[论文解读] Lung cancer screening with low-dose CT scans using a deep learning approach

Jason Causey, Yuanfang Guan+5 more|arXiv (Cornell University)|Jun 1, 2019

Lung Cancer Diagnosis and Treatment参考文献 17被引用 21

一句话总结

本研究提出DeepScreener，一种深度学习模型，可在无需结节标注的情况下，从低剂量CT扫描中预测肺癌状态。通过多任务学习和空间金字塔结构，模型能够以多尺度检测结节，在独立的NLST测试集上实现78.2%的准确率和0.858的AUC，显示出在降低肺癌筛查中假阳性率方面的潜力。

ABSTRACT

Lung cancer is the leading cause of cancer deaths. Early detection through low-dose computed tomography (CT) screening has been shown to significantly reduce mortality but suffers from a high false positive rate that leads to unnecessary diagnostic procedures. Quantitative image analysis coupled to deep learning techniques has the potential to reduce this false positive rate. We conducted a computational analysis of 1449 low-dose CT studies drawn from the National Lung Screening Trial (NLST) cohort. We applied to this cohort our newly developed algorithm, DeepScreener, which is based on a novel deep learning approach. The algorithm, after the training process using about 3000 CT studies, does not require lung nodule annotations to conduct cancer prediction. The algorithm uses consecutive slices and multi-task features to determine whether a nodule is likely to be cancer, and a spatial pyramid to detect nodules at different scales. We find that the algorithm can predict a patient's cancer status from a volumetric lung CT image with high accuracy (78.2%, with area under the Receiver Operating Characteristic curve (AUC) of 0.858). Our preliminary framework ranked 16th of 1972 teams (top 1%) in the Data Science Bowl 2017 (DSB2017) competition, based on the challenge datasets. We report here the application of DeepScreener on an independent NLST test set. This study indicates that the deep learning approach has the potential to significantly reduce the false positive rate in lung cancer screening with low-dose CT scans.

研究动机与目标

• 通过低剂量CT扫描降低肺癌筛查中的高假阳性率。
• 开发一种无需依赖肺结节标注即可预测癌症状态的深度学习模型。
• 通过自动化的容积影像分析提高早期肺癌检测的准确性。
• 在国家肺筛查试验（NLST）的独立数据集上验证模型性能。
• 展示深度学习在减少不必要的诊断程序方面的临床潜力。

提出的方法

• DeepScreener模型采用一种新型深度学习架构，基于约3,000份CT扫描数据进行训练。
• 通过连续的CT断层图像和多任务学习，评估结节恶性程度的可能性。
• 空间金字塔池化模块可实现对肺部不同尺度结节的检测。
• 该模型端到端可训练，推理过程中无需人工结节标注。
• 利用整个CT扫描的容积特征，预测患者层面的癌症状态。
• 该框架首先在2017年数据科学杯竞赛中得到验证，排名前1%。

实验结果

研究问题

• RQ1 深度学习模型是否能在不依赖结节标注的情况下，从低剂量CT扫描中预测肺癌状态？
• RQ2 多任务学习与空间金字塔方法在检测不同大小恶性结节方面的有效性如何？
• RQ3 DeepScreener模型在独立的NLST测试集上的表现如何？
• RQ4 该方法在多大程度上可降低肺癌筛查中的假阳性率？
• RQ5 该模型是否能很好地泛化到超越竞赛基准的真实世界临床数据集？

主要发现

• DeepScreener模型在独立的NLST测试集上实现了78.2%的分类准确率。
• 该模型表现出0.858的受试者工作特征曲线下面积（AUC），表明其具有较强的判别性能。
• 在2017年数据科学杯竞赛中，该模型在1,972支队伍中排名第16位，位列前1%。
• 该方法成功实现了无需人工结节标注的癌症状态预测，显著降低了标注负担。
• 多任务学习与空间金字塔池化的结合，提升了对各种大小结节的检测能力。
• 结果表明，深度学习可显著减少低剂量CT肺癌筛查中的假阳性率。