基于深度学习的肺癌计算机辅助诊断

目的 比较不同传统深度学习模式在肺癌诊断和分类中的应用价值.方法 选取2016年1月至2017年11月在长沙市第一医院肿瘤内科接受治疗的33例患者为研究对象.获取非小细胞肺癌和小细胞肺癌活检标本,并进行染色.切片标本由2名经验丰富的病理学家进行诊断.采用多种深度学习方法区分癌症和非癌症活检.比较不同传统深度学习模式在肺癌诊断和分类中的应用价值.结果 研究测试了几种流行的基于图像块分类的CNN架构:AlexNet、VGG、ResNet和SqueezeNet,比较两种类型的训练方案:从零开始训练和对整个预训练网络进行微调.深度学习模型AUC更合理(0.8810～0.9119),除ResNet-50外,从零开始训练的AUC高于对整个网络的微调.结论 通过深度学习分析,可加快对全切片图像(WSI)的检测速度,且与病理学家保持相似的检出率.