[论文解读] LNDb: A Lung Nodule Database on Computed Tomography

João Pedrosa, Guilherme Aresta+9 more|arXiv (Cornell University)|Nov 19, 2019

Lung Cancer Diagnosis and Treatment参考文献 22被引用 18

一句话总结

本文介绍了LNDb，一个源自低剂量CT扫描的新型肺结节数据库，旨在反映真实临床环境中的变异情况，并支持计算机辅助诊断（CAD）系统的发展。该研究评估了最先进的深度学习方法在结节检测、分割和特征分析方面的表现，结果显示这些方法在随访建议方面可达到放射科医生的水平——尽管在检测方面仍存在关键挑战，尤其是在适应本地影像设置时。

ABSTRACT

Lung cancer is the deadliest type of cancer worldwide and late detection is the major factor for the low survival rate of patients. Low dose computed tomography has been suggested as a potential screening tool but manual screening is costly, time-consuming and prone to variability. This has fueled the development of automatic methods for the detection, segmentation and characterisation of pulmonary nodules but its application to clinical routine is challenging. In this study, a new database for the development and testing of pulmonary nodule computer-aided strategies is presented which intends to complement current databases by giving additional focus to radiologist variability and local clinical reality. State-of-the-art nodule detection, segmentation and characterization methods are tested and compared to manual annotations as well as collaborative strategies combining multiple radiologists and radiologists and computer-aided systems. It is shown that state-of-the-art methodologies can determine a patient's follow-up recommendation as accurately as a radiologist, though the nodule detection method used shows decreased performance in this database.

研究动机与目标

• 为填补现有数据库的空白，创建一个反映真实临床环境中放射科医生差异性和本地影像条件的临床代表性肺结节数据集。
• 在真实临床背景下，评估最先进的深度学习方法在肺结节检测、分割和特征分析方面的表现。
• 研究放射科医生与CAD系统之间的协同策略，以在不增加临床医生工作负担的前提下提高检测敏感性。
• 评估CAD系统是否能够根据Fleischner指南对患者进行随访分类，表现与放射科医生相当。

提出的方法

• LNDb数据库包含来自单一机构的294例低剂量CT扫描，结节标注由两名放射科医生采用单盲协议完成。
• 在放射科医生阅片过程中记录了眼动追踪数据，以捕捉其对结节的关注模式和注意力分布。
• 训练并评估了最先进的深度学习模型，用于结节检测、分割和恶性程度特征分析任务。
• 通过结合放射科医生的读片结果与CAD输出，测试了协同策略，采用固定阈值和动态注意力过滤两种方法。
• 使用标准指标评估性能：敏感性、每例扫描的假阳性数，以及扫描级别的一致性加权Cohen’s kappa值。
• 以Fleischner指南作为临床基准，评估患者随访建议的准确性。

实验结果

研究问题

• RQ1 最先进的CAD系统是否能在真实临床环境中实现与放射科医生相当的检测和分类性能？
• RQ2 放射科医生的差异性如何影响CAD系统的表现？眼动追踪数据能否提升放射科医生与CAD之间的协作？
• RQ3 放射科医生与CAD系统之间的协同策略在不增加时间负担的前提下，能在多大程度上提高检测敏感性？
• RQ4 当将CAD系统应用于与LIDC-IDRI等基准数据集不同的采集协议的本地数据集时，其性能是否会下降？
• RQ5 CAD系统能否准确根据Fleischner随访指南对患者进行分类，表现与放射科医生相当？

主要发现

• 最先进的CAD系统在患者随访分类准确性方面达到了与单个放射科医生相当的水平，显示出强大的临床相关性。
• 在LNDb中的结节检测性能低于基准数据集，表明本地影像特征对模型泛化能力有显著影响。
• 结合放射科医生与CAD的协同策略提升了检测敏感性，尤其是采用注意力过滤方法时，但由于样本量较小，增益有限。
• 眼动追踪数据揭示了有意义的关注模式，可为未来CAD设计提供参考，特别是在优先识别感兴趣区域方面。
• 尽管敏感性有所提高，但协同策略在Fleischner随访分类方面并未显著优于单独的放射科医生或CAD系统。
• 本研究强调，使用本地数据进行模型训练对实现最佳性能至关重要，因为跨机构的泛化仍是主要挑战。