使用卷积神经网络评估非小细胞肺癌患者纵隔淋巴结转移可能性的研究

封面图片

如何引用文章

全文:

详细

背景。肺癌是全球第二大常见癌症，约占所有癌症死亡病例的 20%。其中晚期肺癌的五年生存率不足 10%。对于高发的 非小细胞肺癌（NSCLC），最新临床指南（TNM分类第8版）强调 纵隔淋巴结受累 的评估在分期中的重要性。非侵入性检查方法： 敏感性不足；侵入性检查方法： 某些患者可能存在禁忌；深度学习技术 的发展为克服上述挑战提供了新途径。然而，现有研究大多集中于 算法开发，忽略了 单个淋巴结受累评估的临床意义，限制了其在临床应用中的综合性和有效性。

目的。开发并验证一个基于内部数据训练的算法，通过 胸部CT图像 分割单个纵隔淋巴结，并评估其转移的可能性。

材料与方法。数据分割与处理：按照国际肺癌研究协会建议，对 淋巴结组 进行分割；获取纵隔区域的限制性矩形框，用于后续数据处理。深度学习技术应用：使用第一个神经网络对图像裁剪；使用第二个神经网络识别所有可视淋巴结并生成掩膜；在最后阶段，分离每个可视淋巴结，应用掩膜并利用前馈网络评估其转移的可能性。

结果。分割任务性能：平均响应值为 0.74±0.01；Dice Score 为 0.53±0.26。预测淋巴结转移性能：ROC曲线下面积（AUC）为 0.73；该结果优于基于传统 大小标准 的评估方法。

结论。所提出的算法通过深度学习技术实现了对纵隔淋巴结转移可能性的自动评估，在无显著肿大的淋巴结患者中优化了治疗方案。该方法提升了 肿瘤患者医疗服务的质量，并为淋巴结评估提供了一种有效的非侵入性选择。

作者简介

Alexey E. Shevtsov

IRA Labs

编辑信件的主要联系方式.
Email: a.shevtsov@ira-labs.com
ORCID iD: 0000-0003-3085-4325
俄罗斯联邦, Moscow

Iaroslav D. Tominin

IRA Labs

Email: ya.tominin@ira-labs.com
ORCID iD: 0000-0002-7210-7208
俄罗斯联邦, Moscow

Vladislav D. Tominin

IRA Labs

Email: v.tominin@ira-labs.com
ORCID iD: 0000-0001-5678-3452
俄罗斯联邦, Moscow

Vsevolod M. Malevanniy

IRA Labs

Email: v.malevanniy@ira-labs.com
ORCID iD: 0009-0005-8804-2102
俄罗斯联邦, Moscow

Yury Esakov

Moscow City Clinical Oncological Hospital № 1

Email: lungsurgery@mail.ru
ORCID iD: 0000-0002-5933-924X
SPIN 代码: 8424-0756

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Zurab G. Tukvadze

Moscow City Clinical Oncological Hospital № 1

Email: tukvadze.z.med@gmail.com
ORCID iD: 0000-0002-4550-6107
俄罗斯联邦, Moscow

Andrey O. Nefedov

Saint-Petersburg State Research Institute of Phthisiopulmonology

Email: herurg78@mail.ru
ORCID iD: 0000-0001-6228-182X
SPIN 代码: 2365-9458

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Saint Petersburg

Piotr K. Yablonskii

Saint-Petersburg State Research Institute of Phthisiopulmonology

Email: glhirurgb2@mail.ru
ORCID iD: 0000-0003-4385-9643
SPIN 代码: 3433-2624

MD, Dr. Sci. (Medicine), Professor

俄罗斯联邦, Saint Petersburg

Pavel V. Gavrilov

Saint-Petersburg State Research Institute of Phthisiopulmonology

Email: spbniifrentgen@mail.ru
ORCID iD: 0000-0003-3251-4084
SPIN 代码: 7824-5374

MD, Cand. Sci. (Med.)

俄罗斯联邦, Saint Petersburg

Vadim V. Kozlov

Novosibirsk Regional Clinical Oncology Dispensary

Email: vadimkozlov80@mail.ru
ORCID iD: 0000-0003-3211-5139
SPIN 代码: 8045-4286

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Novosibirsk

Mariya E. Blokhina

AstraZeneca Pharmaceuticals LLC

Email: mariya.blokhina@astrazeneca.com
ORCID iD: 0009-0002-9008-9485

MD

俄罗斯联邦, Moscow

Elena A. Nalivkina

AstraZeneca Pharmaceuticals LLC

Email: elena.nalivkina@astrazeneca.com
ORCID iD: 0009-0003-5412-9643
俄罗斯联邦, Moscow

Victor A. Gombolevskiy

IRA Labs; Artificial Intelligence Research Institute

Email: gombolevskii@gmail.com
ORCID iD: 0000-0003-1816-1315
SPIN 代码: 6810-3279

MD, Cand. Sci. (Med.)

俄罗斯联邦, Moscow; Moscow

Yuriy A. Vasilev

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: VasilevYA1@zdrav.mos.ru
ORCID iD: 0000-0002-5283-5961
SPIN 代码: 4458-5608

MD, Dr. Sci. (Medicine)

俄罗斯联邦, Moscow

Mariya N. Dugova

IRA Labs

Email: m.dugova@ira-labs.com
ORCID iD: 0009-0004-5586-8015

MD

俄罗斯联邦, Moscow

Valeria Yu. Chernina

IRA Labs

Email: v.chernina@ira-labs.com
ORCID iD: 0000-0002-0302-293X
SPIN 代码: 8896-8051

MD

俄罗斯联邦, Moscow

Olga V. Omelyanskaya

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: OmelyanskayaOV@zdrav.mos.ru
ORCID iD: 0000-0002-0245-4431
SPIN 代码: 8948-6152
俄罗斯联邦, Moscow

Roman V. Reshetnikov

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: reshetnikov@fbb.msu.ru
ORCID iD: 0000-0002-9661-0254
SPIN 代码: 8592-0558

Cand. Sci. (Physics and Mathematics)

俄罗斯联邦, Moscow

Ivan A. Blokhin

Research and Practical Clinical Center for Diagnostics and Telemedicine Technologies

Email: BlokhinIA@zdrav.mos.ru
ORCID iD: 0000-0002-2681-9378
SPIN 代码: 3306-1387

MD, Cand. Sci. (Medicine)

俄罗斯联邦, Moscow

Mikhail G. Belyaev

IRA Labs

Email: belyaevmichel@gmail.com
ORCID iD: 0000-0001-9906-6453
SPIN 代码: 2406-1772

Cand. Sci. (Physics and Mathematics)

俄罗斯联邦, Moscow

参考

  1. Thandra KCh, Barsouk A, Saginala K, et al. Epidemiology of lung cancer. Contemporary Oncology. 2021;25(1):45–52. doi: 10.5114/wo.2021.103829
  2. Goldstraw P, Chansky K, Crowley J, et al. The IASLC lung cancer staging project: Proposals for revision of the TNM stage groupings in the forthcoming (Eighth) edition of the TNM classification for lung cancer. J Thorac Oncol. 2016;11(1):39–51. doi: 10.1016/j.jtho.2015.09.009
  3. Tanoue LT, Tanner NT, Gould MK, Silvestri GA. Lung cancer screening. Am J Respir Crit Care Med. 2015;191(1):19–33. doi: 10.1164/rccm.201410-1777CI
  4. Ettinger DS, Wood DE, Aggarwal C, et al. NCCN guidelines insights: Non small cell lung cancer, version 1. 2020. J Natl Compr Canc Netw. 2019;17(12):1464–1472. doi: 10.6004/jnccn.2019.0059
  5. Planchard D, Popat S, Kerr K, et al. Metastatic non small cell lung cancer: ESMO clin-ical practice guidelines for diagnosis, treatment and follow up [published correction appears in Ann Oncol. 2019;30(5):863–870. doi: 10.1093/annonc/mdy474]. Ann Oncol. 2018;29(Suppl 4):iv192–iv237. doi: 10.1093/annonc/mdy275
  6. Heleno B, Siersma V, Brodersen J. Estimation of overdiagnosis of lung cancer in low dose computed tomography screening: A secondary analysis of the danish lung cancer screening trial. JAMA Intern Med. 2018;178(10):1420–1422. doi: 10.1001/jamainternmed.2018.3056
  7. Lopes Pegna A, Picozzi G, Falaschi F, et al. Four year results of low dose CT screen ing and nodule management in the ITALUNG trial. J Thorac Oncol. 2013;8(7):866–875. doi: 10.1097/JTO.0b013e31828f68d6
  8. Infante M, Cavuto S, Lutman FR, et al. Long term follow up results of the DANTE trial, a randomized study of lung cancer screening with spiral computed tomography. Am J Respir Crit Care Med. 2015;191(10):1166–1175. doi: 10.1164/rccm.201408-1475OC
  9. De Koning H, van der Aalst C, de Jong P. Reduced lung cancer mortality with volume CT screening in a randomized trial. N Engl J Med. 2020;382(6):503–513. doi: 10.1056/NEJMoa1911793
  10. Pastorino U, Silva M, Sestini S, et al. Prolonged lung cancer screening reduced 10-year mortality in the MILD trial: new confirmation of lung cancer screening efficacy. Ann Oncol. 2019;30(10):1672. doi: 10.1093/annonc/mdz169
  11. Baldwin DR, Duffy SW, Wald NJ, et al. UK Lung Screen (UKLS) nodule management protocol: modelling of a single screen randomised controlled trial of low dose CT screening for lung cancer. Thorax. 2011;66(4):308–313. doi: 10.1136/thx.2010.152066
  12. Detterbeck FC, Boffa DJ, Kim AW, Tanoue LT. The eighth edition lung cancer stage classification. Chest. 2017;151(1):193–203. doi: 10.1016/j.chest.2016.10.010
  13. Nakajima T, Yasufuku K, Yoshino I. Current status and perspective of EBUS-TBNA. Gen Thorac Cardiovasc Surg. 2013;61(7):390–396. doi: 10.1007/s11748-013-0224-6
  14. Hartert M, Tripsky J, Huertgen M. Video-assisted mediastinoscopic lymphadenecto-my (VAMLA) for staging & treatment of non small cell lung cancer (NSCLC). Mediastinum. 2020;4:3. doi: 10.21037/med.2019.09.06
  15. Ettinger DS, Wood DE, Aisner DL, et al. Non small cell lung cancer, version 5.2017, NCCN clinical practice guidelines in oncology. J Natl Compr Canc Netw. 2017;15(4):504–535. doi: 10.6004/jnccn.2017.0050
  16. Roberts PF, Follette DM, von Haag D, et al. Factors associated with false positive staging of lung cancer by positron emission tomography. Ann Thorac Surg. 2000;70(4):1154–1160. doi: 10.1016/s0003-4975(00)01769-0
  17. Kanzaki R, Higashiyama M, Fujiwara A, et al. Occult mediastinal lymph node metas-tasis in NSCLC patients diagnosed as clinical N0-1 by preoperative integrated FDG-PET/CT and CT: risk factors, pattern, and histopathological study. Lung Cancer. 2011;71(3):333–337. doi: 10.1016/j.lungcan.2010.06.008
  18. Verduzco-Aguirre HC, Lopes G, Soto Perez De Celis E. Implementation of diagnostic resources for cancer in developing countries: a focus on PET/CT. Ecancermedical science. 2019;13:ed87. doi: 10.3332/ecancer.2019.ed87
  19. LeCun Y, Bengio Y, Hinton G. Deep learning. Nature. 2015;521(7553):436–444. doi: 10.1038/nature14539
  20. Guo D, Ye X, Ge J, et al. Deepstationing: thoracic lymph node station parsing in CT scans using anatomical context encoding and key organ auto search. In: International Conference on Medical Image Computing and Computer Assisted Intervention; 2021 September 27–October 1; Strasbourg. Available from: https://miccai2021.org/openaccess/paperlinks/2021/09/01/140-Paper0015.html
  21. Iuga AI, Carolus H, Höink AJ, et al. Automated detection and segmentation of thorac ic lymph nodes from CT using 3D foveal fully convolutional neural networks. BMC Med Imaging. 2021;21(1):69. doi: 10.1186/s12880-021-00599-z
  22. Iuga AI, Lossau T, Caldeira LL, et al. Automated mapping and N-staging of thoracic lymph nodes in contrast-enhanced CT scans of the chest using a fully convolutional neural network. Eur J Radiol. 2021;139:109718. doi: 10.1016/j.ejrad.2021.109718
  23. Zhong Y, Yuan M, Zhang T, et al. Radiomics approach to prediction of occult medi astinal lymph node metastasis of lung adenocarcinoma. AJR Am J Roentgenol. 2018;211(1):109–113. doi: 10.2214/AJR.17.19074
  24. Liu Y, Kim J, Balagurunathan Y, et al. Prediction of pathological nodal involvement by CT-based Radiomic features of the primary tumor in patients with clinically node negative pe ripheral lung adenocarcinomas. Med Phys. 2018;45(6):2518–2526. doi: 10.1002/mp.12901
  25. Cong M, Yao H, Liu H, et al. Development and evaluation of a venous computed to mography radiomics model to predict lymph node metastasis from non small cell lung cancer. Medicine (Baltimore). 2020;99(18):e20074. doi: 10.1097/MD.0000000000020074
  26. Gu P, Zhao YZ, Jiang LY, et al. Endobronchial ultrasound guided transbronchial nee dle aspiration for staging of lung cancer: a systematic review and meta analysis. Eur J Cancer. 2009;45(8):1389–1396. doi: 10.1016/j.ejca.2008.11.043
  27. Brown G, Richards CJ, Bourne MW, et al. Morphologic predictors of lymph node sta tus in rectal cancer with use of high spatial resolution MR imaging with histopathologic comparison. Radiology. 2003;227(2):371–377. doi: 10.1148/radiol.2272011747
  28. Som PM. Lymph nodes of the neck. Radiology. 1987;165(3):593–600. doi: 10.1148/radiology.165.3.3317494
  29. Curtin HD, Ishwaran H, Mancuso AA, et al. Comparison of CT and MR imaging in staging of neck metastases. Radiology. 1998;207(1):123–130. doi: 10.1148/radiology.207.1.9530307
  30. Loch FN, Asbach P, Haas M, et al. Accuracy of various criteria for lymph node stag ing in ductal adenocarcinoma of the pancreatic head by computed tomography and magnetic reso nance imaging. World J Surg Oncol. 2020;18(1):213. doi: 10.1186/s12957-020-01951-3
  31. Elsholtz FH, Asbach P, Haas M, et al. Introducing the node reporting and data system 1.0 (Node-RADS): a concept for standardized assessment of lymph nodes in cancer Eur Radiol. 2021;31(8):7217. Eur Radiol. 2021;31(9):6116–6124. doi: 10.1007/s00330-020-07572-4 Сorrected and republished from: Eur Radiol. 2021;31(9): 7217. doi: 10.1007/s00330-021-07795-z
  32. Ceylan N, Doğan S, Kocaçelebi K, et al. Contrast enhanced CT versus integrated PET-CT in pre-operative nodal staging of non-small cell lung cancer. Diagn Interv Radiol. 2012;18(5):435–440. doi: 10.4261/1305-3825.DIR.5100-11.2
  33. Kamnitsas K, Ledig C, Newcombe VF, et al. Efficient multi-scale 3D CNN with fully connected CRF for accurate brain lesion segmentation. Med Image Anal. 2017;36:61–78. doi: 10.1016/j.media.2016.10.004
  34. Çiçek Ö, Abdulkadir A, Lienkamp SS, et al. 3D U-net: learning dense volumetric segmentation from sparse annotation. In: Medical Image Computing and Computer Assisted Inter vention (MICCAI 2016), Part II: 19th International Conference; 2016 October 17–21; Athens. P. 424–432.
  35. Milletari F, Navab N, Ahmadi SA. V-net: fully convolutional neural networks for volumetric medical image segmentation. In: 2016 Fourth international conference on 3D vision (3DV): proceedings article. 2016 October 25–28; California. P. 565–571. doi: 10.1109/3DV.2016.79
  36. Van Ginneken B, Armato SG, de Hoop B, et al. Comparing and combining algorithms for computer aided detection of pulmonary nodules in computed tomography scans: the ANODE09 study. Med Image Anal. 2010;14(6):707–722. doi: 10.1016/j.media.2010.05.005
  37. Bakas S, Reyes M, Jakab A, et al. Identifying the best machine learning algorithms for brain tumor segmentation, progression assessment, and overall survival prediction in the BRATS challenge. The international multimodal brain tumor segmentation (BraTS) challenge. 2018. doi: 10.48550/arXiv.1811.02629
  38. Silva F, Pereira T, Frade J, et al. Pre training autoencoder for lung nodule malignancy assessment using CT images. Applied Sciences. 2020;10(21):7837. doi: 10.3390/app10217837
  39. Dubost F, Adams H, Yilmaz P, et al. Weakly supervised object detection with 2D and 3D regression neural networks. Med Image Anal. 2020;65:101767. doi: 10.1016/j.media.2020.101767
  40. Rusch VW, Asamura H, Watanabe H, et al. The IASLC lung cancer staging project: a proposal for a new international lymph node map in the forthcoming seventh edition of the TNM classification for lung cancer. J Thorac Oncol. 2009;4(5):568–577. doi: 10.1097/JTO.0b013e3181a0d82e
  41. Ronneberger O, Fischer P, Brox T. U-net: convolutional networks for biomedical image segmentation. In: Medical Image Computing and Computer Assisted Intervention (MICCAI 2015): 18th International Conference; 2015 May; Munich; Р. 234–241. doi: 10.48550/arXiv.1505.04597
  42. He K, Zhang X, Ren S, Sun J. Deep residual learning for image recognition. In: Proceedings of the IEEE conference on computer vision and pattern recognition; 2016 June 27–30; Las Vegas. P. 770–778. doi: 10.48550/arXiv.1512.03385
  43. Ioffe S, Szegedy Ch. Batch normalization: accelerating deep network training by reducing internal covariate shift. ArXiv. 2015;1. doi: 10.48550/arXiv.1502.03167
  44. Nair V, Hinton GE. Rectified linear units improve restricted boltzmann machines. In: Conference: proceedings of the 27th International Conference on Machine Learning (ICML-10); 2010 June 21–24; Haifa. Available from: https://icml.cc/Conferences/2010/papers/432.pdf
  45. Nair V, Hinton GE. Rectified linear units improve restricted boltzmann machines. In: Conference: proceedings of the 27th International Conference on Machine Learning (ICML-10), June 21–24, 2010. Haifa, Israel; 2010. Р. 807–814.
  46. Roth HR, Lu L, Seff A, et al. A new 2.5D representation for lymph node detection using random sets of deep convolutional neural network observations. Med Image Comput Comput Assist Interv. 2014;17(1):520–527. doi: 10.1007/978-3-319-10404-1_65
  47. Goncharov M, Pisov M, Shevtsov A, et al. CT-based COVID-19 triage: deep multi-task learning improves joint identification and severity quantification. Med Image Anal. 2021;71:102054. doi: 10.1016/j.media.2021.102054

补充文件

附件文件
动作
1. JATS XML
下载
2. Fig. 1. Three-stage algorithm for lymph node segmentation and metastasis classification: a, segmentation of lymph node groups; b, image coding based on the bounding box and processing using a second network; c, marking each identified lymph node, applying the respective mask, and assessment through a feedforward network. LN, lymph node.

下载 (332KB)
索引源数据
3. Fig. 2. Example of lymph node group annotation at different mediastinal levels.

下载 (328KB)
索引源数据
4. Fig. 3. Example of assigning the assessed statistical parameters to different connected components of the sample mask (a) and the respective logit mask (b); self-logit and hit-logit, personal statistics for each connected component; hit-dice, shared parameters for a pair of connected components with a positive value (с).

下载 (148KB)
索引源数据
5. Fig. 4. Accuracy of assigning lymph nodes to groups in accordance with the International Association for the Study of Lung Cancer (IASLC) guidelines.

下载 (133KB)
索引源数据
6. Fig. 5. Detection results during lymph node segmentation. FP, false positive; d, short axis diameter.

下载 (97KB)
索引源数据
7. Fig. 6. Comparison of baseline criteria derived from the short axis diameter for predicting patient status regarding the degree of regional lymph node involvement and the proposed algorithm. TPR, true positive rate; FPR, false posi-tive rate; SAD, short axis diameter.

下载 (64KB)
索引源数据
8. Fig. 7. Lymph nodes with the highest probability of metastasis for each patient. N0, no metastasis; N+, metastasis.

下载 (232KB)
索引源数据

版权所有 © Eco-Vector, 2024

Creative Commons License
此作品已接受知识共享署名-非商业性使用-禁止演绎 4.0国际许可协议的许可。

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».