6、深度学习模型评估助力肺癌检测与诊断

apple5

79人浏览 · 2025-09-11 14:45:31

apple5 · 2025-09-11 14:45:31 发布

深度学习模型评估助力肺癌检测与诊断

1. 引言

肺癌是全球各类癌症中致死率排名第二的严重疾病。在美国，22.5万例登记的肺癌患者中，有15万例死亡，且仅肺癌治疗的预算就高达120亿美元。2018年，约960万癌症死亡病例中，肺癌死亡病例近180万（占比18.4%）。肺癌主要分为非小细胞肺癌（NSCLC）和小细胞肺癌（SCLC），分别约占病例的85%和15%。自1985年以来，基于患病率和生存率，肺癌一直是全球性的严重疾病。

深度学习（DL）策略由机器学习（ML）专家提出，为计算机视觉应用提供了可靠的解决方案，广泛应用于皮肤癌、农业、乳腺癌、血癌和脑肿瘤等领域。基本的深度学习模型通常由卷积层、ReLu激活机制、特征缩减池化层和全连接（FC）层组成。在卷积神经网络（CNN）中，FC层对于提取肿瘤分类等特定问题的强相关和深度特征最为关键。多种医学成像方法，如计算机断层扫描（CT）、胸部X光、磁共振成像（MRI）和正电子发射断层扫描（PET）用于检测各类癌症，其中CT图像在发现肿瘤生长方面表现出色，噪声低，优于其他方法。目前，CT筛查在肺癌检测中是一种成功的方法，因其能提供全面的结节大小和位置数据。此外，计算机辅助诊断（CAD）技术在1980年得到发展，有助于医生检查图像，多种ML技术在健康领域也显示出显著效果。

肺癌的成因是肺部细胞不必要的生长，典型症状包括咳嗽、呼吸急促、胸痛和体重减轻。医生通过检查CT扫描来区分感染情况，多项研究表明低剂量螺旋CT在识别早期肺癌和肿瘤方面比胸部X光更有效。

2. 诊断

癌症的诊断和治疗一直是人类面临的重大挑战。肺癌是由于肺部正常细胞异常生长并通过血液循环转化为癌细胞所致，根据癌症的位置和扩散情况可分为四个阶段。肺部出现直径约30毫米的肺结节可能提示肺癌，但微小肺结节的分析对专家来说是一项挑战。对于晚期肺癌患者，化疗是常用的治疗方法。

由于诊断成本高和专家数量有限，CAD系统应运而生，用于精确的癌症诊断和治疗。DL技术在语音、目标识别和自然语言处理等方面取得了进展，特别是CNN具有三维（3D）不变性和多特征评估的独特优势。例如，3D U - Net与胶囊网络（CapNets）结合用于收集肺结节的高低级信息，但由于良性样本过多，特异性较低。Massion等人利用两个数据集执行肺癌预测CNN（LCP - CNN）模型，以检测不确定的肺结节（IPNs）。

DL网络（3D CNN）在七个不同数据集上进行了测试，以根据CT图像预测患者的两年生存率，但受数据、测试和医学及成像采集因素的敏感性变化的限制。FDG - PET数据使用深度神经网络（DNNs）进行肺癌预测，不同剂量的重建结果显示出不同的AUC值和敏感性、特异性。为了准确诊断恶性肿瘤，研究人员还研究了3D修改的混合链接网络（CMixNet）和更快的R - CNN。此外，3D DL ProNet和radionics com_radNet方法用于肺癌组织学亚型的分类，DNN基于全切片训练方法和统一内存（UM）CNNs用于肺癌类型的分类。多流多尺度技术和基于CNN的Lung - RADS和PanCan方法也用于肺结节的检测和风险评级。

作者	技术	数据库	AUC(%)	准确率(%)	敏感性(%)	特异性(%)	F1分数(%)
Bhandary et al. (2020)	MAN - SVM	LIDC - IDRI、胸部X光	-	97.27	98.09	95.63	97.95
Chae et al. (2020)	CT - lungNET	胸部CT图像	0.85	-	-	-	-
Yang et al. (2020)	3D U - Net + CapNets集成	LIDC - IDRI	0.84	84.50	92.90	70.00	-
Pang et al. (2020)	自适应VGG16 - T	CT图像	-	-	-	-	-
Majid et al., 2020	3D CNN	LUNA 16	80	-	-	-	-
Qin et al. (2020)	MFSCA - DenseNet (GMU + 联合优化)	CT + PET	0.92	0.72	-	-	-

3. 治疗

小细胞肺癌（SCLC）的治疗在过去30年里效果不佳，缺乏有效的治疗方法。多学科综合治疗技术结合低剂量CT，对浙江省13491名患者的数据进行评估，用于肺癌诊断，低剂量CT在诊断吸烟者和非吸烟者的癌症方面表现更好。

肺切除术在肺癌治疗中具有重要意义，通过对荷兰51家不同医院的8446名患者的数据进行评估，使用多变量逻辑回归来识别肺切除术并预测医院的比例，结果显示多变量逻辑回归的AUC为0.80。多种技术用于原发性肺癌的治疗、生存和死亡率评估，如逻辑回归模型、Kaplan - Meier方法和Cox比例风险模型。在中国，一名男性肺癌成年患者通过逆转录聚合酶链反应（RT - PCR）检测出冠状病毒感染后，使用洛匹那韦/利托那韦（Kaletra）治疗后康复。

对于非小细胞肺癌（NSCLC），联合表皮生长因子受体（EGFR）酪氨酸激酶抑制剂和细胞毒性化疗显示出显著的治疗效果，晚期NSCLC的严重感染采用铂类双联化疗，适应性免疫治疗机制在晚期复杂NSCLC中表现更好。此外，还对ramucirumab和多西他赛（R&D）的效率进行了评估，以及atezolizumab抗病毒药物在NSCLC治疗中的应用。欧洲医学肿瘤学会（ESMO）建议使用伊立替康和顺铂治疗广泛期ED - SCLC，特别是在亚洲人群中，但该治疗方法由于数据较少，研究尚不充分。在NSCLC的最终阶段（IIIAN2），新辅助化疗（NA - C）与序贯或同步放化疗（CRT）的治疗结果存在差异，NA - C免疫治疗可能在未来改变治疗方式。生物标志物如血液和呼吸可用于评估治疗效果，但仍在研究中。

作者	癌症阶段	治疗方法
Ott et al. (2017)	Ib	帕博利珠单抗
Antonia et al. (2016)	I,II	纳武单抗和伊匹木单抗变体
Reck et al. (2016)	III	伊匹木单抗和铂 - 依托泊苷 vs. 铂 - 依托泊苷
Brahmer et al. (2012)	I	αPD - L1抗体
Van Meerbeeck et al. (2020)	III	阿替利珠单抗和铂类双联 vs. 铂类双联

4. 预防

美国预防服务工作组（USPSTF）建议对55 - 80岁、每年至少吸烟30包或在15年内戒烟的吸烟者进行年度低剂量CT肺癌筛查。肺移植患者和HIV患者患肺癌的风险较高，多种因素与肺癌风险相关，如饮食、酒精、氡气、空气污染等。

一项基于深度神经网络（DNN）的模型结合环境、疾病史、行为和人口统计学风险因素，对美国50个州的235,673名个体进行分析，结果显示出较好的性能，但该研究存在局限性，未考虑个体的基因组、饮食和地区因素。Bernatsky等人评估了14个系统性红斑狼疮（SLE）队列中的肺癌风险因素，发现吸烟是SLE患者中肺癌的主要风险因素。对15项研究的分析表明，GC基因和维生素D受体（VDR）与肺癌风险有关。

多项研究表明，食用油炸或红肉、饮酒、吸烟等因素会增加肺癌风险，女性因激素替代疗法（HRT）患肺癌的风险更高。摄入维生素B6（≥50mg/天）可降低16%的肺癌风险，但对吸烟、维生素B12和叶酸的影响不显著。

基于CNN的CXR - LC模型通过电子病历（EMR）、NLST和前列腺、肺、结直肠和卵巢（PLCO）癌症筛查试验来识别肺癌，结果显示该模型在AUC和敏感性方面优于CMS资格标准，且吸烟者患肺癌的风险较高。但该研究受限于PLCO和NLST的数据，主要为单一类型和老年吸烟者，且使用的胸部X光分辨率较低，导致性能下降。此外，还提出了一种基于DL和生存分析技术的无分割生存分析系统，通过The Cancer Genome Atlas（TCGA）数据集进行实验评估。

5. 数据集

Kaggle Data Science Bowl (KDSB) 2017 Challenge Dataset包含2101名患者的数据，带有ID和0、1标签，分别表示非癌和癌的3D CT图像，分辨率为512×512像素。LUNA16数据集包含888名患者的CT扫描数据和结节标签，图像分辨率为512×512像素。JSRT数据集包含247张胸部X光正面图像，其中93张未感染，154张有肺结节感染，图像分辨率为2048×2048像素，结节直径为5 - 40毫米。LIDC/IDRI数据库包含1018名患者的肺结节CT图像，以DICOM格式存储，包括恶性、良性、转移性和未知图像。ChestX - Ray14数据集是目前最大的可用数据库，包含30,805名患者的胸部X光正面图像，有14种疾病标签，PNG分辨率为1024×1024像素。Lung1数据集包含422张NSCLC感染图像，来自TCIA。

6. 深度学习技术

CAD可以降低观察负担和假阴性率，它是一种用于检查放射图像以检测特定疾病的软件，有助于放射科医生更早、更快地检测和诊断异常。

DNNs最近在特征计算方面引起了广泛关注，因为它们能够学习图像的中高级表示。根据WHO数据，肺癌死亡率为20%，如果在早期发现，低剂量CT治疗表现出显著的效果。DL技术在大数据评估中非常高效，近年来提出了许多方法。

DL主要分为监督学习和无监督学习两种类型。监督学习模型包括神经网络（NN）、CNN（ConvNet）、深度CNN（通用多分类和分割模型）和循环神经网络（RNNs）；无监督学习模型包括自动编码器（AEs）、堆叠AEs（SAEs）、AE和SAE变体、受限玻尔兹曼机（RBMs）、深度信念网络（DBNs）、变分AEs和生成对抗网络。CNN评估在医学图像识别和分类过程中表现更好，许多现有研究开发了适应性CNN，如DenseNet、ResNet、Inception、AlexNet、VGG等，用于胸部X光检测缺陷。

mermaid流程图：

graph LR
    A[深度学习技术] --> B[监督学习]
    A --> C[无监督学习]
    B --> B1[NN]
    B --> B2[CNN]
    B --> B3[深度CNN]
    B --> B4[RNNs]
    C --> C1[AEs]
    C --> C2[SAEs]
    C --> C3[RBMs]
    C --> C4[DBNs]
    C --> C5[变分AEs]
    C --> C6[生成对抗网络]

深度学习模型评估助力肺癌检测与诊断

7. 分析与发现

基于现有的先进DL技术进行了分析。肺癌的早期和晚期阶段，癌细胞仅局限于肺部或扩散到其他区域。由于可用的指示信息有限，通过现有的活检和成像等治疗技术进行肺癌诊断具有挑战性，且死亡率较高。通过CAD对胸部CT中直径小于10毫米的结节进行分析，可判断患者是否患有原发性肺癌。

CT - lungNET基于DL技术，对173张全未增强胸部CT图像中的208个肺结节（大小为5 - 20毫米）进行恶性预测，结果显示AUROC为0.85，置信区间为95%，但该研究存在测试集小和切片厚度为2毫米等局限性，仅用于分类而非检测。自动癌症检测和分类在全切片肺组织病理学（ACDC@LungHP）中，对200名患者的WSI进行评估，多模型方法在DICE系数上优于单模型方法。基于细粒度特征和GMU的网络用于肺癌诊断，报告了相应的AUC和准确率，但因数据集小和分割标记数据少，性能有待提高。

DNN U - Net模型与CNN结合，在包含435名癌症患者和3363个良性结节的放射组学数据集上进行评估，通过Lasso回归减少数据集特征至40个，不同组合下的模型表现有所不同。一种基于DL的算法用于评估现有和先前的CT图像以预测肺癌风险，该算法包括肺分割、癌症ROI检测、全体积模型和癌症风险预测四个步骤，使用TensorFlow平台，在国家肺癌筛查试验数据集上取得了一定的AUC、假阳性和假阴性结果，但存在普通放射科医生参与率和早期肺癌数据预测等问题。3D CNN基于DNN用于从3D CT图像中检测肺癌的初始阶段，在LUNA 16数据集上的准确率为80%，但考虑数据较少，可添加额外特征提高性能。纳米等离子体传感技术和基于DL的SERS用于分析细胞和人体血浆外泌体，检测肺癌初始阶段，分类结果显示出较高的AUC和准确率，但存在清晰度、癌细胞数量、患者样本和内存等方面的局限性。

作者	技术	数据库	AUC(%)	准确率(%)	敏感性(%)	特异性(%)	F1分数(%)
Bhandary et al. (2020)	MAN - SVM	LIDC - IDRI、Chest X - rays	-	97.27	98.09	95.63	97.95
Chae et al. (2020)	CT - lungNET	Chest CT images	0.85	-	-	-	-
Yang et al. (2020)	3D U - Net + CapNets集成	LIDC - IDRI	0.84	84.50	92.90	70.00	-
Pang et al. (2020)	自适应VGG16 - T	CT images	-	-	-	-	-
Majid et al., 2020	3D CNN	LUNA 16	80	-	-	-	-
Qin et al. (2020)	MFSCA - DenseNet (GMU + 联合优化)	CT + PET	0.92	0.72	-	-	-

8. 结论与未来挑战

肺癌由于症状少和认知不足，经常被发现。在早期和晚期阶段，癌症细胞的检测和诊断至关重要。专家对微小肺结节的检查困难且效率低下，因为人类的视觉能力有限。2020年，约22.882万老年人接受了诊断程序，早期肺癌在肺结节（直径≤3毫米）中的诊断率约为5% - 10%。

未来的挑战包括开发能够对并发分辨率和参数变化的大数据进行分类的模型，同时保持有效性。更多的临床症状和技术对于癌细胞和外泌体的分离至关重要，特别是对于miRNAs。在ALK + NSCLC治疗中，额外的克唑替尼药物耐药性将成为一个严峻的问题。未来的免疫治疗技术有望用于癌症治疗，以解决复杂癌症患者的免疫检查点抑制剂（ICIs）冲突问题。

mermaid流程图：

graph LR
    A[未来挑战] --> B[开发大数据分类模型]
    A --> C[临床症状与技术研究]
    A --> D[解决药物耐药性问题]
    A --> E[发展免疫治疗技术]
    B --> B1[保持有效性]
    C --> C1[癌细胞和外泌体分离]
    C --> C2[针对miRNAs研究]
    D --> D1[ALK + NSCLC治疗]
    E --> E1[解决ICIs冲突]