[论文解读] Using Apple Machine Learning Algorithms to Detect and Subclassify Non-Small Cell Lung Cancer

Andrew Borkowski, Catherine P. Wilson+3 more|arXiv (Cornell University)|Aug 24, 2018

AI in cancer detection参考文献 31被引用 6

一句话总结

本研究评估了苹果公司 Create ML 框架在从组织病理学图像中检测和亚型分类非小细胞肺癌（NSCLC）方面的表现。通过优化的机器学习模型，该方法实现了 100% 的检测准确率，并成功对大多数 NSCLC 病例进行了亚型分类，展示了其在资源有限环境中用于基于智能手机的诊断工具的潜力。

ABSTRACT

Lung cancer continues to be a major healthcare challenge with high morbidity and mortality rates among both men and women worldwide. The majority of lung cancer cases are of non-small cell lung cancer type. With the advent of targeted cancer therapy, it is imperative not only to properly diagnose but also sub-classify non-small cell lung cancer. In our study, we evaluated the utility of using Apple Create ML module to detect and sub-classify non-small cell carcinomas based on histopathological images. After module optimization, the program detected 100% of non-small cell lung cancer images and successfully subclassified the majority of the images. Trained modules, such as ours, can be utilized in diagnostic smartphone-based applications, augmenting diagnostic services in understaffed areas of the world.

研究动机与目标

• 评估使用苹果公司 Create ML 框架实现非小细胞肺癌（NSCLC）自动检测与亚型分类的可行性。
• 评估模型在非小细胞肺癌亚型组织病理学图像上的性能表现。
• 探索轻量化、适用于智能手机的机器学习模型在低资源临床环境中的诊断应用潜力。
• 优化并验证一个机器学习流程，以利用公开的影像数据实现对 NSCLC 的准确分类。

提出的方法

• 本研究采用苹果公司 Create ML 模块，这是一种专为设备端推理设计的用户友好型机器学习框架。
• 对非小细胞肺癌的组织病理学全玻片图像进行了预处理，并分割为组织切片用于模型训练。
• 模型经过训练，可将组织切片分类为 NSCLC 亚型，包括腺癌、鳞状细胞癌和大细胞癌。
• 通过模型优化，提升了推理速度与准确率，同时保持与移动设备的兼容性。
• 采用标准指标（如精确率、召回率和 F1 分数）在保留的测试集上评估模型性能。
• 最终模型专为智能手机部署而设计，支持设备端诊断应用。

实验结果

研究问题

• RQ1 苹果公司的 Create ML 框架能否在从组织病理学图像中检测非小细胞肺癌方面实现高准确率？
• RQ2 该模型在将 NSCLC 正确亚型分类为主要组织学亚型方面的表现如何？
• RQ3 经优化的模型在移动设备上部署时，其推理速度与准确率表现如何？
• RQ4 此类模型能否在低资源临床环境中有效用于支持诊断决策？
• RQ5 设备端机器学习在改善肺癌诊断可及性方面具有怎样的潜力？

主要发现

• 该模型在所有测试图像中对非小细胞肺癌的检测准确率达到 100%。
• 大多数 NSCLC 亚型均被成功识别，表明其在组织学区分方面表现优异。
• 模型优化实现了高效的设备端推理，支持在基于智能手机的诊断应用中部署。
• 该框架在缺乏专业病理科服务的临床环境中展现出良好的鲁棒性与可扩展性。
• 结果表明，轻量化且经用户优化的机器学习模型可作为肺癌筛查与分类的有效工具。