始或预处理后的CT数据的特征表示，绕过人工特征工程。
• 采用10折交叉验证策略，基于LIDC-IDRI数据集的诊断金标准评估模型性能。
• 使用标准指标（准确率、敏感度、特异度）对框架进行验证。

实验结果

研究问题

• RQ1 数据驱动的端到端深度学习方法能否发现比传统人工设计特征更有效的放射组学序列，用于肺部肿瘤分类？
• RQ2 所发现的放射组学序列在区分恶性与良性肺部病变方面的性能，与现有最先进放射组学方法相比如何？
• RQ3 所提出的发现性放射组学框架在使用CT扫描进行肺癌筛查时，能在多大程度上提升诊断准确率与敏感度？
• RQ4 由学习到的序列生成的放射组学序列在临床分类任务中具有多大的预后价值？

主要发现

• 所提出的发现性放射组学框架在使用10折交叉验证对肺部病变进行恶性或良性分类时，平均准确率达到77.52%。
• 该模型表现出79.06%的敏感度，表明其在正确识别恶性肿瘤方面能力出色。
• 特异度为76.11%，反映出对良性病变的可靠检测能力。
• 该框架在LIDC-IDRI数据集上对肺部病变分类的表现优于现有最先进方法。
• 定量分析证实了所发现序列生成的放射组学序列的有效性与预后能力。
• 结果表明，发现性放射组学可显著提升放射科筛查效率与诊断准确性。