要約
肺がんは英国のがん死亡原因の21％を占めており、5年生存率はがんが発見された段階によって大きく影響を受けます。最近の研究では、ルーチンスキャンから肺がんを正確かつ早期に診断するためのAI手法の能力が示されています。しかし、この証拠は臨床実践には反映されておらず、その一因として解釈可能なモデルの不足があります。本研究では、生成型AIモデルの一形態である変分オートエンコーダ（VAEs）を肺がん病変に適用することを調査しました。提案されたモデルは、LIDC-IDRI公開データセットから抽出した3DCTスキャンの病変を使用して訓練されました。VAEsによって生成された2Dスライスの潜在ベクトル表現はクラスタリングを通じてその品質を検討し、肺がん診断用のMLP分類器モデルで使用されました。最良のモデルでは、AUC 0.98および93.1%の精度という最先端の指標を達成しました。クラスタ分析によると、VAE潜在空間は腫瘍サイズ、形状、患者属性および悪性度クラスなどの意味のある特徴成分に基づいて悪性と良性病変データセットを分離します。また、標準的なガウシアン変分オートエンコーダ（GVAE）と最近開発されたディリクレ変分オートエンコーダ（DirVAE）との比較分析も含まれています。DirVAEは事前分布にディリクレ分布を使用することでより説明可能な潜在空間と独立した特徴表現を促進します。（Dirichlet distribution: ディリクレ分布）。最後に、臨床的に意味のある特徴変化に対応する潜在空間探索の可能性について示しています。