Forschungsartikel

Ein neuartiger Ansatz mit dem KI-Vision-Transformator für die CT-Analyse zur Erkennung von Lungenkrebs

DOI:

10.3791/69302

⸱

28. November 2025

 ,  ,  ,  ,  , 
1Department of Information Systems, College of Computer Science and Information Systems, Najran University, 2Dept of Computer Science & Engineering (Data Science), Dayananda Sagar College of Engineering, 3Department of Computer Science & Engineering, Faculty of Engineering and Technology, JAIN (Deemed-to-be University), 4School of Science, Engineering and Environment, University of Salford, 5Centre for Research Impact and Outcome, Chitkara University, 6Division of Research and Development, Lovely Professional University, 7Department of Management, College of Business Administration, Princess Nourah bint Abdulrahman University

In diesem Artikel

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Der Einsatz von Vision Transformers in dieser Studie ermöglicht es, Lungenkrebs anhand von CT-Bildern zu klassifizieren, wobei eine Genauigkeit von 98,18 % bei 1.190 Scans erreicht wird. Das Modell bewahrte ein zufriedenstellendes Robustheitsniveau mit Genauigkeitsniveaus zwischen 80–88 % bei verrauschten und verschwommenen Bildern im Vergleich zu Standardmodellen des Convolutional Neural Network (CNN) in Anwendungen der Verbrauchergesundheitsdiagnostik.

Zusammenfassung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Diagnose von Lungenkrebs bleibt schwierig, da es in bildgebenden Studien subtile Unterschiede zwischen gutartiger und bösartiger Erkrankung gibt. Obwohl traditionelle, konvolutionelle neuronale Netzwerke (CNNs) das Rückgrat der medizinischen Bildgebungsanalyse sind, weisen sie dennoch eine begrenzte Anwendbarkeit und Robustheit bei unterschiedlichen Bildgebungsmethoden auf. Der Fortschritt des maschinellen Lernens verändert traditionelle Diagnosemethoden in verbraucherorientierten Gesundheitstechnologien und verändert Prozesse in Bezug auf Zugänglichkeit und personalisierte Patientenversorgung. Dieses Papier beschreibt den Einsatz von Vision Transformers (ViTs) für die Klassifizierung von Lungenkrebs mit CT-Scans, im Zusammenhang mit Anwendungen im Bereich der Verbrauchergesundheit. Das Vision Transformer-Modell wurde mit einem vollständigen Datensatz von 1.190 CT-Bildern trainiert und erreichte eine Klassifikationsrate von 98,18 % mit einem Matthews-Korrelationskoeffizienten von 0,9676. Zusätzlich wurde die Leistung des Modells in simulierten Echtzeitszenarien mit Echtzeitrauschen und verschwommenen Datensätzen validiert. Obwohl Validierungsmethoden mit hoher diagnostischer Genauigkeit erhalten wurden, übertraf das ViT-Modell im gesamten Datensatz auch die herkömmliche validierte Methode, indem es eine Genauigkeit von 80–88 % anzeigte, um zwischen verrauschten und unscharfen Bildern zu unterscheiden, selbst unter diesen Umständen. Während erste Ergebnisse vielversprechende Informationen über die Robustheit von ViTs im Umgang mit Bildvariationen liefern, sollte dennoch ein vorsichtiger Ansatz bei der Kontextualisierung der Ergebnisse angewandt werden, da die Evaluationsstudien in einem relativ kleinen Datensatz und Simulationsumgebungen durchgeführt wurden. Für zukünftige Forschungsstudien wird es wertvoll sein, größere Datensätze zu verwenden, die repräsentativer für echte klinische Zustände und klinisch validierte Datensätze sind, um festzustellen, ob ViTs für die klinische Identifizierung der onkologischen Diagnostik vorteilhaft sind und um die Früherkennung zu verbessern.

Einleitung

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Lungenkrebs ist weltweit erheblich belastend und betrifft jedes Jahr Millionen von Menschenleben. Aufgrund der aggressiven Natur des Krebses und des häufigen spät auftretenden Krankheitszustands ist die Sterblichkeit im Zusammenhang mit Lungenkrebs hoch. Früherkennung ist unerlässlich, da die Intervention die Wirksamkeit der Behandlung und die Überlebensraten erheblich verbessern kann1. Der konventionelle Ansatz für vorläufige Screening und Diagnose bleibt mit der Nutzung der Computertomographie (CT) bestehen, um eine detailliertere Visualisierung der Lungenstrukturen zu ermöglichen. Die Bewertung der CT-Bilder....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Protokoll

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Der Datensatz umfasst insgesamt 1.190 CT-Scan-Schnitte aus 110 Fällen, die in drei Klassen eingeteilt sind: normal (55 Fälle), gutartig (15 Fälle) und bösartig (40 Fälle). Jeder Fall umfasst mehrere CT-Schnitte (mit etwa 80 bis 200 Schnitten pro Fall) und bieten vielfältige axiale Ansichten des Thoraxbereichs. Die CT-Bilder wurden in DICOM mit dem SOMATOM-Scanner mit Standardbildparametern aufgenommen: Röhrenspannung = 120 kV, Schnittdicke = 1 mm, Fensterbreite = 350–1.200 Hounsfield-Einheiten (HU) und Fenstermittelwerte = 50–600 HU, während eines vollständigen Atmungsanhaltens.

Alle Bilder wurden vor der A....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Ergebnisse

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Das Vision Transformer-Modell zeigte außergewöhnliche Ergebnisse bei mehreren Bewertungsmetriken auf den IQ-OTH/NCCD-Lungenkrebsdatensätzen und differenzierte effektiverweise normale, gutartige und bösartige CT-Bilder. Die Gesamtmodellleistung erreichte eine hohe Genauigkeit von 98,18 % über den gesamten Testdatensatz mit 220 Bildern. Diese äußerst hohe Genauigkeit zeigt, dass das Modell sehr effektiv generalisieren kann und daher im klinischen Umfeld ein.......

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Diskussion

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Es hat bemerkenswerte Ergebnisse bei der Bewertung und Implementierung des Vision Transformer-Modells auf dem IQ-OTH/NCCD-Lungenkrebsdatensatz mit hoher Genauigkeit erzielt. Die allgemeine Genauigkeit bei der Klassifizierung eines CT-Scans als normal, gutartig und bösartig beträgt mit diesem Modell 98,18 %.

Diese überlegene Genauigkeit wird durch die Leistung des Modells in den anderen Schlüsselwerten bewiesen, wie etwa 100 % Präzision bei der Erkennung von ma.......

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Offenlegungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Die Autoren erklären, dass sie keine Interessenkonflikte haben.

Danksagungen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

Diese Arbeit wurde von Princess Nourah bint Abdulrahman University Researchers Supporting Project Nummer (PNURSP2025R432), Princess Nourah bint Abdulrahman University, Riad, Saudi-Arabien, unterstützt.  Die Autoren sind dem Dekanat für Graduiertenstudien und wissenschaftliche Forschung an der Najran University dankbar, dass sie diese Arbeit im Rahmen des Growth Funding Program Grant Code (NU/GP/SERC/13/575-6) finanziert hat.

....

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Materialien

Liste der in diesem Artikel verwendeten Materialien
NameUnternehmenKatalognummerKommentare
A100 GPU (CUDA)NVIDIACUDA Version 11.6GPU-Beschleunigung für Modelltraining und -bewertung.
AMD EPYC-7502P CPUAMDN/AProzessor, der für Hochleistungsrechnen verwendet wird.
Gigabit-EthernetIntelN/AVernetzung für sichere Peer-to-Peer-Kommunikation im CPS.
MatplotlibPython Software FoundationVersion 3.5Visualisierungsbibliothek zum Plotten von Ergebnissen.
Paillier-KryptosystemOpen Source (implementiert über TenSEAL)N/AErmöglicht additive homomorphe Verschlüsselung auf Gradienten.
PySyftOpenMinedVersion 0.6.0Unterschiedliche Datenschutz- und föderierte Lernbibliothek.
Python (Anaconda-Distribution)Anaconda IncVersion 3.9Enthält vorinstallierte Pakete und Umgebungsmanagement-Tools, wird für Skripte und Framework-Entwicklung verwendet.
PyTorchMeta-KIVersion 1.12Deep-Learning-Framework für das Training von Modellen.
RAMCorsair256 GigaByte (GB) Hohe Gedächtnisunterstützung für intensives Training.
Scikit-learnPython Software FoundationVersion 1.1Werkzeuge für maschinelles Lernen zur Leistungsbewertung.
SeabornPython Software FoundationVersion 0.11Bibliothek zur statistischen Datenvisualisierung.
SSD-SpeicherSeagate1 TeraByte (TB)Für schnelle Datenspeicherung und -abruf.
TenSEALOpenMinedVersion 0.3Homomorphe Verschlüsselungsbibliothek für sichere Aggregation.
TensorFlowGoogleVersion 2.9Deep-Learning-Framework für Diffusionsmodelle.
Ubuntu OSKanonischVersion 20.04 LTSBetriebssystem, das für alle Experimente verwendet wird.

Referenzen

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Wang, L., et al. Transformer-based deep learning model for the diagnosis of suspected lung cancer in primary care based on electronic health record data. EBioMedicine. 110, 105442(2024).
  2. Kshatri, S. S., Singh, D.

Zugriff eingeschränkt. Bitte melden Sie sich an oder starten Sie eine Testversion, um diesen Inhalt anzuzeigen.

Nachdrucke und Genehmigungen

Genehmigung beantragen, um den Text oder die Abbildungen dieses JoVE-Artikels zu verwenden

Genehmigung beantragen

Schlagwörter

KI medizinische BildgebungMaschinelles Lernen im GesundheitswesenLungenkrebsklassifizierungBildgebungsrobustheitDiagnostische GenauigkeitMedizinisches BildrauschenOnkologische Diagnostik

Verwandte Artikel