《表3 非小细胞肺癌不同预后生存模型实验结果对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《深度学习在癌症预后预测模型中的应用研究》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

现有DL癌症预后模型半数以上采用CNN构建而成，多数研究倾向于癌症患者生存期的预测。因此，本文采用T C I A公共数据库N S C L C-Radiomics项目的lung1数据集，基于CT影像（尺寸：512*512，层厚：3 mm）和CNN构建模型预测具有临床意义的非小细胞肺癌患者3年生存期。根据患者存活状态和生存时间、CT图像质量、肿瘤数量、肿瘤病理类型等筛选条件，入组201例患者。按患者随机划分互不重合的训练集（150例）、验证集（21例）和测试集（30例）并给定标签[44]。由于数据较少，方法验证采用二维卷积神经网络（two dimensional convolutional neural network，2D-CNN）和迁移学习。参照表1总结的DL模型与表2中适用CT影像的网络结构，实验引入预先训练的三种经典CNN(VGG-19、Res Net50、Inception V3）、Le Net、新型2D-S＿CNN和新型密集连接2D-S＿CNN训练并确定最优预后生存模型，使用相同测试集验证模型性能并进行分析与比较。不同模型预测结果如表3所示，本文设计的CNN网络结构如图7所示。由表3可知，迁移学习中Inception V3性能最好，AUC可达0.86，ACC最高为78.2%。与采用迁移学习构建的模型相比，本文设计的非小细胞肺癌预后生存模型性能更好，ACC、AUC可达79.5%、0.86。这些实验结果证明DL在癌症预后模型中的潜力：迁移学习有助于构建小型医学数据集的DL癌症预后模型，但预先训练所使用数据与医学数据不一致时，可能会对模型性能产生轻微影响。此外，根据具体任务设计的DL模型性能更佳。对比新型2D-S＿CNN和新型密集连接2D-S＿CNN预后生存模型实验结果发现：改进DL网络结构可小幅度提高癌症预后模型性能，因此将更多先进技术引入DL网络是未来癌症预后预测模型的发展趋势之一[45]。