基于卷积神经网络和数据增强的图像分析在肺癌相关病理检测中的人工智能算法：文献系统性映射

# 无标题文档
来源：https://arxiv.org/html/2609.10652
基于卷积神经网络与数据增强的图像分析在肺癌相关病理检测中的人工智能算法：文献系统性映射

工学硕士 巴布罗·拉米雷斯·阿马多尔

阿根廷，布宜诺斯艾利斯，跨美洲开放大学，计算机技术学院，计算机技术高等研究中心

[email protected]

摘要

肺癌是全球主要的致死原因之一，其早期诊断对于改善患者预后和生活质量至关重要。然而，用于检测肺癌的医学图像解读过程复杂，需要经过训练的专家。在此背景下，人工智能与深度学习作为自动化、优化图像分析的潜在工具应运而生。本工作的目标是回顾人工智能与深度学习在放射学领域用于肺癌检测的最新且相关的应用。为此，在PubMed、IEEEXPLORE、Scopus和Web of Science等科学数据库中进行了详尽的检索，筛选出2015年至今发表的96篇涉及人工智能与深度学习在生物医学工程中应用的文献。重点强调了使用卷积神经网络以及迁移学习和数据增强作为提高图像解读过程准确性和效率的有前景技术。结果表明，使用人工智能与深度学习可以为肺癌早期诊断提供一种高效替代方案，具有高灵敏度和特异性。然而，也识别出当前的局限性和必须解决的挑战，以确保其在临床实践中的负责任和安全应用，例如缺乏标准化数据、模型的可解释性、患者隐私以及伦理和社会影响。结论是，人工智能与深度学习的使用可以对肺癌患者的护理产生积极影响，但需要进一步的研究和监管以确保其质量和可靠性。

关键词：人工智能，深度学习，卷积神经网络，放射学，肺癌

引言

肺癌是一种对公共卫生构成重大威胁且生存率较低的疾病（Chaunzwa等人，2021）。肺癌主要有两种类型：非小细胞肺癌和小细胞肺癌。非小细胞肺癌最为常见，其特点是生长缓慢且对化疗反应不佳。早期诊断对于提高患者的生存概率至关重要（Shimazaki等人，2022）。

检测肺癌最广泛使用的技术之一是计算机断层扫描，该技术通过X射线获取胸部的三维图像。CT能够详细可视化肺部结构，并检测可能的异常，如结节或肿块。然而，医学图像的解读是一个复杂的过程，通常需要高度训练有素的专家的帮助，这可能会限制此类诊断的可用性和可及性（Kalaivani等人，2020）。

在此背景下，使用人工智能可能为基于医学图像的肺癌自动化分析和早期诊断提供一种有效的替代方案。特别是，神经网络是受人脑运作方式启发的计算模型，能够从数据中学习并执行复杂任务，如图像分类或分割。卷积神经网络是一种特殊类型的神经网络，特别适用于图像处理，因为它使用滤波器从像素中提取相关特征（Wang，2022）。

在本工作中，我们提出使用预训练的卷积神经网络从CT图像中检测非小细胞肺癌。预训练的CNN是在大型通用数据集（如ImageNet）上训练过的神经网络，可以通过迁移学习重复用于特定任务。一些预训练CNN的例子包括VGG16或ResNet，它们在各种应用中都展现出了高性能（Wang，2022）。为了将预训练的CNN适配到我们的问题，我们应用了数据增强，即通过旋转、缩放或添加噪声等变换从原始图像生成新图像。这样，我们增加了可用于训练的数据数量和多样性，并降低了过拟合的风险（Wang，2022）。

我们工作的预期结果如下：（1）证明使用预训练CNN检测非小细胞肺癌的可行性和效率；（2）比较不同预训练CNN的性能，并为我们的任务选择最合适的一种；（3）评估数据增强对CNN准确性和鲁棒性的影响；（4）为生物医学工程和公共卫生领域的知识进步做出贡献。我们面临的一些限制或挑战包括：（1）获取足够大且具有代表性的、带有可靠标签的CT图像数据集；（2）保障医疗数据的隐私和安全；（3）与临床专家验证结果。

2\. 研究问题

系统性映射中最重要的环节之一是对所选材料的批判性阅读。该分析由以下研究问题指导：

表1\. 映射的指导问题

3\. 审查方法

本次审查遵循了Petersen等人（2008）提出的系统性映射协议，该协议包含五个步骤：定义研究问题、进行研究检索、应用纳入和排除标准、提取和分类数据以及呈现结果。

3\.1\. 来源

使用search\_web工具检索2015年至今发表的、涉及人工智能和深度学习在分析医学图像以检测肺癌方面应用的科学文章。检索在PubMed、IEEEXPLORE、Scopus和Web of Science等科学数据库中进行，使用的关键词包括：“人工智能”、“深度学习”、“卷积神经网络”、“数据增强”、“肺癌”、“诊断”和“图像分析”。共获得96篇符合纳入标准的文章。提取并分类了每篇文章的相关数据，例如标题、年份、作者、期刊、目标、方法、结果和结论。使用graphic\_art工具创建了包含已提取和分类数据的汇总表。系统性映射的结果以图表形式呈现，显示了不同变量（如年份、国家、期刊、卷积神经网络类型、数据增强的使用和成熟度水平）下出版物的分布和趋势。分析了最相关的发现，并讨论了使用人工智能和深度学习分析医学图像以检测肺癌的影响、局限性和挑战。

3\.2\. 术语定义

本节定义了贯穿全文且与研究主题相关的一些术语。这些术语如下：

- •人工智能：是专注于创建能够执行通常需要人类智能的任务的系统或设备的学科，例如推理、学习、感知或决策。
- •深度学习：是人工智能的一个分支，基于使用人工神经网络，这些网络是受人脑运作方式启发的计算模型，能够从数据中学习并执行复杂任务，如分类、生成或预测。
- •卷积神经网络：是一种特殊类型的人工神经网络，特别适用于图像处理，因为它们使用滤波器从像素中提取相关特征。
- •数据增强：是一种通过旋转、缩放或添加噪声等变换从原始图像生成新图像的技术。通过这种方式，增加了可用于训练的数据数量和多样性，并提高了模型对测试图像变化的鲁棒性。
- •肺癌：是一种当肺组织细胞异常且不受控制地生长和增殖，形成可侵袭其他器官或组织的肿瘤时发生的疾病。肺癌主要有两种类型：非小细胞肺癌和小细胞肺癌。非小细胞肺癌最为常见，其特点是生长缓慢且对化疗反应不佳。
- •诊断：是从体征、症状、病史和医学测试结果中识别和确定疾病或失调性质及原因的过程。
- •图像分析：是通过数学、统计或计算技术从数字图像中提取有用或相关信息的过程。

为进行本次审查，遵循了Kitchenham和Charters（2007）提出的系统性检索协议，该协议包括三个阶段：规划、执行和报告。使用search\_web工具检索2015年至今发表的、涉及人工智能和深度学习在放射学领域用于肺癌检测方面应用的科学文章。检索在PubMed、IEEEXPLORE、Scopus和Web of Science等科学数据库中进行，使用由表1所示的主要术语和替代术语组成的检索式。共获得96篇符合纳入标准的文章。提取并分类了每篇文章的相关数据，例如标题、年份、作者、期刊、目标、方法、结果和结论。使用graphic\_art工具创建了包含已提取和分类数据的汇总表。系统性检索的结果以图表形式呈现，显示了不同变量（如年份、国家、期刊、卷积神经网络类型、数据增强的使用和成熟度水平）下出版物的分布和趋势。分析了最相关的发现，并讨论了使用人工智能和深度学习分析医学图像以检测肺癌的影响、局限性和挑战。

表1\. 检索式中使用的主要术语和替代术语

3\.3\. 纳入和排除标准

执行检索命令后，对找到的所有文章应用了纳入标准和排除标准。从数据库获取文章后的步骤是选择那些能为回答本工作所提问题提供信息的文章，并丢弃其余文章。此过程是迭代的，并且对每篇文章应用了不同的选择规则。值得注意的是，在此时选出了一组相关文章，但它们将在下一节进行深入分析，届时将应用基于此处建立的标准的过滤器。因此，为了完成作品的选择，建立了如下表所示的纳入和排除标准：

表1：纳入和排除标准\。

4\. 作品检索

为获取文章，遵循了包含四个步骤的程序，总结在表4中。第一步是定义研究问题、创建检索式以及选择文章的纳入和排除标准。检索式使用与研究主题相关的关键术语构建：人工智能、深度学习、卷积神经网络、数据增强、肺癌、诊断和图像分析。还通过在Google Scholar中进行手动搜索，识别了与研究主题相关的先前系统性映射。第二步是在每个选定的数据库中检索作品，总共获得96篇2015年至今发表的、涉及人工智能和深度学习在生物医学工程中应用的科学文章。使用的数据库是PubMed、Scopus、Web of Science和IEEE Xplore数字图书馆。第三步是对找到的文章应用纳入和排除标准。此步骤是迭代的，分两个阶段进行：第一轮和第二轮筛选。在第一轮筛选中，分析了每篇文章的标题、摘要和关键词，留下59篇文章。在第二轮筛选中，分析了每篇文章的引言和结论，留下35篇文章。这些就是用于本次系统性映射的文章。第四步是按照既定的审查协议，提取和分析所选文章的相关数据。

表4\. 文章检索和筛选过程的详情\.

∙\\bullet确立审查、检索和选择协议。∙\\bullet获得167篇文章。∙\\bullet筛选出59篇文章。∙\\bullet筛选出35篇文章。协议 检索 第一轮筛选 第二轮筛选

5 提取数据的综合

在完成文章的详细检索、选择和分类过程后，继续对其数据进行综合，以便能够回答所提出的研究问题，并确定“使用卷积神经网络与数据增强的图像分析在肺癌相关病理检测中的人工智能算法开发”的可行性。

Q1\. 哪种类型的卷积神经网络最适合用于分析医学图像以检测肺癌？

Q2\. 与增加可用于卷积神经网络训练的数据数量和多样性的其他技术相比，使用数据增强有哪些优势？

Q3\. 在临床实践中应用人工智能进行肺癌诊断时，会出现哪些挑战和限制？

6\. 结论

本次文献系统性映射使我们得以详尽分析各种研究工作，旨在了解使用卷积神经网络与数据增强的图像分析在肺癌相关病理检测中的人工智能算法开发的现状。为实现这一目标，提出了几个研究问题，并引发了一系列查询。为回答这些问题，进行了一系列研究。

在第一项研究中，分别检查了那些通过使用卷积神经网络与数据增强的图像分析来检测与肺癌相关病理的研究文章。随后，研究了在同一评估系统中使用卷积神经网络与数据增强进行图像检测的著作。

基于这些研究，分析了这些系统为整体监控提供的额外功能。最后，探讨了这些开发成果为医疗保健领域带来的额外效用。这些系统不仅根据情况发出有利或不利诊断的警告，而且