May, 2024

基于概念的 CT 图像肺结节恶性评分的可解释性研究

PDF
TL;DR提出了一种基于广义可加模型和概念学习的可解释模型，以增加用于评估肺结节恶性程度的现代计算机辅助诊断系统的透明度。该模型在确定恶性程度回归得分之外，检测了一组临床上显著的属性，并学习了肺结节属性与最终诊断决策以及其对决策的贡献之间的关联。通过与 LIDC-IDRI 数据集的实验，结果表明使用提出的模型获得的诊断结果与临床实践中观察到的相似模式一致，并展现了出色的分类和结节属性评分性能，凸显其在肺结节诊断中有效决策的潜力。
computer-aided diagnosislung nodulesinterpretable modelgeneralized additive modelsconcept-based learning
发现论文，激发创造
  • 解析与回想：向类似放射科医生的准确肺结节恶性预测迈进

    肺癌是全球死亡的主要原因，早期筛查对改善生存结果至关重要。本文提出一种模拟放射科医生诊断过程的方法，由上下文解析和原型召回模块组成，通过利用肺结节的内在特征和来自其他结节的外部知识，实现了良好的筛查性能。

    Jul, 2023

  • 使用 3D 深度漏气噪声网络评估肺结节的恶性程度

    使用 3D 深度神经网络和机器学习算法，检测和分析 CT 扫描中疑似肺结节病变的信息，用于肺癌自动诊断。

    Nov, 2017

  • 基于 3D CNN 多任务学习的肺结节风险分层

    本研究提出一种基于 3D CNN 的肺结节分类策略，在训练中使用了迁移学习和多任务学习方法，针对肺癌诊断中的风险分层问题，取得了最先进的成果。

    Apr, 2017

  • 基于深度学习的肺癌筛查自动肺结节管理

    该文章介绍了一种基于多通道多尺度卷积网络的深度学习系统，该系统可以自动分类肺癌结节，从而提高 CT 扫描的结果判断准确率。该系统采用了一个基于多尺度的卷积网络结构，在使用意大利的 MILD 筛查试验数据和丹麦的 DLCST 筛查试验数据进行验证后，其结节识别的准确度已经超过了四名人类识别者的平均水平。

    Oct, 2016

  • CLIP-Lung: 基于文本知识指导的肺结节恶性预测

    本文提出了 CLIP-Lung 作为肺结节恶性预测的文本知识引导框架，通过融合深度学习和临床文本信息提高了肺结节恶性预测的性能和可解释性。

    Apr, 2023

  • 基于组织病理学癌症类型注释的肺部结节数据集

    提供公开数据集和可靠工具，用于精确分类不同类型的肺部疾病，以便提供精确的治疗建议。

    Jun, 2024

  • 对比诊断：使用对比学习提高肺结节诊断的可解释性

    通过引入透明度和后置解释性来增强深度学习模型的临床医学诊断适用性，提出了对比诊断，一个简单而有效的可解释诊断框架，实现了高可靠性的诊断并保持了高透明度和解释性。

    Mar, 2024

  • 如何用生成对抗网络愚弄放射科医生？肺癌诊断的视觉图灵测试

    本文提出使用 Deep Convolutional-Generative Adversarial Networks 的无监督学习方法来生成肺部结节样本，通过视觉图灵测试验证生成样本的质量，以此来学习最具有鉴别能力的影像特征，从而应用于医学诊断和训练深度网络。

    Oct, 2017

  • 计算机深度学习模型在肺结节诊断中的应用

    利用重建方法建立了肺部的 3D 仿真模型，构建了计算机辅助肺结节检测模型，并基于神经网络对图像进行迭代处理以优化肺结节识别模型。该模型与 3D 虚拟建模技术结合，提高了系统的交互性，以实现肺结节的智能识别。利用 LUNA16 大样本数据库作为研究数据集，采用 FROC 分析评估模型性能，计算不同虚警率下的灵敏度来得出平均 FROC。与传统诊断方法相比，该技术可显著提高识别率，有助于在早期阶段检测肺部异常，对及时诊断肺癌具有巨大价值。

    Jun, 2024

  • Lung-CADex：全自动胸部 CT 图像中肺结节的零样本检测和分类

    肺癌的计算机辅助诊断使用大型视觉语言模型，通过 CADe 和 CADx 方法实现肺结节的分割和良性 / 恶性的特征对齐，具有较高的敏感度（0.86）。

    Jul, 2024