M3Net:一种基于宏观-中观-微观临床特征的层次化3D网络,用于肺结节分类

《TRENDS IN FOOD SCIENCE & TECHNOLOGY》:M3Net: A Macro?→?Meso?→?Micro Clinical-inspired hierarchical 3D Network for Pulmonary Nodule Classification

【字体: 大 中 小 】 时间:2026年03月31日 来源:TRENDS IN FOOD SCIENCE & TECHNOLOGY 15.4

编辑推荐:

  多尺度上下文融合的肺结节分类3D网络M3Net在LIDC-IDRI和USTC-FHLN数据集上分别达到86.96%和84.24%的准确率,优于现有基线方法3.26%和2.17%。

  
Jinyue Li|Yuzhou Yu|Jingjing Yang|Meng Fu|Yani Zhang|Shuyao He|Dianlong Ge|Xin Ning|Yannan Chu|Qiankun Li
中国科学院合肥医院,健康医学技术研究所,中国合肥230031

摘要

在CT扫描中准确区分良性与恶性肺结节对于早期肺癌筛查至关重要,但由于肺结节的多尺度和异质性,这一任务仍然具有挑战性。尽管深度学习在辅助诊断方面具有潜力,但大多数现有模型仍然像“黑箱”一样,缺乏可信临床应用所需的透明度和可解释性。为了解决这个问题,我们提出了M3Net,这是一种受放射科医生分层诊断工作流程启发的新型3D肺结节分类网络,它整合了从细粒度结构到全局解剖关系的多尺度上下文信息。我们的框架构建了一个渐进的多尺度输入过程,从细粒度的结节结构到局部语义,再到全局空间关系。M3Net采用了特定于尺度的编码器,并通过潜在空间投影和互信息最大化来确保跨尺度语义的一致性。在公共的LIDC-IDRI数据集和自收集的临床数据集(USTC-FHLN)上的广泛实验表明,我们的方法达到了最先进的性能,准确率分别为86.96%和84.24%,分别比最佳基线高出3.26%和2.17%。这些结果验证了M3Net为肺结节分类提供了一个更加稳健且具有临床相关性的解决方案。代码可在以下链接获取:https://github.com/jylEcho/M3-Net

引言

在早期肺癌筛查的临床背景下,区分良性与恶性肺结节是放射科医生决策中的一个核心挑战[1],[2]。胸部计算机断层扫描(CT)凭借其高空间分辨率和非侵入性特性,已成为早期肺癌筛查和结节评估的基石[3]。然而,对CT图像中的良性与恶性结节进行大规模筛查仍然是放射科医生的一项复杂且耗时的任务[4]。诊断的不确定性直接转化为临床风险,因为对不同病理性质的结节误诊或漏诊可能导致不良后果[5]。因此,迫切需要辅助诊断系统来超越个体经验差异,提供客观的决策支持,从而提高整体诊断结果的可靠性和稳健性[6],[7],[8],[9]。
在高度依赖专业知识的医疗诊断领域,医疗决策是一个涉及归因、责任和后续干预的复杂过程[10],[11],[12],[13]。因此,辅助诊断系统的要求不仅包括高统计准确性,还包括决策过程的透明度和可解释性[12],[14],[15],[16]。可解释性指的是理解人工智能模型决策背后的理由和关键证据的能力。一个可解释的肺结节分类系统可以将模型预测与成像特征联系起来:从结节的细微分叶和棘突,到其与周围血管的关系,再到其在整个肺叶中的空间效应[12],[16],[17],[18],[19]。
这种将内部特征表示与临床可识别的成像特征联系起来的能力为医生提供了一个关键的评估界面,使他们能够从病理生理学的角度理解模型的预测过程,从而促进有效的人机交叉验证。因此,可解释性可以成为连接数据驱动模型与临床诊断的桥梁,并可能支持更可信的AI辅助诊断工具的开发。
尽管基于深度学习的医疗辅助诊断系统正在迅速发展,许多研究在LIDC-IDRI和LUNA16等基准数据集上展示了出色的性能[20],[21],包括3D卷积神经网络[6]、基于注意力的特征聚合[22],[23]、图神经网络和多尺度特征融合[5],[12],但在可信度和临床适用性方面仍存在显著限制。一些方法结合了可解释性和可视化机制以提高临床信任度,例如可解释框架和注意力热图[17],[24]。其他研究尝试整合多模态数据,结合放射组学、分子或临床特征以提高分类的稳健性[25],[26]。然而,这些方法仍然面临根本性约束。首先,大多数模型仅依赖于单模态CT图像,无法捕捉到结节的完整多维特征,这在像磨玻璃结节这样的复杂情况下会导致性能不稳定[27]。其次,这些模型通常作为“黑箱”运行。即使引入了注意力机制等可解释性技术,它们也无法系统地模拟结节语义、边界演变以及来自周围肺组织的多尺度上下文线索;它们的决策逻辑与医生的认知工作流程脱节[16],[27]。这些缺点共同阻碍了系统在现实世界临床诊断中提供令人信服的决策支持的能力。因此,开发一个既具有强大表示能力又能提供分层、符合临床逻辑的解释的辅助诊断框架,成为弥合AI诊断与临床实践之间差距的关键。
受到放射科医生常用的分层诊断工作流程的启发,我们首先系统地评估了输入尺度对良性与恶性肺结节分类性能的影响。这一分析建立了一个渐进的分层结构:从细粒度结构 → 局部上下文 → 全局空间关系。基于这一观察,我们提出了M3Net,一个宏观-介观-微观分层3D肺结节分类网络。通过构建从局部细结构到全局空间关系的渐进多尺度输入,M3Net整合了不同空间背景下的互补信息。具体来说,M3Net使用特定于尺度的编码器在每个尺度上提取特征表示,并通过潜在空间投影、基于InfoNCE的互信息最大化和二阶协方差对齐来确保跨尺度的一致性。通过分层交互和特征融合,模型逐步聚合了来自局部纹理、周围组织和全局解剖背景的信息。
在公共的LIDC-IDRI数据集和临床收集的数据集(USTC-FHLN)上的广泛实验表明,我们的方法达到了最先进的分类性能。所提出的方法准确率分别为86.96%和84.24%,分别比最佳基线高出3.26%和2.17%,显示出强大的性能和泛化能力。
主要贡献总结如下:
  • •
    我们分析了输入尺度对肺结节分类的影响,发现小尺度、中等尺度和大尺度输入分别捕捉到了细节、局部上下文和长距离语义线索。
  • •
    我们提出了M3
    Net,一个宏观-介观-微观分层3D网络,它整合了从局部细结构到全局空间背景的多尺度信息。
  • •
    在两个基准数据集(LIDC-IDRI和USTC-FHLN)上的广泛实验表明,所提出的方法达到了最先进的分类性能。
  • 本文的其余部分结构如下。第2节回顾了相关工作,第3节详细介绍了所提出的M3Net的架构和方法论框架。第4节描述了实验设置,包括数据集、评估标准和实现设置。第5节展示了结果和分析,证明了所提出方法的性能和稳健性。最后,第6节总结了本文并讨论了未来的工作,第7节给出了致谢。

    部分摘录

    结节分类的方法论进展

    近年来,深度学习在肺结节分类方面取得了显著的方法论进展[28],[29],[30]。虽然早期研究主要集中在提高预测准确性上,但最近的研究越来越强调这些模型的可解释性和临床透明度[31],[32]。因此,设计能够从有限且异构的CT数据中学习出具有区分性且可解释的表示的架构已成为

    整体框架

    在临床放射学中,肺结节通过一个分层的认知过程进行评估(图1(a):(1)全局筛查以定位可疑区域,(2)边界检查以评估边缘清晰度和分叶情况,以及(3)细粒度内部评估以确认恶性。这种诊断推理整合了多尺度视觉感知和基于上下文的决策细化。
    受这一过程的启发,我们框架的每个融合层次对应于一个不同的

    数据集

    本研究使用了两个数据集:公开可用的肺图像数据库联盟和图像数据库资源计划(LIDC–IDRI)数据集[47],以及收集的临床肺结节CT(USTC-FHLN)数据集。两个数据集的详细信息列在表1中。
    ? LIDC–IDRI数据集。该数据集是从参与肺图像数据库联盟和图像数据库资源计划(LIDC–IDRI)的七家学术机构回顾性收集的。扫描是在

    裁剪大小对分类结果的影响

    如表2所示,不同的裁剪大小对良性与恶性结节的分类性能有显著影响。注:32D:核心细粒度结构使用[32, 32, 56]接受场的模型比使用更大接受场的模型具有竞争力,有时甚至表现更好。例如,ConvNeXt-B的准确率达到了85.78%。这一发现突显了高分辨率信息(如边缘清晰度)的重要性,

    结论

    我们提出了M3Net,一个新颖的宏观→介观→微观分层3D肺结节分类网络,其设计灵感来源于放射科医生的自上而下的诊断推理。在公共的LIDC-IDRI数据集和临床USTC-FHLN数据集上的广泛实验表明,M3Net达到了最先进的性能,超越了所有基线方法。通过逐步整合全局解剖背景、结节周围区域信息和细粒度结构细节,实现了

    未引用的参考文献

    缺失的参考文献表5

    CRediT作者贡献声明

    Jinyue Li:数据整理、方法论、可视化、撰写——原始草稿。Yuzhou Yu:验证、可视化。Jingjing Yang:数据整理、形式分析。Meng Fu:概念化、数据整理、形式分析。Yani Zhang:形式分析。Shuyao He:监督、验证、撰写——审阅与编辑。Dianlong Ge:调查、方法论、项目管理。Xin Ning:调查、方法论、项目管理、撰写——审阅与编辑。Yannan Chu:

    利益冲突声明

    作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。
    相关新闻
    生物通微信公众号
    微信
    新浪微博
    • 搜索
    • 国际
    • 国内
    • 人物
    • 产业
    • 热点
    • 科普

    热点排行

      今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

      版权所有 生物通

      Copyright© eBiotrade.com, All Rights Reserved

      联系信箱:

      粤ICP备09063491号