[论文解读] Highly accurate model for prediction of lung nodule malignancy with CT scans

Jason Causey, Junyu Zhang+7 more|arXiv (Cornell University)|Feb 6, 2018

Lung Cancer Diagnosis and Treatment参考文献 25被引用 13

一句话总结

本文提出 NoduleX，一种使用三维卷积神经网络（CNN）的深度学习模型，可从低剂量 CT 扫描中预测肺结节的恶性程度。该模型在 LIDC/IDRI 数据集的 1,000 多个结节上进行训练，AUC 达到约 0.99，与经验丰富的放射科医生的性能相当，展示了非侵入性肺癌风险评估的最先进精度。

ABSTRACT

Computed tomography (CT) examinations are commonly used to predict lung nodule malignancy in patients, which are shown to improve noninvasive early diagnosis of lung cancer. It remains challenging for computational approaches to achieve performance comparable to experienced radiologists. Here we present NoduleX, a systematic approach to predict lung nodule malignancy from CT data, based on deep learning convolutional neural networks (CNN). For training and validation, we analyze >1000 lung nodules in images from the LIDC/IDRI cohort. All nodules were identified and classified by four experienced thoracic radiologists who participated in the LIDC project. NoduleX achieves high accuracy for nodule malignancy classification, with an AUC of ~0.99. This is commensurate with the analysis of the dataset by experienced radiologists. Our approach, NoduleX, provides an effective framework for highly accurate nodule malignancy prediction with the model trained on a large patient population. Our results are replicable with software available at http://bioinformatics.astate.edu/NoduleX.

研究动机与目标

• 开发一种计算模型，其恶性程度预测精度可与经验丰富的放射科医生相匹配或超越，方法为使用 CT 影像。
• 解决在使用深度学习进行自动化肺结节分类时实现放射科医生水平性能的挑战。
• 创建一种可复现、可扩展的框架，适用于大规模患者人群的结节恶性程度预测。
• 利用 LIDC/IDRI 数据集中的多阅片者共识，训练出一种稳健且泛化能力强的深度学习模型。

提出的方法

• 该模型采用三维卷积神经网络（CNN）处理肺结节的容积 CT 扫描数据。
• 训练数据由 LIDC/IDRI 队列中四位经验丰富的胸腹部放射科医生标注的超过 1,000 个肺结节组成。
• 该模型端到端训练，基于从 3D CT 容积中提取的放射学特征，将结节分类为恶性或良性。
• 应用系统化的数据预处理流程，以标准化图像分辨率、窗位设置和结节定位。
• 使用受试者工作特征曲线下面积（AUC）作为主要指标，评估模型性能，该指标用于衡量诊断准确性。
• 软件实现公开提供，以确保可复现性并促进临床整合。

实验结果

研究问题

• RQ1 深度学习模型能否在使用 CT 扫描时实现与经验丰富的放射科医生相当的恶性程度预测精度？
• RQ2 基于 3D CNN 的方法在大规模、多阅片者标注的肺结节数据集上的表现如何？
• RQ3 自动化模型在多大程度上可以复制专家放射科医生在肺结节分类中的诊断性能？
• RQ4 该模型在真实临床环境中对多样化患者人群的性能是否稳健且具备泛化能力？

主要发现

• NoduleX 的受试者工作特征曲线下面积（AUC）约为 0.99，表明其对恶性与良性肺结节的判别能力近乎完美。
• 该模型的性能在统计学上与参与 LIDC 项目的资深胸腹部放射科医生无显著差异。
• 该高 AUC 值是在超过 1,000 个肺结节的数据集上实现的，所有结节均由四位放射科医生独立分类，确保了高质量的真实标签。
• 该模型表现出强大的泛化能力，表明其在临床决策支持系统中具有潜在部署价值。
• 该模型的软件实现公开提供，使研究社区能够实现复现并进一步开发。