一个简单的方法来训练人工智能诊断模型的肺结节

文摘

背景。subcentimetre肺结节的鉴别诊断一直是直径小于1厘米的问题之一成像胸医生和外科医生。我们计划创建一个深度学习模型诊断肺结节的简单方法。方法。图像数据和病理诊断的病人来自浙江大学医学院第一附属医院从10月1日,2016年,2019年10月1日。数据预处理和数据增大后,训练集用于训练模型。测试集是用来评估训练模型。同时,临床医生也将诊断测试集。结果。总共有2295 496肺结节和相应的病理诊断的图像被选为训练集和测试集。数据增大后,训练集图像的数量达到12510张图片,其中包括6648名恶性结节性图片和5862良性结节性图像。下的面积 - - - - - - 0.836训练模型的曲线是恶性和良性结节的分类。训练模型的ROC曲线下的面积是0.896 (95% CI: 78.96% ~ 100.18%),高于三个医生。然而,值不小于0.05。结论。自动机器学习系统的帮助下,医生可以创建一个深度学习肺结节病理分类模型没有深度学习专家的帮助。这个模型的诊断效率不是劣质的临床医生。

1。介绍

恶性肿瘤是一种严重威胁人类生命和健康的疾病。在中国,虽然恶性肿瘤的5年生存率是逐年增加1),发病率和死亡率仍逐年增加(2]。其中,肺癌恶性肿瘤的发病率中居第一位中国(1]。研究结果表明,筛选低剂量螺旋CT对肺癌高危人群可以显著降低肺癌死亡率(3]。然而,随之而来的问题是,肺结节的检出率是增加。subcentimetre肺结节的鉴别诊断一直是直径小于1厘米的问题之一成像胸医生和外科医生(4]。

近年来,人工智能研究和应用基于深度学习在全面展开。在医学领域,使用深度学习的诊断成像技术(5和病理6)图像出现。然而,深度学习主题具有高阈值,这样的研究通常需要深度学习的深入参与工程师。为了进一步减少深度学习的门槛,洞察力的人提出了自动机器学习的概念(AutoML) [7]。AutoML可以完全自动化创建整个深度学习过程,减少各领域研究人员使用的知识深度学习的研究工作。

本研究打算使用微软的定义视觉(8]AutoML系统训练模型通过学习肺结节的薄层CT图像数据和相应的病理诊断。使用测试数据集测试诊断模型和比较临床医生的诊断。使用结果来评估模型的有效性。

2。材料和方法

2.1。训练集和测试集

获取病理诊断数据库的手术标本病理学系,浙江大学医学院第一附属医院,从10月1日,2016年,2019年10月1日。在数据库中,筛选出高排名的病理诊断肺结节的病理结果。根据上面选择的病人数据诊断,病人在医院的CT图像成像系统中检索一个接一个根据病人的医疗记录数。入选标准包括以下:(一)之前必须在30天内肺部CT图像的手术(b)肺部CT图像应该是一个高分辨率水平序列CT图像(层厚度1.0 ~ 1.25毫米)(c)没有限制肺结节的大小,但是他们需要球形或quasispherical,边界可以被识别,和周围的环境是充气的肺部组织包围,没有肺不张(d)只有一个病变在同一肺叶,或有多种病变,但他们都删除,手术后病理结果是相同的

下载病人的高分辨率CT图像序列成像系统(DICOM格式),并记录对应的病理诊断结节。随机选择90%的结节作为训练数据集和10%作为测试数据集。

2.2。数据预处理

DICOM格式图像转换为位图图像。转换方案如下:在DICOM格式,记录每个像素的CT值的单位是Hounsfield单位。CT值的范围从-1000年到1000年。我们为每个CT值指定唯一的颜色对应于它。通过这种转换,我们得到一个颜色CT位图图像(图1)。

选择包含一个图像序列中的肺结节图像中肺结节的直径不少于80%的最大直径的结节。作物所选位图图像来获取一个大约广场矩形图像包含结节的图像。裁剪的图像的边长应该2 - 3倍的直径结节。此外,结节模式位于大约在中间。

2.3。数据增加

训练集图像上执行以下操作:旋转90度,180度,按顺时针旋转270度,垂直水平翻转,翻转。上述方法使训练数据集数据增加了六倍。

2.4。训练一个深度学习诊断模型

访问https://www.customvision.ai注册一个新帐户,登录。创建一个新的培训项目,并选择“分类”“项目类型”选项,“多级(单个标签/图像)”“分类类型”选项,和“将军”“域”选项。上传的所有训练数据集的图像,并将标签添加到图像根据病理类型,然后开始训练。等一等,记录培训结果数据训练完成后。

2.5。评估训练模型和测试数据集的图像

上传测试数据集的图像测试页面来测试训练模型。因为每个结节包含多个测试图片,上传和测试每个图像,记录每个诊断可能性为每个映像的比例,和平均多个图像。诊断比例最高的是最终的预测诊断。

邀请三个胸的外科医生。查看肺结节的CT图像对应的测试数据集,并根据病理诊断后的训练数据集。使统计分组比较实际的病理结果。

3所示。结果

最后,共有2295 496肺结节和相应的病理诊断的图像被选为训练集和测试集。数据增大后,训练集图像的数量扩大到6次,最终达到12510张图片,其中包括6648名恶性结节性图片和5862良性结节性图像(表1)。

模型训练使用训练数据集没有数据增加一个培训结果与概率阈值为50%,准确率为69.7%,召回率是67.0%,曲线下的面积是0.738。培训结果与数据模型的训练增加训练数据集如下:以50%的概率阈值,准确率为78.8%,召回率是76.2%,曲线下的面积是0.836。数据增加后,模型的曲线下的面积比以前更优秀(图2)。

使用模型训练和增强数据做出诊断预测的测试数据集。良性和恶性分类、模型训练数据增强灵敏度可以达到88.24%,特异性为90.91%,和一个整体准确率为90.0%。对于病理分类,分类准确率是78%。对于这个测试数据集,三个临床医生判断,良性和恶性分类的平均敏感度为86.27%,特异性为65.66%,平均平均总体准确率是72.67%,平均病态的准确率是48.67%(表2)。

为模型训练数据增大后,三个医生,ROC曲线构造诊断良性和恶性结节,用于判断他们的测试数据集的诊断价值。曲线下的面积(AUC)对应于模型为0.896 (95% CI: 78.96% ~ 100.18%)和曲线下的面积值对应于三个医生0.759 (95% CI: 62.17% ~ 89.70%), 0.775 (95% CI: 63.97% ~ 90.93%),和0.745 (95% CI: 60.12% ~ 88.90%)。结果意味着模型有一个高价值的良性和恶性结节的诊断测试数据集,和相应的最优截断值是0.791(此时,敏感性88.2%,特异性是90.9%)。此外,曲线下的面积大于三的医生。然而,值不小于0.05(表3)。

4所示。讨论

深度学习以来显示精度高,在许多计算机视觉任务,近年来,肺结节检测和分类的研究领域基于深层神经网络迅速升温(9]。然而,深度学习专业高阈值。这样的研究必须依靠有经验的深度学习工程师的参与。在这项研究中,作者没有深入研究深入学习算法和特定的操作实践。只有在一个粗略的理解深度学习的原则,一个自动深度学习系统是用于创建一个深度学习诊断模型。在这项研究中,不到500例肺结节收集作为训练数据集。虽然不是很大的数据量,最后诊断模型仍然是令人满意的,可以相当于人类医生的诊断。

在先前的研究10)、专业深度学习框架通常是用来直接读取肺结节DICOM格式的数据训练模型。然而,在这项研究中,自定义视觉只能读取图像数据进行训练。为此,我们必须将DICOM格式图像转换成图片格式数据对模型的训练。

在肺部CT图像DICOM格式,每个像素的数据是在-1000年和1000年之间。换句话说,CT机可以识别2000种不同人体的密度差异。人体器官的CT值大多集中在一个相对狭窄的区间。为了便于显示和医生阅读、DICOM格式图像将显示为灰度图像通过不同的窗口宽度和窗口水平值。医生可以很敏感地察觉到窗口宽度内的CT值的差异通过阅读CT图像用肉眼。缺点是窗外的CT值宽度最终会显示为全白或全黑。这个图像转换将丢失数据。

为了避免丢失数据,我们已经创建了一个图像转换方法。CT可以识别2000种不同的人体灰色的水平。在电脑,24位彩色位图作为一个例子,颜色可以显示的数量是16777216。因此,每个不同的CT值DICOM格式可以给相应的颜色,以便所有DICOM格式图像中的信息可以完全保留。转换后的彩色图像,人眼无法识别一些颜色之间的细微差别。然而,对于计算机处理,完全不同的颜色。

肺腺癌是最常见的病理类型在非小细胞肺癌,它约占50%的肺癌患者(11]。肺癌的流行病学变化,肺癌的国际研究协会(IASLC),美国胸科学会(ATS)和欧洲呼吸协会(ERS)成立了一个联合工作组2011年宣布一个新的分类方法对肺腺癌12:非典型腺瘤性增生(啊),原位腺癌(AIS)微创腺癌(MIA)和腺癌浸润性癌(IAC)。人们普遍认为,啊,AIS,米娅和IAC的不同阶段早期非小细胞肺癌在疾病的进展(13]。统计分析不同类型的肺腺癌预后的显示啊,AIS,米娅有一个很好的预后[14),5年生存率可以达到近100%。入侵腺癌的5年生存率明显低于前三种类型。

在手术的选择,类型的啊,AIS,米娅,最近的研究(15]一直更倾向于执行sublobar切除(侧肺楔形切除术,并结合分段切除)。生存率和局部复发率明显不同于叶切除术。一些学者[16甚至认为,因为类型的啊,援助,和米娅,淋巴结转移的可能性是极低的。立体定向放射治疗(SBRT)治疗这些类型的病变可以实现类似的传统手术治疗效果。入侵腺癌的病变达到的水平后,叶切除术更推荐。

术中快速病理诊断的过程中,由于材料的限制等因素的影响,病理学家有时难以区分啊,AIS,米娅17]。三种类型的病变有良好的预后,和手术的临床意义指导几乎是相同的。因此,这三种类型组合成一个组作为低风险组,和入侵腺癌被认为属于高危人群。因此,深度学习的分类模型可以更专注于识别病变是否浸润性癌,配方具有重要意义的手术和疾病预后的预测。

在这项研究中,良性疾病的数量相对较小。例如,只有13例肺硬化性血管瘤。如果这样的少数情况下直接输入到深度学习引擎学习,这是注定要失败的才能获得良好的效果。因此,各种形式的数据增加是必要的。对于图像数据,纯数据扩增方法通常包括几何变换。在这项研究中,几何变换的翻转和旋转操作使用。旋转和翻转肺结节的形象并不影响图像的本质和特点。这个操作方法简单,但效果显著。增强图像的模型使用的培训,增加曲线下的面积大约0.1相比前一个。

这两个领域的最基本指标深度学习与信息检索、分类、识别、翻译等的召回率和精确率。 ,和 。因此,召回率是医学诊断的敏感性,但精确率并不具体。尽管如此,精确率和召回率之间的关系类似于敏感性和特异性的关系:精度和召回互相影响,理想的情况是,当然,精度高和回忆。但在正常情况下,精确率成反比的召回率。

因此,类似于ROC曲线之间的关系形成的敏感性和特异性,精确率和召回率之间的关系也可以建立一个 - - - - - - 曲线,作为召回率值 - - - - - -轴和精确率值用作 - - - - - -轴来表示不同的精度和召回事件之间的关系。平均精度率代表了精确率的平均值在召回率的变化从0到1,也就是说,精密的集成速度在召回率从0到1的转变,相当于下的面积 。所包围的面积 - - - - - -和 - - - - - -轴(面积 - - - - - - 曲线)。通过这种方式,多个模型之间的比较变得直观。你只需要把 - - - - - - 曲线的各种型号相同的坐标系统和比较曲线下的面积。

通过分析诊断结果,AUC值对应于ROC曲线的神经网络为0.896,表明该模型是高价值的良性和恶性结节的诊断测试数据集。模型可以达到90%的准确率为良性和恶性病理分类的分类和78%的准确率。此外,AUC值高于三个医生。然而,值不小于0.05,表明模型的诊断效率的良性和恶性分类类似于临床医生。

当临床医生诊断肺结节,灵敏度是没多大区别的诊断模型,但诊断的特异性显著低于模型。可能的原因是,作为一个临床医生在诊断肺结节时,他们倾向于增加灵敏度,增加潜在的恶性肿瘤的检出率,减少漏诊。因此,假阳性高和特异性降低。

5。结论

这项研究表明,与自动机器学习系统的帮助下,医生可以创建一个深度学习肺结节病理分类模型没有深度学习专家的帮助。这个模型的诊断效率不是劣质的临床医生,但不深入学习算法模型将取代临床医生和放射科医生的状态。相反,它可以有效地帮助临床医生和放射科医生在临床工作。

数据可用性

数据和材料在当前的研究中可从相应的作者以合理的要求。

信息披露

这项工作是作者的博士论文研究工作的一部分,这是由Zhehao他,上司是剑。

的利益冲突

作者宣称没有利益冲突。

确认

作者特别要感谢彩虹陈优秀的技术支持。这项工作得到了中国国家重点研发项目(2017号yfc0113500);浙江省科技计划重点项目,中国(2020号c03058);浙江省重点学科中医(中西医结合)(2017 - xk - a33);浙江肺癌中心(jbzx - 202007);和浙江省自然科学基金(LQ20H160050)。

引用

1. r . s .郑k . x的太阳,s . w . Zhang et al。”中国的癌症流行病学报告,2015,“中国肿瘤学杂志第41卷。。1,19-28,2019页。视图:出版商的网站|谷歌学术搜索
2. r . s .郑x y顾,李x t . et al .,“分析癌症发病率与年龄变化的趋势在中国癌症登记处的地区,2000年到2014年,“中国预防医学杂志》上,52卷,不。6,593 - 600年,2018页。视图:出版商的网站|谷歌学术搜索
3. 诉答:梅奥,”筛查肺癌:美国预防服务工作组建议声明,“内科医学年鉴,卷160,不。5,330 - 338年,2014页。视图:出版商的网站|谷歌学术搜索
4. m . j . Schuchert a科里奇,a Pennathur et al .,“肿瘤结果subcentimeter非小细胞肺癌手术切除后,“胸外科的史册,卷91,不。6,1681 - 1688年,2011页。视图:出版商的网站|谷歌学术搜索
5. 美国Bhatia, y Sinha和l·高尔肺癌检测:深度学习的方法[M] / /软计算解决问题施普林格,新加坡,2019年。
6. 江y l·陈,h·张,x,“乳腺癌组织病理学图像分类使用卷积神经网络与小SE-ResNet模块,“《公共科学图书馆•综合》,14卷,不。第三条e0214587, 2019年。视图:出版商的网站|谷歌学术搜索
7. m·a . Zoller和m·f·胡贝尔“调查自动化机器学习,”2019年,https://arxiv.org/abs/1904.12054。视图:谷歌学术搜索
8. m . Salvaris d·迪恩和w·h·托托,认知的服务和定制的愿景和Azure深度学习,然后伯克利分校,2018年。视图:出版商的网站
9. y LeCun (y Bengio g·辛顿,“深度学习”,自然,卷521,不。7553年,第444 - 436页,2015年。视图:出版商的网站|谷歌学术搜索
10. c .张x太阳,k党et al .,“对肺癌专家水平的检测和使用深卷积神经网络分类,“肿瘤学家,24卷,不。9日,第1165 - 1159页,2019年。视图:出版商的网站|谷歌学术搜索
11. r ., y, f, w·凯和s .赵”的病理类型和临床流行病学分析6058名肺癌患者,”中国日报的肺癌,19卷,不。3、129 - 135年,2016页。视图:出版商的网站|谷歌学术搜索
12. p . e . Van Schil公元l . Sihoe和w·d·特拉维斯,“肺腺癌的病理分类,”肿瘤外科杂志》,卷108,不。5,320 - 326年,2013页。视图:出版商的网站|谷歌学术搜索
13. y Yatabe, a·c·Borczuk和c·a·鲍威尔“所有肺腺癌遵循逐步进展吗?”肺癌,卷74,不。1、7 - 11,2011页。视图:出版商的网站|谷歌学术搜索
14. 郭j .古陆,j . et al .,“IASLC / at /人的预后意义分类在中国患者单一机构292肺腺癌的回顾性研究,“肿瘤外科杂志》,卷107,不。5,474 - 480年,2013页。视图:出版商的网站|谷歌学术搜索
15. 曹c, d . Chandrakumar Gupta, t·d·严和d·h·田”,可能更少?- - - - - -- - - - - -A systematic review and meta-analysis of sublobar resections versus lobectomy for non-small cell lung cancer according to patient selection,”肺癌,卷89,不。2、121 - 132年,2015页。视图:出版商的网站|谷歌学术搜索
16. w·韦德,d . Moghanaki b·斯泰尔斯s .湿婆和g·罗克,“伟大的辩论闪光:手术和立体定向放射治疗作为主要的早期肺癌的治疗,”欧洲心胸外科杂志》上,53卷,不。2、295 - 305年,2018页。视图:出版商的网站|谷歌学术搜索
17. y s, r . Wang Zhang et al .,“精确的术中冰冻切片诊断是一种有效的方法来引导切除周边小型肺腺癌,战略”临床肿瘤学杂志,34卷,不。4、307 - 313年,2016页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Zhehao他et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。