[论文解读] Evaluating LeNet Algorithms in Classification Lung Cancer from Iraq-Oncology Teaching Hospital/National Center for Cancer Diseases

Jafar Abdollahi|arXiv (Cornell University)|May 19, 2023

Radiomics and Machine Learning in Medical Imaging被引用 5

一句话总结

本研究评估了一种基于LeNet的卷积神经网络（CNN），用于分类从伊拉克肿瘤学教学医院和国家癌症疾病中心收集的CT扫描图像中的肺癌。利用IQ-OTH/NCCD数据集，该模型在检测肺癌时实现了99.51%的准确率、93%的敏感性和95%的特异性，优于现有方法，表现出高精度的检测能力。

ABSTRACT

The advancement of computer-aided detection systems had a significant impact on clinical analysis and decision-making on human disease. Lung cancer requires more attention among the numerous diseases being examined because it affects both men and women, increasing the mortality rate. LeNet, a deep learning model, is used in this study to detect lung tumors. The studies were run on a publicly available dataset made up of CT image data (IQ-OTH/NCCD). Convolutional neural networks (CNNs) were employed in the experiment for feature extraction and classification. The proposed system was evaluated on Iraq-Oncology Teaching Hospital/National Center for Cancer Diseases datasets the success percentage was calculated as 99.51%, sensitivity (93%) and specificity (95%), and better results were obtained compared to the existing methods. Development and validation of algorithms such as ours are important initial steps in the development of software suites that could be adopted in routine pathological practices and potentially help reduce the burden on pathologists.

研究动机与目标

• 开发并验证一种基于深度学习的自动化肺癌检测模型，利用CT影像进行诊断。
• 通过人工智能辅助分类，提高诊断准确率并减轻病理科医生的工作负担。
• 评估LeNet架构在伊拉克真实临床数据集上的性能表现。
• 为常规病理实践提供可部署的软件工具，推动其发展。

提出的方法

• 基于伊拉克肿瘤学教学医院和国家癌症疾病中心的CT扫描图像，对基于LeNet的卷积神经网络（CNN）进行训练。
• 利用CNN的分层卷积层和全连接层完成特征提取与分类。
• 在伊拉克肿瘤学教学医院和国家癌症疾病中心的真实临床数据集上进行模型的训练与验证。
• 通过超参数调优，优化模型在肺癌肿瘤检测中的分类性能。
• 评估指标包括准确率、敏感性和特异性，以评估模型的鲁棒性。

实验结果

研究问题

• RQ1 基于LeNet的CNN是否能在真实临床环境中实现对CT扫描中肺癌分类的高准确率？
• RQ2 LeNet模型在肺癌检测中的表现与现有方法相比如何？
• RQ3 该模型在多大程度上可通过自动化分类减轻病理科医生的诊断负担？
• RQ4 当应用于伊拉克地区的临床数据集时，LeNet模型的敏感性和特异性分别是多少？

主要发现

• 基于LeNet的模型在伊拉克肿瘤学教学医院/国家癌症疾病中心数据集上实现了99.51%的分类准确率。
• 该模型表现出93%的敏感性，表明其对肺癌肿瘤具有强大的检测能力。
• 特异性达到95%，表明在非癌症病例中假阳性率较低。
• 在整体准确率和平衡性能指标方面，该模型优于现有方法。