数据集构建与预处理
获取并标准化CT图像，为深度学习模型提供输入
回顾性收集260例患者（MPLC 83，IPM 81，MBPL 96）的胸部CT，选取3-5个代表轴位切片，共881张图像，转换为PNG，窗宽1400HU，窗位-500HU，训练集应用数据增强。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于CT的深度学习方法鉴别多原发肺癌、肺内转移和良性结节
A CT-based deep learning approach to differentiate multiple primary lung cancers, metastases, and benign nodules
实验完整度
高260例患者CT影像，六种模型五种子比较，五折交叉验证，Grad-CAM可视化，DCA评估，含功能验证
主要模型
260例患者（MPLC 83例，IPM 81例，MBPL 96例）的881张轴位CT切片 MambaOut-Kobe深度学习模型 六种预训练架构比较（DenseNet-121等）
重点核对
模型架构：六种预训练模型（DenseNet-121、EfficientNet-B1、MambaOut-Kobe、ResNet-50、SwinV2-CR-Tiny-224、ViT-Tiny-Patch16-224） 五种子消融实验：种子42、789、1011、2025、2048 分层五折交叉验证用于最终模型MambaOut-Kobe 数据集划分：训练70%、验证15%、测试15%，分层采样 评估指标：AUC、准确率、精确率、召回率、F1分数、特异性，DeLong检验，DCA
摘要
背景：肺癌，尤其是腺癌和鳞状细胞癌，仍然是全球癌症相关死亡的主要原因。随着胸部CT技术的进步和健康监测的改善，多原发肺癌（MPLCs）的诊断变得更加频繁。然而，将MPLCs与肺内转移（IPMs）和多发性良性肺部病变（MBPLs）区分开来仍然具有挑战性。
目的：在CT上区分多原发肺癌与转移和良性病变仍然具有挑战性，但对治疗计划至关重要。目前的方法依赖于主观解释和侵入性操作。本研究旨在开发和验证一个自动化的深度学习分类系统，以提供快速、客观的诊断，从而优化患者管理。
材料与方法：我们研究了260名患者（MPLC=83，IPM=81，MBPL=96；881个轴位CT切片）。在五种子消融实验（种子42、789、1011、2025、2048）中比较了六种预训练架构（DenseNet−121、EfficientNet-B1、MambaOut-Kobe、ResNet−50、SwinV2-CR-Tiny−224、ViT-Tiny-Patch16−224）。跨种子汇总成对的一对多DeLong检验以比较AUC。使用决策曲线分析（DCA）评估临床效用。最终模型（MambaOut-Kobe）进行了分层五折交叉验证。
结果：考虑到效率，MambaOut-Kobe结合了具有竞争力的准确性和最低的内存（约100±14 MB）以及低延迟（约0.0093±0.0017秒/图像）。在多重性控制后，汇总的DeLong检验发现这些模型之间没有显著的AUC差异。在五折交叉验证中，MambaOut-Kobe达到了宏观AUC为0.946±0.004（95% CI 0.942–0.950），准确率为0.829±0.029（95% CI 0.800–0.858）。DCA显示，与治疗所有和治疗无策略相比，在临床相关的阈值概率范围内具有正的净获益。
Grad-CAM可视化突出了CT图像中诊断相关的区域，提供了可解释的决策支持。
结论：MambaOut Kobe模型在分类MPLC、IPM和MBPL方面展现出卓越的临床应用潜力。其高准确性和计算效率的结合使其成为肺癌诊断和治疗计划的有前景的工具。这种自动化方法可以减少诊断不确定性，减少不必要的侵入性操作，并促进对多发性肺部病变患者的及时、个性化治疗决策。未来的研究应侧重于在更大的多中心数据集上验证模型，并增强其区分MPLC和IPM的能力。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否开发并验证一个自动化深度学习分类系统，以快速、客观地鉴别多原发肺癌、肺内转移和多发性良性肺部病变？
- 核心机制
- MambaOut-Kobe模型通过深度学习提取CT图像特征，利用状态空间模型架构进行三分类，Grad-CAM显示其关注诊断相关区域。
- 主要证据
- 在260例患者881张CT切片上，MambaOut-Kobe达到AUC 0.946±0.004，准确率0.829±0.029，内存约100MB，推理时间约0.0093s/图像，DCA显示正净获益，Grad-CAM可视化验证关注区域与病理一致。
- 研究意义
- 该自动化方法有潜力减少诊断不确定性，减少不必要的侵入性操作，促进及时个性化治疗决策，作为放射科医生的决策支持工具。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
深度学习模型比较与选择
评估不同预训练架构在三分类任务上的性能和效率
比较六种预训练模型（DenseNet-121、EfficientNet-B1、MambaOut-Kobe、ResNet-50、SwinV2-CR-Tiny-224、ViT-Tiny-Patch16-224），使用五种子重复训练，计算AUC、准确率、推理时间和内存，DeLong检验比较。
MambaOut-Kobe超参数优化
优化最佳模型的配置以提升性能
对MambaOut-Kobe进行超参数搜索，测试批量大小（16 vs 32）、dropout（0.3 vs 0.5）、权重衰减（0.01 vs 0.1）、优化器（AdamW vs RAdam）。
五折交叉验证
评估最终模型的泛化性能和稳定性
使用分层五折交叉验证评估MambaOut-Kobe，计算宏观平均准确率、精确率、召回率、F1、特异性、AUC。
决策曲线分析
评估模型的临床效用
对每个类别（MPLC、IPM、MBPL）计算净获益，阈值概率0.01-0.99，与治疗所有和治疗无策略比较。
模型可解释性分析
验证模型预测基于临床相关特征
应用Grad-CAM可视化MambaOut-Kobe Stage1 Block0卷积层的激活区域，分析正确分类和误分类案例。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| CT图像采集 | 西门子Deffinition AS+ 128和64层CT | Siemens | -- |
| 佳能320排CT（Aquilion ONE Vision） | Canon | -- | |
| 深度学习模型训练 | PyTorch | -- | -- |
| Torchvision | -- | -- | |
| 数据分析 | scikit-learn | -- | -- |
| Matplotlib | -- | -- | |
| Seaborn | -- | -- | |
| Pandas | -- | -- | |
| NumPy | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 数据集构建与预处理 | CT层厚≤3mm，结节直径≥3mm，排除标准，数据集划分比例 阅读提示：见Patients and methods中的Eligibility criteria和CT image acquisition and preprocessing部分 |
| 深度学习模型训练 | 批量大小16，dropout 0.3，权重衰减0.1，AdamW优化器，早停耐心10，种子42、789、1011、2025、2048 阅读提示：见Deep learning models and training部分 |
| 五折交叉验证 | 分层五折交叉验证，评估指标计算 阅读提示：见Model evaluation and optimization部分和Table 3 |
| 决策曲线分析 | 阈值概率0.01-0.99，净获益计算，与treat all和treat none比较 阅读提示：见Decision curve analysis部分 |
| Grad-CAM分析 | 应用于stages.1.blocks.0.conv层，样本选择 阅读提示：见Model interpretability部分 |