1. Улучшение прогнозирования рака в сложных обнаруженных на скрининге случайных узлах легких с использованием глубокого обучения временных рядов (arXiv)
Автор: Шахаб Аслани, Паван Аллури, Эййолфур Гудмундссон, Эдвард Чанди, Джон МакКейб, Ананд Деварадж, Кэролин Хорст, Сэм М. Джейнс, Рахул Чаккара, Арджун Наир, Дэниел Си Александер, САММИТ консорциум, Джозеф Джейкоб
Вывод:Рак легких является ведущей причиной смертности от рака во всем мире. Было доказано, что скрининг рака легких (LCS) с использованием ежегодного сканирования с низкой дозой компьютерной томографии (КТ) значительно снижает смертность от рака легких за счет выявления раковых узлов в легких на более ранней стадии. Улучшение стратификации риска злокачественного новообразования в легочных узлах может быть улучшено с помощью алгоритмов машинного/глубокого обучения. Однако большинство существующих алгоритмов: а) в первую очередь оценивали только данные КТ в один момент времени, тем самым не используя неотъемлемые преимущества, содержащиеся в наборах данных продольной визуализации; б) не интегрировали в компьютерные модели соответствующие клинические данные, которые могли бы помочь в прогнозировании риска; c) не оценивали эффективность алгоритма для спектра узлов, интерпретация которых является наиболее сложной для рентгенологов и где помощь аналитических инструментов была бы наиболее полезной. Здесь мы показываем производительность нашей модели глубокого обучения временных рядов (DeepCAD-NLM-L), которая объединяет многомодельную информацию по трем лонгитюдным областям данных: по узлам, по легким и клинические демографические данные. Мы сравнили нашу модель глубокого обучения временных рядов с а) работой рентгенолога на КТ из Национального исследования легких по скринингу, обогащенному наиболее сложными для диагностики узлами; b) алгоритм управления конкрециями из исследования LCS в Северном Лондоне (SUMMIT). Наша модель продемонстрировала сравнимую и дополняющую эффективность для рентгенологов при интерпретации сложных узлов в легких и показала улучшенную производительность (AUC = 88%) по сравнению с моделями, использующими только данные за один момент времени. Результаты подчеркивают важность мультимодального анализа временных рядов при интерпретации риска малигнизации при LCS.
2.Глубокое обучение с самоконтролем для улучшения обнаружения рака молочной железы при скрининговой маммографии (arXiv)
Автор:Джон Д. Миллер, Вигнеш А. Арасу, Альберт X. Пу, Лори Р. Марголис, Вейва Сие, Ли Шен
Аннотация. Основным ограничением применения глубокого обучения к системам искусственного интеллекта (ИИ) является нехватка высококачественных наборов данных. Мы исследуем сильные методы обучения с самоконтролем (SSL) на основе дополнений для решения этой проблемы. Используя обнаружение рака молочной железы в качестве примера, мы сначала определяем парадигму трансформации, специфичную для маммографии, а затем систематически сравниваем четыре последних метода SSL, представляющих разнообразие подходов. Мы разрабатываем метод преобразования предварительно обученной модели из прогнозов на однородно расположенных фрагментах в целые изображения, а также метод объединения на основе внимания, который повышает производительность классификации. Мы обнаружили, что лучшая модель SSL существенно превосходит базовую контролируемую модель. Лучшая модель SSL также повысила эффективность данных при маркировке образцов почти в 4 раза и легко переносилась из одного набора данных в другой. SSL представляет собой крупный прорыв в компьютерном зрении и может помочь ИИ в области медицинской визуализации отказаться от контролируемого обучения и зависимости от дефицитных меток.
3. Распознавание нормализованных изображений гистопатологии молочной железы с использованием сверточных нейронных сетей для обнаружения рака (arXiv)
Автор:Шрути Кришна, Суганти С. С., Шивсубрамани Кришнамурти, Арнав Бхавсар
Аннотация: Компьютерная диагностика цифровой патологии становится повсеместной, поскольку она может обеспечить более эффективную и объективную диагностику в здравоохранении. Недавние достижения показали, что архитектура сверточной нейронной сети (CNN), хорошо зарекомендовавшая себя парадигма глубокого обучения, может использоваться для разработки системы компьютерной диагностики (CAD) для обнаружения рака молочной железы. Однако проблемы, связанные с изменчивостью окраски и эффектом нормализации окраски с помощью таких структур глубокого обучения, еще предстоит хорошо изучить. Более того, анализ производительности с, возможно, более эффективными сетевыми моделями, которые могут быть важны для скрининга с высокой пропускной способностью, также недостаточно изучен. Чтобы решить эту проблему, мы рассматриваем некоторые современные модели CNN для бинарной классификации изображений гистопатологии молочной железы, которые включают (1) предварительная обработка данных с изображениями, нормализованными по пятнам, с использованием алгоритма нормализации цвета на основе адаптивной цветовой деконволюции (ACD) для обработки изменчивости пятен; и (2) применение обучения на основе переноса обучения некоторых, возможно, более эффективных моделей CNN, а именно групповой сети Visual Geometry (VGG16), MobileNet и EfficientNet. Мы проверили обученные сети CNN в общедоступном наборе данных BreaKHis для гистопатологических изображений с увеличением в 200 и 400 раз. Экспериментальный анализ показывает, что предварительно обученные сети в большинстве случаев дают более качественные результаты на изображениях, дополненных данными, гистопатологии молочной железы с нормализацией окраски, чем в случае без нормализации окраски. Кроме того, мы оценили производительность и эффективность популярных облегченных сетей с использованием изображений, нормализованных по окраске, и обнаружили, что EfficientNet превосходит VGG16 и MobileNet с точки зрения точности теста и оценки F1. Мы заметили, что эффективность с точки зрения времени тестирования в EfficientNet выше, чем в других сетях; VGG Net, MobileNet, без особого падения точности классификации
