[论文解读] Genetic Deep Learning for Lung Cancer Screening

Hunter Park, Connor Monahan|arXiv (Cornell University)|Jul 27, 2019

AI in cancer detection参考文献 36被引用 6

一句话总结

本文提出了一种基于遗传算法的神经架构搜索方法（DeepNEAT-Dx），用于在低剂量胸部X光片中自动设计轻量级卷积神经网络，以实现早期肺癌检测。该方法进化出的模型在测试中达到97.15%的准确率、99.88%的阳性预测值和94.81%的阴性预测值，性能超越ResNet-152与Inception-V3，同时模型参数量减少了14倍。

ABSTRACT

Convolutional neural networks (CNNs) have shown great promise in improving computer aided detection (CADe). From classifying tumors found via mammography as benign or malignant to automated detection of colorectal polyps in CT colonography, these advances have helped reduce the need for further evaluation with invasive testing and prevent errors from missed diagnoses by acting as a second observer in today's fast paced and high volume clinical environment. CADe methods have become faster and more precise thanks to innovations in deep learning over the past several years. With advancements such as the inception module and utilization of residual connections, the approach to designing CNN architectures has become an art. It is customary to use proven models and fine tune them for particular tasks given a dataset, often requiring tedious work. We investigated using a genetic algorithm (GA) to conduct a neural architectural search (NAS) to generate a novel CNN architecture to find early stage lung cancer in chest x-rays (CXR). Using a dataset of over twelve thousand biopsy proven cases of lung cancer, the trained classification model achieved an accuracy of 97.15% with a PPV of 99.88% and a NPV of 94.81%, beating models such as Inception-V3 and ResNet-152 while simultaneously reducing the number of parameters a factor of 4 and 14, respectively.

研究动机与目标

• 开发一种自动化、数据驱动的方法，用于设计专用于低剂量胸部X光片中早期肺癌检测的深度神经网络架构。
• 通过使用遗传算法探索新颖且高效的架构，克服人工架构设计与迁移学习的局限性。
• 提升早期肺癌检测的诊断准确率并减少假阴性结果，因为在此阶段病灶常被放射科医生遗漏。
• 通过激活热图提供可解释性，使放射科医生能够通过可视化影响分类决策的区域来验证模型预测。

提出的方法

• 采用遗传算法（GA）进行神经架构搜索（NAS），通过选择、交叉和变异操作对架构组件进行演化，生成卷积神经网络（CNN）架构。
• 搜索过程基于大型胸部X光数据集中1,884例经活检确诊的肺癌病例验证集上的性能进行引导。
• 最终模型名为DeepNEAT-Dx，在超过12,000例经确诊的肺癌病例数据集上进行端到端训练。
• 对最终模型应用Grad-CAM可视化技术，生成热图以突出显示在预测癌症时最具影响力的胸部X光区域。
• 架构在高性能与参数效率之间实现优化，与当前最先进模型相比显著减小了模型尺寸。
• 该方法未依赖预训练的ImageNet权重，而是直接从医学影像数据中学习特征。

实验结果

研究问题

• RQ1 遗传算法能否在不依赖迁移学习的前提下，有效发现一种新颖且高性能的CNN架构，用于胸部X光片中的早期肺癌检测？
• RQ2 与ResNet-152和Inception-V3等成熟模型相比，GA演化出的模型在准确率、精确率和参数效率方面表现如何？
• RQ3 在无边界框标注的情况下，Grad-CAM等可解释性技术在多大程度上能够准确定位胸部X光片中的癌症相关特征？
• RQ4 所演化出的架构是否能以远少于现有模型的参数量实现高诊断性能，从而支持在资源有限的临床环境中部署？
• RQ5 模型的预测是否与放射科医生标注的结节位置相关，表明其特征关注具有生物学上的合理性？

主要发现

• DeepNEAT-Dx模型在1,884例经活检确诊的胸部X光片验证集上达到97.15%的测试准确率。
• 该模型表现出99.88%的阳性预测值（PPV），表明假阳性率极低。
• 阴性预测值（NPV）为94.81%，表明在阴性病例中排除癌症具有高度可信度。
• 与ResNet-152相比，模型参数量减少了14倍（490万 vs. 6020万），显著提升了效率。
• Grad-CAM热图突出了与放射科医生标注的结节病灶区域一致的区域，表明与临床相关特征对齐。
• 该模型在准确率和PPV方面均优于Inception-V3与ResNet-152，且模型尺寸显著更小，展现出性能与模型大小之间更优的权衡。