DOI: https://doi.org/10.3389/fmed.2026.1773338
PMID: https://pubmed.ncbi.nlm.nih.gov/41982549
تاريخ النشر: 2026-03-30
المؤلف: Yuxin Liu وآخرون
الموضوع الرئيسي: الذكاء الاصطناعي في اكتشاف السرطان
نظرة عامة
في هذا البحث، يتناول المؤلفون القضية الحرجة لتشخيص سرطان الرئة في مراحله المتأخرة، والذي يرتبط بمعدل بقاء لمدة 5 سنوات لا يتجاوز 8%. يبرزون إمكانية استخدام الأشعة المقطعية منخفضة الجرعة (LDCT) للكشف المبكر، مشيرين إلى أن معدلات البقاء يمكن أن تتجاوز 90% للمرضى الذين تم تشخيصهم في المرحلة الأولى. يقدم البحث LNMSNet، نموذجًا جديدًا مصممًا للتجزئة المشتركة وتصنيف الخباثة للعقيدات الرئوية، والتي تعتبر المقدمات الأساسية لسرطان الرئة. يستخدم LNMSNet بنية مشفرة-مفككة على شكل حرف U مع هيكل أساسي من ResNet-18 ويتميز بوحدة MSConv مبتكرة تستخدم التلافيف المتعددة المقاييس المتوازية لتعزيز كل من الملمس الدقيق والسياق العالمي، مما يحسن دقة الحدود وثبات الحجم.
تم التحقق من فعالية LNMSNet باستخدام مجموعة بيانات خارجية متعددة المراكز تتكون من 220 صورة CT من مستشفيين من الدرجة الثالثة. أظهرت النتائج أن LNMSNet تفوق على النماذج الأخرى متعددة المهام في كل من مهام التجزئة والتصنيف، مما يظهر قابلية عامة مستقرة عبر مؤسسات مختلفة. تشير النتائج إلى أن نهج LNMSNet في استخراج الميزات متعددة المقاييس وتحسين المهام المشتركة يعزز بشكل كبير دقة توصيف العقيدات الرئوية، مما قد يؤدي إلى تحسين الكشف المبكر ونتائج العلاج لسرطان الرئة.
مقدمة
تسلط مقدمة ورقة البحث الضوء على العبء العالمي الكبير لسرطان الرئة، الذي يشكل 12.4% من حالات السرطان الجديدة و18.7% من الوفيات المرتبطة بالسرطان، مع معدل بقاء صارخ لمدة 5 سنوات لا يتجاوز 8% للمراحل المتقدمة. يمكن أن يحسن الكشف المبكر من خلال الفحص المنهجي، وخاصة باستخدام الأشعة المقطعية منخفضة الجرعة (CT)، معدلات البقاء للمرضى في المرحلة الأولى إلى 90.4%. ومع ذلك، فإن التفسير اليدوي للعقيدات الرئوية لا يزال يمثل تحديًا بسبب حجمها الصغير غالبًا وخصائصها الغامضة، مما يؤدي إلى تباين بين القراء بين أطباء الأشعة.
لمعالجة هذه التحديات، يناقش البحث دمج التعلم العميق في التشخيص بمساعدة الكمبيوتر (CAD) للعقيدات الرئوية، مع عرض دراسات مختلفة تظهر فعالية خوارزميات التعلم العميق في الكشف عن العقيدات، والتجزئة، والتصنيف. على الرغم من هذه التقدمات، فإن الأنظمة الحالية عادة ما تكون محسّنة لمهام فردية، مما يحد من فعاليتها. يقترح المؤلفون شبكة جديدة متعددة المهام ثلاثية الأبعاد، LNMSNet، مصممة لتجزئة وتصنيف العقيدات الرئوية بشكل مشترك من خلال استخدام بنية مشفرة-مفككة على شكل حرف U مع وحدة تلافيف متعددة المقاييس (MSConv) لتعزيز استخراج الميزات. تم التحقق من النموذج على مجموعة بيانات تتكون من 220 صورة CT سريرية، متفوقًا على النماذج الأخرى متعددة المهام ومظهرًا أداءً قويًا عبر إعدادات سريرية مختلفة. تشمل المساهمات الرئيسية لهذا العمل تطوير شبكة متعددة المهام من البداية إلى النهاية، وتقديم وحدة MSConv لتحسين دمج الميزات، والتحقق الخارجي الذي يؤكد قابلية تعميم النموذج.
الطرق
في هذا القسم، يوضح المؤلفون منهجيتهم لتقييم أداء نموذجهم المقترح، LNMSNet، مقابل أربعة شبكات رائدة في التعلم متعدد المهام: DeepTAAD، CmsVNet، MTAF-Net، وMA-MTLN. تشير النتائج، المعروضة في الجدول 5، إلى أن LNMSNet تفوق على جميع المنافسين في مهمة التجزئة، محققًا معامل DICE الذي تجاوز تلك النماذج الأخرى بفارق 6.83% عن DeepTAAD، و4.73% عن CmsVNet، و5.08% عن MTAF-Net، و3.26% عن MA-MTLN. بالإضافة إلى ذلك، احتل LNMSNet المرتبة الأولى باستمرار عبر جميع مقاييس التجزئة.
في مهمة التصنيف، أظهر LNMSNet أيضًا أداءً متفوقًا، مع دقة (ACC) تفوقت على الطرق المنافسة بفارق 4.84% مقارنة بـ DeepTAAD، و3.56% مقارنة بـ CmsVNet، و3.44% مقارنة بـ MTAF-Net، و2.04% مقارنة بـ MA-MTLN. بينما أظهر LNMSNet خصوصية أقل قليلاً (88.34% مقابل 88.98% لـ CmsVNet)، إلا أنه أظهر مزايا ملحوظة في الحساسية والدقة ودرجة F1. بشكل عام، تؤكد هذه النتائج فعالية LNMSNet وتفوقه كإطار عمل متكامل للتعلم متعدد المهام، متفوقًا في مقاييس التجزئة والتصنيف الرئيسية.
المناقشة
في قسم المناقشة من ورقة البحث، يتم تحليل مختلف الأساليب لتجزئة وتصنيف العقيدات الرئوية في صور الأشعة المقطعية بشكل نقدي. كانت طرق التجزئة المبكرة، مثل تحديد العتبات واكتشاف الحواف، تعاني من الضوضاء وكانت تتطلب ضبطًا يدويًا مكثفًا. لقد استفادت التقدمات الحديثة من التعلم العميق، مع نماذج مثل تلك التي قدمها ليو وآخرون، التي تستخدم معلومات متعددة الرؤى ومتعددة المقاييس لتعزيز دقة التصنيف. من الجدير بالذكر أن دمج التسميات التي أعدها الأطباء مع تمثيلات التعلم العميق قد أسفر عن تحسين مقاييس الأداء، مثل المساحة تحت المنحنى (AUC). ومع ذلك، غالبًا ما تركز النماذج الحالية على المهام الفردية، متجاهلة الفوائد المحتملة للتعلم متعدد المهام (MTL)، الذي يمكن أن يعزز الدقة والتعميم من خلال مشاركة تمثيلات الميزات عبر المهام.
يقدم البحث LNMSNet، شبكة جديدة متعددة المهام ثلاثية الأبعاد موجهة بالاهتمام مصممة لمعالجة قيود النماذج السابقة. يستخدم LNMSNet بنية مشفرة-مفككة مع فرع تصنيف يدمج الميزات عالية المستوى ويستخدم آليات الانتباه لتعزيز تمثيل الميزات. يتضمن النموذج انتباهًا دلاليًا عالميًا (GSA) وتلافيف متعددة المقاييس (MSConv) لتحسين تدفق الميزات والتقاط المعلومات السياقية عبر مقاييس مختلفة، مما يحسن الحساسية تجاه العقيدات ذات الأحجام المختلفة. يتم تقييم الإطار المقترح على مجموعات بيانات متعددة، مما يظهر أداءً متفوقًا في كل من مهام التجزئة والتصنيف مقارنةً بالطرق الحديثة، مما يبرز فعاليته في معالجة تحديات تحليل العقيدات الرئوية في الإعدادات السريرية.
DOI: https://doi.org/10.3389/fmed.2026.1773338
PMID: https://pubmed.ncbi.nlm.nih.gov/41982549
Publication Date: 2026-03-30
Author(s): Yuxin Liu et al.
Primary Topic: AI in cancer detection
Overview
In this research, the authors address the critical issue of late-stage lung cancer diagnosis, which is linked to a dismal 5-year survival rate of only 8%. They highlight the potential of low-dose computerized tomography (LDCT) scans for early detection, noting that survival rates can exceed 90% for patients diagnosed at stage I. The study introduces LNMSNet, a novel model designed for the joint segmentation and malignancy classification of pulmonary nodules, which are the primary precursors to lung cancer. LNMSNet employs a U-shaped encoder-decoder architecture with a ResNet-18 backbone and features an innovative MSConv module that utilizes parallel multiscale convolutions to enhance both fine-grained texture and global context, thereby improving boundary accuracy and size invariance.
The effectiveness of LNMSNet was validated using a multi-center external dataset comprising 220 CT scans from two tertiary hospitals. The results demonstrated that LNMSNet outperformed other multi-task models in both segmentation and classification tasks, showcasing stable generalizability across different institutions. The findings suggest that LNMSNet’s approach to multi-scale feature extraction and joint task optimization significantly enhances the accuracy of pulmonary nodule characterization, potentially leading to improved early detection and treatment outcomes for lung cancer.
Introduction
The introduction of the research paper highlights the significant global burden of lung cancer, which constitutes 12.4% of new cancer cases and 18.7% of cancer-related deaths, with a stark 5-year survival rate of only 8% for advanced stages. Early detection through systematic screening, particularly using low-dose computed tomography (CT), can dramatically improve survival rates for stage I patients to 90.4%. However, the manual interpretation of lung nodules remains challenging due to their often small size and ambiguous characteristics, leading to inter-reader variability among radiologists.
To address these challenges, the paper discusses the integration of deep learning in computer-aided diagnosis (CAD) for pulmonary nodules, showcasing various studies that demonstrate the efficacy of deep learning algorithms in nodule detection, segmentation, and classification. Despite these advancements, existing systems are typically optimized for single tasks, which limits their effectiveness. The authors propose a novel 3D multi-task network, LNMSNet, designed to jointly segment and classify lung nodules by employing a U-shaped encoder-decoder architecture with a multi-scale convolution module (MSConv) to enhance feature extraction. The model was validated on a dataset of 220 clinical CT scans, outperforming other multi-task models and demonstrating robust performance across different clinical settings. The key contributions of this work include the development of an end-to-end multi-task network, the introduction of the MSConv module for improved feature fusion, and external validation confirming the model’s generalizability.
Methods
In this section, the authors detail their methodology for evaluating the performance of their proposed model, LNMSNet, against four leading multi-task learning networks: DeepTAAD, CmsVNet, MTAF-Net, and MA-MTLN. The results, presented in Table 5, indicate that LNMSNet outperformed all competitors in the segmentation task, achieving a DICE coefficient that exceeded those of the other models by margins of 6.83% over DeepTAAD, 4.73% over CmsVNet, 5.08% over MTAF-Net, and 3.26% over MA-MTLN. Additionally, LNMSNet consistently ranked first across all segmentation metrics.
In the classification task, LNMSNet also demonstrated superior performance, with an accuracy (ACC) that surpassed the competing methods by 4.84% compared to DeepTAAD, 3.56% compared to CmsVNet, 3.44% compared to MTAF-Net, and 2.04% compared to MA-MTLN. While LNMSNet exhibited slightly lower specificity (88.34% vs. 88.98% for CmsVNet), it showed notable advantages in sensitivity, precision, and F1-score. Overall, these findings underscore LNMSNet’s effectiveness and superiority as an integrated multi-task learning framework, excelling in key segmentation and classification metrics.
Discussion
In the discussion section of the research paper, various approaches to pulmonary nodule segmentation and classification in CT images are critically analyzed. Early segmentation methods, such as thresholding and edge detection, struggled with noise and required extensive manual tuning. Recent advancements have leveraged deep learning, with models like those by Liu et al. utilizing multi-view and multi-scale information to enhance classification accuracy. Notably, the integration of clinician-curated labels with deep learning representations has yielded improved performance metrics, such as area under the curve (AUC). However, existing models often focus on singular tasks, neglecting the potential benefits of multi-task learning (MTL), which can enhance accuracy and generalization by sharing feature representations across tasks.
The paper introduces LNMSNet, a novel 3D multi-scale attention-guided multi-task network designed to address the limitations of previous models. LNMSNet employs an encoder-decoder architecture with a classification branch that integrates high-level features and utilizes attention mechanisms to enhance feature representation. The model incorporates Global Semantic Attention (GSA) and Multi-Scale Convolutions (MSConv) to optimize feature flow and capture contextual information across varying scales, thereby improving sensitivity to nodules of different sizes. The proposed framework is evaluated on multiple datasets, demonstrating superior performance in both segmentation and classification tasks compared to state-of-the-art methods, highlighting its effectiveness in addressing the challenges of pulmonary nodule analysis in clinical settings.