摘要
介绍
在肺癌分类中的应用
图像预处理
特征提取
分类
模型培训和验证
临床实践中的解释和整合
-
CNN和DenseNet网络的创新集成 :该研究通过结合CNN和DenseNet模型引入了一种开创性的方法。 这种集成利用了两种架构的优势:CNN在特征提取方面的熟练程度和DenseNet在分析图像结构方面的有效性。 与传统方法相比,这种协同作用增强了模型解释复杂CT扫描图像的能力。 -
提高肺癌检测的准确性: 这项研究最重要的贡献之一是在识别和分类肺癌方面实现了99%的准确率。 这种高水平的准确度表明了这种方法在临床环境中的潜在有效性,超过了许多现有的先进技术。 -
肺部疾病的有效分类: 该研究成功地将肺部疾病分为正常型、良性型和恶性型,并进一步将其分为恶性型(腺癌、鳞癌和大细胞癌)。 这种详细的分类对于个性化患者治疗计划和管理至关重要。 -
应对数据可变性和可解释性的挑战: 该方法有效地处理了CT扫描图像的固有变异性,提高了放射科医生对这些图像的可解释性。 这解决了现有诊断技术中的一个重大差距,这些诊断技术经常与数据可变性和缺乏通用性作斗争。 -
早期发现和改善患者预后的潜力: 通过早期准确检测肺癌,该方法有可能显著降低与疾病相关的死亡率,并改善患者的总体预后。 -
其他形式癌症的可扩展性和应用:While 以肺癌为重点,本研究中开发的原理和方法对其他类型的癌症诊断具有指导意义,表明该方法具有潜在的可扩展性和适应性。
相关工作
创新的深度学习策略
结合基于知识的系统和机器学习
探索DenseNet和多个基于视图的模型
基于区域的CNN和深度强化学习
3D CNN和基于ANN的模型可提高灵敏度
MLP和自动化综合分析方法
转移学习和专门的CNN模型
非小细胞肺癌和组织病理学分析的多种技术
用于早期检测的混合模型和数据集成
新趋势和未来方向
拟议方法
![图a](http://media.springernature.com/lw685/springer-static/image/art%3A10.1186%2Fs13677-024-00597-w/MediaObjects/13677_2024_597_Figa_HTML.png)
结果
混淆矩阵
评估矩阵
精密度
召回
F1得分
特异性
错误遗漏率(FOR)和错误发现率(FDR)
负预测值(NPV)
假阴性率(FNR)
马修斯相关系数(MCC)、提花指数和骰子系数
错误率
准确性
结论
-
特征提取:DenseNet121擅长从CT扫描图像中提取详细特征,这对于识别肺癌的细微和早期征兆至关重要。 这提高了检测率,尤其是对于经常难以检测的小结节。 -
减少过拟合:DenseNet121的架构从本质上降低了过拟合的风险,这是医学成像任务中的一个常见挑战,因为带注释的医学图像的可用性有限。 这是通过有效使用参数和特征重用来实现的,从而生成更健壮的模型。 -
增强的梯度流:所有层之间的直接连接确保梯度流在整个网络中保持不变,有助于在没有消失梯度问题的情况下进行更深入的模型训练。 这对于学习复杂的高维医学图像(如CT扫描)特别有益。 -
提高了准确性和效率:DenseNet121在肺癌检测和分类的各种研究中,在准确性方面表现出了卓越的性能。 此外,它对参数的有效使用降低了计算量,加快了训练和推理速度,这在时间通常是关键因素的临床环境中至关重要。
更改历史记录
2024年5月26日
工具书类
Zhang Y,Chen J,Ma X,Wang G,Bhatti UA,Huang M(2024)使用具有复合测地距离的改进注意力U-net的交互式医学图像注释。 专家系统应用237:121282。 https://doi.org/10.1016/j.eswa.2023.121282 ISSN 0957-4174 Bhatti U,Mengxing H,Neira-Molin H,Marjan S,Baryalai M,Hao T,Wu G,Bazai S(2023)MFFCG–使用图形注意网络进行高光谱图像分类的多特征融合。专家系统应用229:120496。 https://doi.org/10.1016/j.eswa.2023.120496 Bhatti UA,Tang H,Guilu W,Marjan S,Hussain A(2023)使用图卷积网络的深度学习:计算智能的概述和最新应用。 《国际情报系统杂志》2023:1–28。 https://doi.org/10.1155/2023/8342104 Bhatti UA、Bazai SU、Hussain S、Fakhar S、Ku CS、Marjan S、Yee P、Jing L(2023)使用高光谱数据进行基于深度学习的树木病害识别和分类。 计算机材料连续77:681–697 Nizamani AH,Chen Z,Nizamani-AA,Bhatti UA(2023)使用特征融合方法和CNN对MRI数据进行深度U-Net模型改进脑肿瘤分割。 沙特国王大学计算机信息科学杂志35(9):101793。 https://doi.org/10.1016/j.jksuci.2023.101793 ISSN 1319-1578号 Qasim M,Khan M,Mehmood W,Sobieczky F,Pichler M,Moser B(2022)中小企业预测性维护异常检测方法的比较分析。 在:,等。数据库和专家系统应用-DEXA 2022研讨会。 DEXA 2022。 《计算机与信息科学通信》,第1633卷。 查姆施普林格。 https://doi.org/10.1007/978-3-031-14343-4_3 Khan M、Ahmad A、Sobieczky F、Pichler M、Moser BA、BukovskíI(2022)中小企业预测性维护的系统绘图研究。 IEEE访问10:88738–88749。 https://doi.org/10.109/ACCESS.2022.3200694 Khan M,Liu M,Dou W,Yu S(2015)vGraph:面向大数据的图形虚拟化。 第三届国际会议先进云大数据2015:153–158。 https://doi.org/10.109/CBD.2015.33 Rafique W,Khan M,Sarwar N,Sohail M,Irshad A(2019)基于图论的社会结构提取方法。 收录:Bajwa,I.、Kamaredine,F.、Costa,A.(编辑)《智能技术与应用》。 INTAP 2018。 《计算机与信息科学通信》,第932卷。 新加坡施普林格。 https://doi.org/10.1007/978-981-13-6052-7_38 . SocialRank*:社交网络中的社区和角色检测方法。 https://doi.org/10.1016/j.compleceng.2019.03.010 Gierada DS、Black WC、Chiles C、Pinsky PF、Yanklevitz DF(2020)肺癌低剂量CT筛查:20年研究的证据。 放射成像癌症2(2):e190058。 https://doi.org/10.1148/rycan.2020190058 PMID:32300760; PMCID:PMC7135238 Molly Li SC、Mok KKS、Mok TSK(2023)靶向治疗和免疫治疗的发展——未来十年非小细胞肺癌管理将如何改变:叙事综述。 《Ann Transl Med》11(10):358。 https://doi.org/10.21037/atm-22-4444 .PMID:37675321; 预防性维修识别码:PMC10477626 Thanoon MA,Zulkifley MA,MohdZainuri MAA,Abdani SR(2023)基于CT图像的肺癌筛查和诊断的深度学习技术综述。 诊断(巴塞尔协议)13(16):2617。 https://doi.org/10.3390/diagnostics13162617 PMID:37627876; 预防性维修识别码:PMC10453592 Selvam M、Chandrasekharan A、Sadanandan A等人(2023年),放射技术作为胸部CT的非侵入性辅助手段,用于鉴别肺部良恶性结节。 科学报告13:19062。 https://doi.org/10.1038/s41598-023-46391-7 Hunger T,Wanka-Pail E,Brix G,Griebel J(2021)《吸烟者低剂量CT肺癌筛查:一项系统回顾和荟萃分析》。 诊断11:1040。 https://doi.org/10.3390/diagnostics11061040 Koh DM、Papanikolaou N、Bick U等人(2022),癌症成像中的人工智能和机器学习。 《公共医学》2:133。 https://doi.org/10.1038/s43856-022-00199-0 Wenya BL、Hosny A、Schabath MB、Giger ML、Birkbak NJ、Mehrtash A、Allison T、Arnaout O、Abbosh C、Dunn IF、Mak RH、Tamimi RM、Tempany CM、Swanton C、Hoffmann U、Schwartz LH、Gillies RJ、Huang RY、Aerts HJWL(2019)《癌症成像中的人工智能:临床挑战和应用》。 CA癌症临床杂志69(2):127–157。 https://doi.org/10.3322/caac.21552 Epub 2019年2月5日。 PMID:30720861; 预防性维修识别码:PMC6403009 Suganyadevi S,Seethalkshmi V,Balasamy K(2022)《医学图像分析中的深度学习综述》。 国际J多媒体信息检索11(1):19–38。 https://doi.org/10.1007/s13735-021-00218-1 Epub 2021年9月4日。 PMID:34513553; 预防性维修识别码:PMC8417661 Puttagunta M,Ravi S(2021)基于深度学习方法的医学图像分析。 Multimed Tools应用程序80:24365–24398。 https://doi.org/10.1007/s11042-021-10707-4 Yamashita R、Nishio M、Do RKG等人(2018)《卷积神经网络:概述及其在放射学中的应用》。 洞察力成像9:611–629。 https://doi.org/10.1007/s13244-018-0639-9 Celeghin A,Borriero A,Orsenigo D,Diano M,Méndez-Guerrero CA,Perotti A,Petri G,Tamietto M(2023)视觉神经科学的卷积神经网络:意义、发展和悬而未决的问题。 前部计算机神经科学17:1153572。 https://doi.org/10.3389/fncom.2023.1153572 Davri A、Birbas E、Kanavos T、Ntritsos G、Giannakeas N、Tzallas AT、Batistatou A(2023)《利用组织学和细胞学图像进行肺癌诊断、预后和预测的深度学习:系统综述》。 癌症(巴塞尔)15(15):3981。 https://doi.org/10.3390/cancers15153981 .PMID:37568797; 预防性维修识别码:PMC10417369 Maleki F、Ovens K、Gupta R、Reinhold C、Spatz A、Forghani R(2022)机器学习模型的可推广性:三种方法陷阱的定量评估。 无线电艺术情报5(1):e220028。 https://doi.org/10.1148/ryai.220028 .PMID:36721408; 预防性维修识别码:PMC9885377 江X,胡Z,王S,张Y(2023)基于医学图像的癌症诊断深度学习。 癌症(巴塞尔)15(14):3608。 https://doi.org/10.3390/癌症15143608 PMID:37509272; 预防性维修识别码:PMC10377683 Joy Mathew C、David AM、Joy Matthew CM(2020)《人工智能及其在肺癌筛查中的未来潜力》。 EXCLI期刊19:1552–1562。 https://doi.org/10.17179/excli2020-3095 .PMID:33408594; 预防性维修识别码:PMC7783473 Illimoottil M,Ginat D(2023),头颈癌治疗的深度学习和医学成像的最新进展:MRI、CT和PET扫描。 癌症(巴塞尔)15(13):3267。 https://doi.org/10.3390/cancers15133267 .PMID:37444376; 预防性维修识别码:PMC10339989 Dlamini Z、Francies FZ、Hull R、Marima R(2020)《人工智能(AI)与癌症大数据与精确肿瘤学》。 计算机结构生物技术杂志18:2300–2311。 https://doi.org/10.1016/j.csbj.2020.08.019 PMID:32994889; 预防性维修识别码:PMC7490765 亨德里克斯W、亨德里克斯N、肖尔滕ET、穆里茨M、特拉普·德容J、沙勒坎普S、科斯特M、范·勒肯M、范金尼肯B、普罗科普M、鲁滕M、雅各布斯C(2023)《非扫描胸部CT扫描中检测肺部良恶性结节的深度学习》。 Commun Med(伦敦)3(1):156。 https://doi.org/10.1038/s43856-023-00388-5 .PMID:37891360; 预防性维修识别码:PMC10611755 Neal Joshua ES,Bhattacharyya D,Chakkravashy M,Byun YC(2021)3D CNN,使用梯度加权类激活进行肺癌早期检测的视觉见解。 健康工程杂志2021:6695518。 https://doi.org/10.1155/2021/6695518 PMID:33777347; 预防性维修识别码:PMC7979307 Wang S,Zhang H,Liu Z,Liu Y(2022)结合基因表达图像和临床数据的生物学知识预测肺癌长期生存率的新型深度学习方法。 正面基因13:800853。 https://doi.org/10.3389/fgene.2022.800853 PMID:35368657; 预防性维修识别码:PMC8964372 KidambiRaju S、Ramaswamy S、Eid MM、Gopalan S、Alhussan AA、Sukumar A、Khafaga DS(2023)使用可解释的人工智能对工业4.0进行故障优先排序,增强了双卷积神经网络模型。 传感器(巴塞尔协议)23(15):7011。 https://doi.org/10.3390/s23157011 PMID:37571793; 预防性维修识别码:PMC10422235 Quasar SR、Sharma R、Mittal A等人(2023)计算机断层扫描图像的集成方法,以改进肺癌的检测和分类。 多媒体工具应用程序。 https://doi.org/10.1007/s11042-023-17616-8 Muñoz-Aseguinolaza U,Fernandez-Iriondo I,Rodríguez-Moreno I,Aginako N,Sierra B(2023),基于卷积神经网络的肺癌检测分类和监测模型:3D透视法。 太阳神9(11):e21203。 https://doi.org/10.1016/j.heliyon.2023.e21203 PMID:37885719; 预防性维修识别码:PMC10598494 Mridha MF、Prodeep AR、Hoque ASMM、Islam MR、Lima AA、Kabir MM、Hamid MA、Watanobe Y(2022)《关于肺癌检测和分类的进展、过程和挑战的综合调查》。 健康工程杂志2022:5905230。 https://doi.org/10.1155/2022/5905230 .PMID:36569180; 预防性维修识别码:PMC9788902 Hussain Ali Y、SabuChooralil V、Balasubramanian K、Manyam RR、Kidambi Raju S、T.Sadiq A、Farhan AK(2023)基于卷积神经网络和医学物联网的肺癌早期诊断优化系统。 生物工程10:320。 https://doi.org/10.3390/生物工程10030320 Iqbal S、Qureshi AN、Alhussein M、Aurangzeb K、Kadry S(2023)一种新型异形卷积神经网络,用于结肠和肺组织病理学图像中肿瘤的自动评估。 仿生学8:370。 https://doi.org/10.3390/biomimetics8040370 Chen S,Wu S(2022)基于网络调查数据的深度Q网络用于模拟老年人肺癌干预预测和评估:一项定量研究。 BMC Med通知Decis Mak 22:1。 https://doi.org/10.1186/s12911-021-01695-4 Ibrahim A,Mohamed HK,Maher A,Zhang B(2022)基于深度学习的人类癌症分类调查。 正面Artif Intell 5:884749。 https://doi.org/10.3389/frai.2022.884749 Mohamed TIA,Oyelade ON,Ezugwu AE(2023)基于深度学习和埃博拉优化搜索算法的肺癌CT扫描自动检测和分类。 公共科学图书馆·综合》18(8):e0285796。 https://doi.org/10.1371/journal.pone.0285796 高清,杨磊,卢敏,金锐,叶华,马T(2023)肺癌免疫治疗中的人工智能和机器学习。 血液肿瘤杂志16(1):55。 https://doi.org/10.1186/s13045-023-01456-y .PMID:37226190; 预防性维修识别码:PMC10207827 李毅,吴旭,杨鹏,姜刚,罗毅(2022)肺癌诊断、治疗和预后的机器学习。 基因组蛋白质组学生物信息学20(5):850-866。 https://doi.org/10.1016/j.gpb.2022.11.003 Epub 2022年12月1日。 PMID:36462630; PMCID:PMC10025752 Rehan R、Zulfiqar F、Khan MO、Arif M、Alvi A、Iftikhar MA、Alam T(2023)Lung-EffNet:使用CT扫描图像中的EfficientNet进行肺癌分类。 工程应用Artif Intell 126:106902 Bove S、Fanizzi A、Fadda F、Comes MC、Catino A、Cirillo A、Cristofaro C、Montrone M、Nardone A、Pizzutilo P、Tufaro A、Galetta D、Massafra R(2023)基于CT的转移学习方法预测非小细胞肺癌复发:瘤周区域的附加值。 公共科学图书馆·综合》18(5):e0285188。 https://doi.org/10.1371/journal.pone.0285188 .PMID:37130116; 预防性维修识别码:PMC10153708 Paul R、Schabath MB、Gillies R、Hall LO、Goldgof DB(2020)利用卷积神经网络集成和临床数据预测肺结节恶性肿瘤的混合模型。 医学成像杂志(Bellingham)7(2):024502。 https://doi.org/10.1117/1.JMI.7.2.024502 Epub 2020年4月6日。 PMID:32280729; 预防性维修识别码:PMC7134617
致谢
基金
作者信息
作者和附属机构
贡献
通讯作者
道德声明
伦理批准和参与同意
竞争性利益
其他信息
出版商备注
权利和权限
关于这篇文章
引用这篇文章
收到 : 认可的 : 出版 : 内政部 : https://doi.org/10.1186/s13677-024-00597-w