6、深度学习模型评估助力肺癌检测与诊断

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