基于深度学习的肺结节多中心影像大数据风险 预测模型泛化能力研究

肺结节的早期精准风险评估对肺癌防治至关重要，深度学习模型在单中心影像数据中已展现出优异的风险 预测性能，但多中心场景下的数据分布异质性（如设备差异、扫描参数不同）导致模型泛化能力不足，制约其临床应用。 本文构建基于 3D 卷积神经网络（CNN）结合领域自适应模块的肺结节风险预测模型，采用 12 家医疗机构的 15,620 例肺 结节 CT 影像数据（含病理证实的良性 / 恶性结节），通过多中心数据融合与分布对齐策略，系统评估模型在跨中心、 跨设备场景下的泛化性能。实验结果显示，该模型在独立测试中心的 AUC 达 0.923，显著优于传统单中心训练模型（AUC  0.815）；引入领域对抗训练后，模型对低剂量 CT 数据的适应性提升 11.2%，对不同厂商设备数据的预测一致性（Kappa 值） 达 0.83。研究表明，多中心数据融合与领域自适应技术可有效提升深度学习模型的泛化能力，为肺结节风险预测的临床转 化提供理论与实践依据。

文章摘要

深度学习；肺结节；多中心影像；风险预测；泛化能力；领域自适应

[1]National Lung Screening Trial Research Team. Reduced lung-cancer mortality with low-dose computed tomographic screening[J]. New England Journal of Medicine, 2011, 365(5): 395-409. 

[2]Shen L, Zhou J, Yang F, et al. Deep learning-based computer-aided detection system for pulmonary nodules in chest CT images: A systematic review and meta-analysis[J]. European Radiology, 2020, 30(6):  3198-3212. 

[3]Van Ginneken B, Jacobs C, Lambin P. Machine learning for medical image analysis: a guide for radiologists[J]. Radiology, 2021, 298(3): 549-560.

[4]陈启航，李铁一。肺结节的 CT 诊断与鉴别诊断 [J]. 中华放射学杂志，2019, 53 (8): 601-604. 

[5]Ma J, Zhang Y, He X, et al. Multi-center pulmonary nodule detection using deep learning with data  [4] [5] standardization[J]. Medical Image Analysis, 2020

Full Text:

基于深度学习的肺结节多中心影像大数据风险预测模型泛化能力研究.pdf 点击下载