作為2024年服貿會重要組成部分之一，國家衛生健康委員會百姓健康頻道(CHTV)定於9月13日在京舉辦“2024首都國際醫學大會的平行論壇——數智醫療與醫學人工智能創新論壇”。近日，呂樂博士帶領團隊研發的LN-DETR模型在淋巴結檢測取得突破，顯著提升診斷的準確性和效率。
淋巴篩查，一個需要解決、但一直沒有得到解決的問題，尤其是在醫學影像分析領域，淋巴結(LN)的準確檢測對於癌症的診斷、分期和治療策略至關重要。為此，呂樂博士已致力於相關研究長達十一年。
在三維計算機斷層掃描(3D CT)圖像中，LN的識別受到其分散性、低對比度及與周圍解剖結構相似性的影響。呂樂博士曾在2014發表了關於2.5D新型淋巴結檢測顯示方法的研究文章，“A New 2.5D Representation for Lymph Node Detection using Random Sets of Deep Convolutional Neural Network Observations”，入選了MICCAI 2014，同時也是MICCAI 2018年會上獲得當年唯一一篇young researcher publication impact award五年最有影響力論文獎。
隨後，“Improving Computer-aided Detection using Convolutional Neural Networks and Random View Aggregation”的研究文章，也被收錄MICCAI 2014會議文章的期刊擴展版。
在今年，呂樂博士沿用了此前的研究思路，帶領阿裏巴巴達摩院醫療AI團隊聯合多家知名高校與醫院，提出了一種創新LN檢測模型——LN-DETR，目前已經被計算機視覺的三大會議之一ECCV(歐洲計算機視覺會議)2024接收，其擴展版也被醫學影像年度頂會MICCAI 2024接收。
01
▼
深度融合2.5D特征，精準捕捉淋巴結三維信息
為提升LN檢測的準確性，研究團隊通過強化2D骨幹網絡，並結合多尺度2.5D特征融合技術，以明確地結合整合3D上下文信息。
多尺度2.5D特征融合方法，允許模型同時處理和分析不同尺度的2D圖像特征，進而構建出更為豐富的3D空間表示。這樣的設計使得模型不僅能夠捕捉到LN在單個切片上的局部特征，還能夠理解其在鄰近切片中的連續性和空間分布，從而更全麵地理解LN的結構和位置。此外，這種技術還可有助於模型在處理具有相似圖像特征的周圍組織時，減少誤判可能性。
通過這種方式，LN-DETR模型能夠更準確地區分LN和其他組織，提高檢測的特異性和敏感性。
02
▼
創新技術，提高模型識別LN的準確性
LN邊界模糊是檢測中的一個難題。為此，研究團隊在LN-DETR模型中引入了創新技術——IoU預測頭和位置去偏查詢選擇機製。
IoU預測頭通過評估模型預測的LN區域與實際區域的重疊程度，為模型提供了直接優化目標，使其在訓練中更加關注定位精度高的查詢;位置去偏查詢選擇機製則結合了分類置信度(哪些區域最有可能是LN)和IoU預測(這些區域與實際LN的吻合程度)，有效地平衡了這兩方麵的考量，幫助模型挑選出最可靠的LN候選區域。
此外，LN-DETR還采用了查詢對比學習策略，通過構建正負樣本對，強化了模型對LN與真實LN匹配度的學習，同時降低了與非LN區域的關聯。這種對比學習的方法，讓模型在“視野”中更加突出真實的LN查詢，減少了假陽性結果，提高了檢測的特異性。
注：該模型的改進包括在編碼器和解碼器中集成了位置去偏查詢選擇模塊，以及一個查詢對比學習模塊，這些模塊可以增強模型對淋巴結候選區域特征的理解和表達，以便更準確地識別真正的淋巴結，並區分它們與附近的假陽性或重複查詢。
LN-DETR模型的整體架構由一個配備多尺度2.5D特征融合的CNN骨幹網絡以及變換器編碼器和解碼器組成
03
▼
多中心淋巴結CT數據，提供全麵學習場景
為了構建一個全麵且具有代表性的LN檢測模型，研究團隊彙集了7個LN檢測數據集，包含了來自1067名患者的CT掃描數據，用於訓練和測試LN-DETR模型。這些數據覆蓋了人體的關鍵部位，如頸部、胸部和腹部(為常見病變區域)，以及頭頸癌、食管癌、肺癌等多種疾病類型。
其中，5個數據集用於模型的開發和內部測試，而剩下的2個數據集用作獨立的外部測試集，以驗證模型的泛化能力(表1)。通過這種方式，研究團隊能夠全麵評估LN-DETR模型的性能，並確保其在實際臨床應用中的有效性。
表1 7個淋巴結檢測數據集的統計信息
注：NIH-LN是一個公共數據集，其他數據集是來自五個不同臨床中心的內部收集數據集。HN、Eso和Mul.分別代表頭頸癌、食管癌和多種類型的疾病。
04
▼
數據驗證顯示LN-DETR卓越的檢測能力
LN-DETR在多中心臨床數據集上展現了卓越的LN檢測能力，平均召回率達到56.27%，相比現有技術提升了4%～5%，尤其在維持低假陽性率方麵表現突出。同時，模型在外部測試集上也表現優異，平均召回率為52.04%，證實了模型良好的泛化和實用性。
其中，LN-DETR采用的多尺度2.5D特征融合技術，2.5D特征融合將性能提高了1.08%的平均召回率(51.32%提高至52.40%);查詢對比學習和單獨的位置去偏查詢選擇可以分別提高淋巴結檢測平均召回率1.04%(52.40%提高至53.44%)和2.11%(52.40%提高至54.51%)，見表2。
表1 研究中提出的多尺度2.5D融合、去偏查詢選擇和對比學習有效性的消融測試結果
在NIH DeepLesion數據集的通用病變檢測任務中，LN-DETR以88.46%的平均召回率領先(表3)，顯示了處理多樣化醫學影像數據時LN-DETR的泛化能力，同時，也預示著在更廣泛臨床應用中的潛力。
表3 在NIH DeepLesion測試數據集上的定量結果
05
▼
結語
自2014年呂樂博士致力於攻克淋巴結檢測的臨床挑戰以來，今年LN-DETR模型在該領域取得了顯著的進展。這一創新模型的開發，不僅為臨床診斷和治療開辟了新途徑，也預示著未來醫療服務將更加精準和高效。
人工智能技術的迅猛發展預示著其在醫療領域的應用將日益廣泛，預計不久的將來，AI技術將在提高醫療質量和改善患者體驗方麵發揮更加關鍵的作用，為全球健康事業貢獻重要力量
參考文獻
QINJI YU, YIRUI WANG, KE YAN, et al. Effective Lymph Nodes Detection in CT Scans Using Location Debiased Query Selection and Contrastive Query Representation in Transformer[J]. ArXivabs/2404.03819 (2024): n. pag.
編輯：耳東
二審：石頭
三審：清揚
排版：半夏
封麵圖源：醫學論壇網
