6、深度学习助力肺癌检测与诊断：模型评估与应用

深度学习助力肺癌检测与诊断：模型评估与应用

1. 引言

肺癌是全球致死率第二高的癌症。在美国，22.5万例登记肺癌患者中，有15万例死亡，仅肺癌治疗预算就达120亿美元。2018年，约180万例肺癌死亡占全球约960万癌症死亡病例的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85%和15%的病例。自1985年以来，肺癌一直是全球严重的疾病。

深度学习（DL）策略为计算机视觉应用提供了可靠的解决方案，已应用于皮肤癌、农业、乳腺癌、血癌和脑肿瘤等领域。一个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层对于提取特定问题的强相关和深度特征非常重要。许多医学成像方法，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），用于检测各种癌症。CT图像在发现肿瘤生长方面表现出色，目前是检测肺癌的成功方法。计算机辅助诊断（CAD）技术有助于医生检查图像，多种机器学习（ML）技术在健康领域显示出有效性。

肺癌是由肺部细胞不必要的生长引起的，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。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，通过血液循环转化为癌细胞。癌症根据位置和扩散程度分为四个阶段。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个挑战。化疗用于治疗复杂的肺癌，约50%的患者在晚期才被确诊。

由于诊断成本高和专家数量有限，CAD