Variationale Autoencoder für die Merkmalsexploration und die Prognose von Lungenläsionen

Lungenkrebs ist verantwortlich für 21 % der Krebstodesfälle im Vereinigten Königreich und die Fünfjahres-Überlebensraten werden stark von dem Stadium beeinflusst, in dem das Krebsgeschwür diagnostiziert wurde. Neuere Studien haben die Fähigkeit künstlicher Intelligenz (KI) zur genauen und frühen Diagnose von Lungenkrebs anhand routinemäßiger Scans nachgewiesen. Allerdings hat dieses Wissen sich noch nicht in der klinischen Praxis umgesetzt, wobei ein Hindernis darin besteht, dass es an interpretierbaren Modellen mangelt. Diese Studie untersucht die Anwendung von variationsautoencodern (VAEs), einer Art generativer KI-Modelle, auf Lungenkrebsgeschwüre. Die vorgeschlagenen Modelle wurden mit Geschwüren trainiert, die aus 3D-CT-Scans des öffentlichen Datensatzes LIDC-IDRI extrahiert wurden. Durch Clustering wurden die latenten Vektordarstellungen der 2D-Schnitte, die durch die VAEs erzeugt wurden, analysiert, um deren Qualität zu rechtfertigen und in einem MLP-Klassifikationsmodell zur Diagnose von Lungenkrebs verwendet. Das beste Modell erreichte Stand-of-the-Art-Metriken mit einem AUC-Wert von 0,98 und einer Genauigkeit von 93,1 %. Die Clusteranalyse zeigt, dass der latente Raum der VAE den Datensatz aus bösartigen und gutartigen Geschwüren basierend auf sinnvollen Merkmalskomponenten wie Tumorgroße, -form, Patientendaten und Bösartigkeitsklasse trennt. Wir führen zudem eine vergleichende Analyse zwischen dem standardmäßigen Gauß'schen VAE (GVAE) und dem neueren Dirichlet-VAE (DirVAE) durch, bei dem die a-priori-Verteilung durch eine Dirichlet-Verteilung ersetzt wird, um einen besser erklärbaren latenten Raum mit entkoppelten Merkmaldarstellungen zu fördern. Schließlich demonstrieren wir das Potenzial von latenten Raumtraversalen, die klinisch bedeutsamen Merkmalsänderungen entsprechen.