基於深度學習捲積神經網路之電腦斷層掃描肺腺癌肋膜侵犯預測模型

Abstract

根據民國108年衛福部統計，癌症已連續38年位居國人十大死因之首，其中又以肺癌為兩性癌症死亡率之首，透過電腦斷層掃描(CT)之肺癌篩檢，能夠及早發現早期肺癌，進而及早進行治療，提高肺癌存活率。在早期肺癌之手術治療策略中，除了腫瘤大小外，腫瘤有無肋膜侵犯亦會影響肺癌手術術式與切除範圍。肋膜侵犯被認為是不良的預後因子，有較低的五年存活率與較高的局部復發機率，因此有肋膜侵犯的患者較不建議採取手術範圍較小之次肺葉切除術，肺葉切除術仍為此類患者的優先選擇。 臨床上判別腫瘤是否有肋膜侵犯，主要依靠CT影像上之影像特徵與臨床醫師之先驗知識，根據臨床醫師經驗不同，於判斷肋膜侵犯時會存在觀察者間之差異，且可能因疲勞增加誤判的可能性，因此，開發電腦輔助診斷系統將有助於幫助醫師判別有無肋膜侵犯，可以提供臨床醫師進行影像判斷時的第二種意見，降低觀察者間的差異，提高臨床診斷的性能與增加分類的準確性。 本研究為輔助臨床醫師進行腫瘤肋膜侵犯之判別，提出(1)基於捲積神經網路之深度學習演算法；(2)加入注意力機制於深度學習網路中，以期達到肋膜侵犯判別之理想結果，盡可能地區分出肋膜侵犯患者，擁有高靈敏度的同時，擁有良好的特異度，最大化避免非肋膜侵犯患者接受不必要之外科手術，並使深度學習網路更加專注於欲觀察之目標上。 本研究於基於捲積神經網路之深度學習演算法中，提出4 Layers Convolutional Neural Network(4L CNN)之網路架構，進行10-fold交叉驗證，可得此模型之Accuracy為0.764±0.046，Sensitivity為0.691±0.173，Specificity為0.776±0.057，於Sensitivity之表現較差。以積分梯度將深度學習模型可視化，模型之訓練結果較多關注於腫瘤邊緣、腫瘤與肺壁接觸部分等，但容易有模型關注部分於整個肺區以及肺壁部分之情況。 本研究於加入注意力機制於深度學習網路中，提出三種注意力機制: (1)Squeeze and Excitation block，(2)Dilate convolution block，(3)Lung map segmentation block，此三種注意力機制相較於單純使用4L CNN，Sensitivity皆有所進步，其中以加入Lung map segmentation block之10-fold結果及AUC表現最佳，可得模型Accuracy為0.778±0.028，Sensitivity為0.779±0.092，Specificity為0.778±0.030，AUC為0.8284。以積分梯度進行深度學習模型可視化，加入Squeeze and Excitation block之模型較容易有模型專注於整個VOI之情況，加入Dilate convolution block之模型能夠主要關注於腫瘤邊緣、肋膜標籤、肺區與肺壁之交界等，加入Lung map segmentation block之模型能夠主要關注於整體腫瘤、腫瘤邊緣、肋膜標籤、腫瘤或肺區與肺壁之交界等。 本研究使用添加Lung map segmentation block之深度學習網路架構測試外部資料，並與臨床醫師判別結果進行比較，臨床醫師之判別結果傾向Sensitivity較高，但Accuracy與Specificity較低，深度學習模型30次測試結果可得到Accuracy為0.822±0.030，Sensitivity為0.784±0.052，Specificity為0.828±0.037，雖於Sensitivity略低於臨床醫師，但Accuracy與Specificity皆高出許多。 本研究進一步將外部資料分為腫瘤有無接觸肋膜之情況，在腫瘤有接觸肋膜之情況下，深度學習模型雖於有肋膜侵犯判別之準確率略低於醫師判讀，但在無肋膜侵犯之判別高於醫師判讀，此外，醫師判讀結果落於深度學習模型ROC curve之95%信賴區間中，由實驗結果顯示，本研究提出之深度學習肋膜侵犯判別模型能與臨床醫師有相近之判別能力。