文献速递胸部技术与安全CT

深度学习在肺结节检测与分割中的系统评价

Deep learning in pulmonary nodule detection and segmentation: a systematic review.
PubMed 文献 · Eur Radiol · 2024-07-10

该系统评价检索四个数据库至2023年5月10日,纳入9项使用深度学习在CT上检测和分割肺结节的研究,其中8项为回顾性设计,8项使用公开数据集。肺结节检测准确率超过90%,检测敏感度高达97%,分割Dice相似系数最高达0.93。作者指出现有文献存在方法学缺陷与偏倚,强调标准化数据处理、代码与数据共享、外部测试数据集价值以及平衡模型复杂度与效率的重要性。

要点

  • 纳入9项研究中肺结节检测准确率超过90%,检测敏感度高达97%,分割Dice相似系数最高达0.93。
  • 8/9研究使用公开数据集,最常用LIDC-IDRI和LUNA16;仅2/9研究进行外部验证。
  • 仅1/9研究将代码上传至公共存储库,8/9未提及代码可获取性。

核心结论

  • 深度学习在肺结节检测与分割中显示出显著潜力,可同时完成检测和分割而非局限于单一任务。
  • 现有文献存在方法学缺陷和变异,包括基准真值定义模糊、标注专家背景和数量未明确、标注工具未说明。
  • 未来研究应解决模型多样性、外部验证、效率和透明度等挑战,以促进深度学习在肺癌影像中的发展。

研究设计与样本

  • 系统评价,遵循PRISMA指南,已在PROSPERO注册(注册号CRD 42023454274)。
  • 检索PubMed、Embase、Web of Science核心合集和Cochrane Library数据库,截至2023年5月10日,无语言和日期限制。
  • 纳入9项原始研究,发表于2019年至2023年,其中1项为前瞻性计算机模拟临床试验,8项为回顾性设计。
  • 使用QUADAS-2工具并结合CLAIM清单评估偏倚风险,由两名放射科医生独立评估。

诊断标准与关键数值

  • 肺结节检测准确率超过90%,检测敏感度高达97%。
  • 肺结节分割Dice相似系数最高达0.93。
  • 检测性能指标包括准确率、敏感度、精确率、F分数和AUC;分割性能指标包括Dice相似系数、Jaccard指数、Hausdorff距离和交并比。

临床应用与阅片要点

  • 深度学习算法可快速且一致地完成肺结节检测和分割,有望减轻放射科医生人工分析大量CT图像的时间和工作量。
  • 自动分割可分析感兴趣区的形状、大小和纹理等表型特征,有助于判断恶性潜能。
  • 基准真值定义模糊和标注专家资质未说明可能影响模型性能评估的可靠性。
  • 公开数据集LIDC-IDRI和LUNA16均源自美国,可能不能完全代表全球人群,且男女比例不平衡。
  • 低剂量CT扫描可能降低图像质量和结节对比度,给结节检测和分割带来挑战。

局限性

  • 符合条件的文献数量相对较少。
  • 由于5篇文章的结果中未提供中位数和标准差,无法进行汇总结果的Meta分析。
  • 评价未纳入工程背景人员,可能引入一定程度的专业偏倚。
  • 排除会议论文集文章可能遗漏有前景的肺结节检测和分割方法。
  • 大多数研究未能评估过拟合风险,缺乏外部验证数据集是所开发模型临床适用性的显著局限。
全文中译17 节 · 点击展开
本译文由 AI 依据开放获取原文逐段翻译,供学习参考,可能存在误差,请以原文为准。原文 © 原作者,按 CC BY 许可使用,本译文为翻译改编。出处:Eur Radiol. 2024 Jul 10;35(1):255–66. doi: 10.1007/s00330-024-10907-0

引言

肺癌占全球所有癌症死亡人数的18.4%,是全球癌症相关死亡的主要原因[1]。肺结节通常是肺癌的早期指标,但并不总是提示恶性[2]。肺结节的早期检测和精确分割对于准确诊断和治疗肺癌至关重要[3–6]。

胸部计算机断层扫描(CT)被广泛用于肺结节检测[7, 8]。然而,单次CT扫描可产生数百幅图像,需要放射科医师投入大量时间和精力进行分析[9]。冗长而艰巨的影像学分析可能损害诊断准确性[10, 11]。图像分割能够分析感兴趣区域的形状、大小和纹理等表型特征[12]。这种检查有助于确定恶性潜能。此类信息对于肺癌研究中开发个性化医疗的诊断和预测模型具有重要价值,从而推动该领域精准医学的进步[13–16]。然而,图像分割主要是一种手动或半自动化过程,需要大量人力且容易出现评估者间和评估者内差异[17]。因此,对CT扫描中可疑病灶区域的手动检测和分割对放射科医师而言是一项繁重的任务。相比之下,自动检测和分割可直接从输入图像提供结果,具有简便、快速、高效的特点,并消除了分割过程中的操作者偏倚[18]。

深度学习(DL)是人工智能(AI)的一个子集,利用高灵敏度检测、多层面信息挖掘和高通量计算,在医学领域具有巨大前景[19–23]。DL已应用于肺癌影像学,包括肿瘤检测[24, 25]、CT图像分割[26]和分类[27, 28]。然而,大多数研究集中于单一任务,如检测、分割、分类或预后,且质量参差不齐。此外,目前尚无已知的分析对同时进行肺结节检测和分割的深度学习研究的质量进行评估。

因此,本文旨在对已发表的各种肺结节检测和分割方法进行全面分析和比较。它试图总结相关文献以识别方法学差距和偏倚。本文还将为其他研究人员提供参考,使其能够识别需要进一步研究的研究空白。

材料与方法

本系统综述遵循系统综述和荟萃分析优先报告条目(PRISMA)指南[29]。本综述在启动前已在PROSPERO注册[30](注册号CRD < 42023454274 >)。

检索策略

该组检索了PubMed、Embase、Web of Science核心合集和Cochrane Library数据库,检索截止日期为2023年5月10日,以识别利用深度学习技术检测和分割肺结节及肺癌的研究。此外,我们手动检索了相关文献和纳入文章的参考文献列表。我们的检索词包括“lung neoplasms”“lung cancer”“lung nodule”“solitary pulmonary nodule”“multiple pulmonary nodules”“artificial intelligence”“deep learning”和“image segmentation”。详细检索标准见补充材料。检索未设语言和日期限制。

研究选择

我们的研究纳入了专注于使用深度学习技术检测和分割肺癌或肺结节的原始研究文章。纳入标准包括:(1)肺癌或肺结节患者;(2)开发或验证用于在CT图像中检测和分割肺结节或癌症的深度学习模型;(3)深度学习在肺结节或癌症检测和分割背景下的应用。我们排除了病例研究、社论、信件、综述文章和会议摘要。此外,非深度学习模型被排除,仅使用动物或计算机模拟的研究也被排除。

数据提取

两位作者(Chuan G.和L.W.)独立提取数据并讨论任何差异。数据提取过程侧重于研究参数:第一作者姓名、发表年份、数据集来源、参考标准、聚焦任务以及用于检测和分割的时间。还考虑了深度学习参数,包括深度学习算法、数据增强技术、性能指标、代码/数据可用性以及外部验证或交叉验证。

偏倚风险评估

每篇纳入文章的数据由两位放射科医师(Chuan G.和L.W.)独立评估。我们采用诊断准确性研究质量评估工具-2(QUADAS-2)框架[31]评估每项所选研究的偏倚风险和适用性,该框架经修订以纳入医学影像人工智能清单(CLAIM)[32]的要素。详细评估标准见补充材料。冲突通过与第三位评审者(Chen G)达成共识来解决。

结果

研究选择

本系统评价共检索到6793篇文章,两位研究者对109篇文章进行了全文审查,排除了16条归类为综述、病例报告、会议摘要或动物研究的记录。此外,82篇文章因仅关注分割而未涉及检测而被排除。另有2篇文章因针对肺叶而非结节而被排除。最终,9项研究被纳入本系统评价[33–41](图1)。纳入文章的详细特征见表1和表2。纳入文章的方法学概览摘要见补充表1。

图1 本系统评价研究筛选和选择过程的流程图 查看原图 ↗
表1 纳入研究的基本特征 查看原表 ↗
表2 深度学习参数 查看原表 ↗

研究特征

表1总结了本分析纳入的九项研究的特征。这些研究发表于2019年至2023年间,其中一项(1/9,11%)[39]为前瞻性计算机模拟临床试验,其余(8/9,89%)为回顾性设计。在九篇文章中,八篇(8/9,89%)[33–38, 40, 41]使用了公开可用的数据集,其中肺图像数据库联盟图像集与图像数据库资源计划(LIDC-IDRI)[42]数据集及其子集肺结节分析16(LUNA16)[43]成为最常用的数据集。大多数研究[33–41]涉及的主要任务包括检测和分割,而两项(2/9,22%)研究[34, 41]包括三维(3D)可视化重建。两项(2/9,22%)[35, 40]研究纳入了分类,另一篇文章(1/9,11%)[39]纳入了预后预测。在九项研究中,八项(8/9,89%)[33–38, 40, 41]侧重于深度学习模型或架构的开发,而一项研究(1/9,11%)[39]侧重于开发并构建应用程序或工作原型。此外,九项研究中有六项(2/3,67%)[33, 34, 37, 39–41]报告了检测和分割任务的推理时间。

真实值定义

三篇文章(1/3,33%)[33, 37, 38]对真实值的定义不明确。一篇文章(1/9,11%)[34]将使用标注工具标注的原始图像定义为真实值,而另一项研究(1/9,11%)[35]提到利用XML文件中的注释生成分割真实值掩膜。一篇文章(1/9,11%)[36]将由至少三名放射科医师注释的交集区域视为真实值。同样,另一篇论文(1/9,11%)[39]将专家分割的轮廓视为真实值。一篇文章(1/9,11%)[40]也提到了由标准医师注释确定的真实值。最后,一篇文章(1/9,11%)[41]将真实值定义为由专家临床医师手动制备并由胸外科医师审核。

外部验证或交叉验证及数据增强

在九项研究中,两项(2/9,22%)[34, 39]进行了外部验证,而一项(1/9,11%)[36]采用了5折交叉验证,另一项(1/9,11%)[38]采用了10折交叉验证。在九篇文章中,八篇(8/9,89%)[34–41]采用了数据增强技术,仅一篇文章(1/9,11%)[33]未使用。

深度学习算法

系统综述所纳入文章中采用的多种深度学习算法可分为不同类型,包括针对目标分类和检测定制的模型,如密集连接卷积网络(DenseNet)[36]、YOLOv4和YOLOv5 [40, 41],以及为图像分割任务设计的模型,如U-Net [37–40]、快速基于区域的卷积神经网络(R-CNN)[33, 37]和Mask R-CNN [34]。此外,某些研究采用了通用架构,如基于区域的卷积神经网络(FCN)和特征金字塔网络(FPN)[33, 34],用于各种图像分析应用。

代码和数据可用性

在九项研究中,7项(7/9,78%)[33–38, 40]使用了开源公共数据集。在一项(1/9,11%)研究[39]中,部分数据可获取;在另一项(1/9,11%)研究[41]中,提到数据可应要求提供。在九篇出版物中,只有一位(1/9,11%)[39]作者将代码上传至公共存储库,其余(8/9,89%)未提及代码的可获取性。

性能指标

表3总结了各研究中观察到的性能指标。结节检测的性能指标包括准确率(ACC)、灵敏度(SEN)、精确率、F分数和受试者工作特征曲线下面积(AUC)。至于结节分割,报告的性能指标包括戴斯相似系数(DSC)、杰卡德指数(JI)、豪斯多夫距离(HD)和交并比(IOU)。这些研究中肺结节检测的准确率超过90%[33, 36, 37],检测灵敏度高达97%[39, 41]。此外,肺结节分割的DSC可高达0.93[38]。

表3 主要性能指标 查看原表 ↗

偏倚风险与质量评估

表4和图2展示了纳入研究的质量评估。在QUADAS-2工具的七个条目中,最常见的可改进条目是关于患者选择的适用性关注。在偏倚风险方面,9项研究中有7项(7/9,78%)在“指数测试”领域被判定为低偏倚风险[33–37, 39, 40],9项研究中有8项(8/9,89%)在“流程与时序”方面被判定为低偏倚风险[33–38, 40, 41]。此外,9项研究中有6项(2/3,67%)在“患者选择”方面被发现为低偏倚风险[33–37, 40]。然而,仅有44%的研究(4/9)[36, 39–41]在“参考标准”领域被认为具有低偏倚风险。只有两篇(2/9,22%)文章[36, 40]在全部四个领域被判定为低偏倚风险。

表4 纳入研究的诊断准确性研究质量评估第2版(QUADAS-2)评估结果 查看原表 ↗
图2 纳入研究的诊断准确性研究质量评估第2版(QUADAS-2)评估结果的图形化展示。堆叠条形图显示了纳入研究偏倚风险和适用性质量评估的结果。方法学研究质量的QUADAS-2评分以符合各项标准的研究百分比表示。对于每个质量领域,被判定为低、高或不确定偏倚风险和/或适用性关注的研究比例分别以绿色、橙色和蓝色显示。QUADAS-2,诊断准确性研究质量评估第2版 查看原图 ↗

讨论

本系统综述分析了来自四个知名数据库的九篇相关文章,发现深度学习(DL)在同时检测和分割肺结节方面显示出显著潜力,而非局限于单一任务[44–49](图3)。然而,分析发现了纳入研究中的方法学缺陷和差异。

准确检测对于精确分割至关重要。一些研究已成功实施多任务学习[50–52],证明了同时解决这两个方面的可能性。人类专家对肺癌结节的手动检测和标注是一个耗时且不一致的过程[17, 53]。相比之下,深度学习算法已证明能够快速且一致地执行相同任务[33, 34, 37, 39–41]。

生成的自动分割质量对照相应的参考分割(即金标准)进行评估,证明其符合AI清单[32]中概述的要求和最佳实践。这些要求包括提供参考标准的详细定义及其选择理由[54, 55]。同时,提及金标准标注的来源及标注者的资质也很重要。此外,有必要测量标注工具和内部变异性,并提出减轻和解决任何差异的方案。然而,所综述研究中采用的方法各不相同且未标准化。尽管四项研究[36, 39–41]提到有医师或专家参与提供基本事实,但大多数研究未明确这些专家的专业背景,例如他们是经验丰富的放射科医师、培训人员还是其他非临床研究人员。大多数研究未明确说明相关专家的人数[33–35, 37–40]或所使用的标注工具[33, 35–38, 40, 41]。发表期刊的关注重点和作者背景(如计算研究人员与临床医生)的差异可能导致这种变化。此外,某些研究使用了公共数据集,其金标准由其他研究团队或专家建立,限制了作者提供详细说明的能力。

九项研究中有八项使用了公共数据集,最常用的是LIDC-IDRI[42]和LUNA16数据集[43]。公共数据集为训练深度学习模型提供了丰富的标注数据,并使研究人员能够验证和比较算法,提高研究的可重复性[56, 57]。然而,LIDC/IDRI和LUNA16均源自美国,可能无法完全代表全球人群。此外,这些数据集通常存在男女比例不平衡的问题,可能阻碍基于性别的全面分析。虽然这些数据集包含标准剂量诊断CT和低剂量肺癌筛查CT扫描,但后者可能影响图像质量和结节对比度,给结节检测和分割带来挑战。在模型开发和研究过程中需要仔细考虑公共数据集的局限性,以确保数据的质量和代表性。

此外,所有研究均采用了卷积神经网络(CNNs)及其衍生模型,逐步提升网络深度与复杂度以增强特征提取能力[33–41]。模型深度的增加需要更多计算资源,导致训练时间延长[58, 59]。为缓解训练时间过长的问题,一些算法采取了牺牲大量图形处理器(GPU)内存的策略[60, 61]。然而,这种方法从长远来看不可持续。因此,平衡网络设计、计算时间与成本势在必行。

尽管当前科学研究中对开放科学的兴趣日益增长,但仅有一项研究[39]将其代码公开可获取。许多研究团队因担心知识产权和商业利益而不愿共享项目代码。然而,共享项目代码可以增强研究结果的可重复性,促进对现有结果的验证,最终促进科研界的合作,并推动知识前沿的发展。

在我们的研究中,仅有两项研究[34, 39]使用了外部测试数据集,凸显了从外部收集获取数据的内在挑战。已采用一些策略来应对这一问题。例如,两项研究[36, 38]采用了交叉验证方法,部分弥补了外部测试数据集的缺乏[62]。然而,外部验证数据集的缺失仍是所开发模型临床适用性的重大局限[63]。这一局限源于大多数研究无法评估过拟合风险。交叉验证通过在子集上反复训练和验证来评估模型性能并检测现有数据中的过拟合,从而有助于缓解这一问题。然而,其计算成本高,且存在样本不平衡等问题。此外,其结果可能受数据划分随机性的影响。不同的数据划分可能导致不同的模型性能评估结果,从而影响对模型的准确评估。交叉验证与外部验证相结合对于实现深度学习模型更全面、更可靠的评估至关重要。仅有一篇文献[33]未采用数据增强技术。数据增强是增强数据异质性、防止过拟合、提高CNN网络鲁棒性的高效方法[64, 65]。

纳入的研究大多集中于开发深度学习(DL)模型和架构[33–38, 40, 41]。然而,仅有一项研究考察了这些技术的临床应用[39]。这表明非医学研究人员在选择临床相关结局方面的经验有限,及其在临床实践中的适用性有限。

我们的研究仅纳入了9篇文章,而目前市场上有多种胸部计算机辅助诊断(CAD)系统可用[66]。这种数量上的差异可以追溯到医学影像CAD系统的发展进程,即从基础图像处理技术向更先进的机器学习和深度学习算法的转变[67]。虽然市场上一些系统仍依赖传统图像处理和机器学习方法,但深度学习的引入显著提高了CAD系统的准确性和效率[68]。CAD系统的商业化涉及多个制造商和开发团队,每个团队都能基于自身的研究和技术进展创建独特的胸部CAD系统[69]。这些系统可能由根据特定用户需求定制的单独检测或分割模块组成,尽管文章数量有限,却导致了系统的多样性。

本系统综述有几个显著局限性。首先,符合条件的研究数量相对较少。其次,无法对合并结局进行荟萃分析,因为结果中未提供5篇文章的中位数和标准差。第三,评价未纳入具有工程背景的人员,这可能引入一定程度的专业偏倚。此外,通过排除发表在会议论文集上的文章,有可能排除用于肺结节检测和分割的有前景的方法。

图3 深度学习在肺结节检测和分割中的应用 查看原图 ↗

结论

总之,本系统综述强调了深度学习在检测和分割肺结节方面日益重要的意义,而肺结节对于早期肺癌诊断至关重要。深度学习模型的集成在加快检测和分割过程方面显示出相当大的潜力,在临床实践中提供了显著优势。然而,某些挑战仍然存在,包括对多样化模型、外部验证、效率和透明度的需求。未来的工作应解决这些挑战,以促进深度学习在肺癌影像学中的发展,最终提高早期诊断的准确性和效率。

补充信息

电子补充材料

引用

  1. Gao C, Wu L, Wu W, et al. Deep learning in pulmonary nodule detection and segmentation: a systematic review. Eur Radiol. 2024. PMID: 38985185. doi:10.1007/s00330-024-10907-0
  2. 全文:PMC11632000(PMC 开放获取,CC BY)https://pmc.ncbi.nlm.nih.gov/articles/PMC11632000/

供执业医师工作参考,不替代临床判断;数值与分级以指南原文为准。