Artificial intelligence to predict nodule disappearance in lung cancer screening
| Promotie: | J. Wang |
| Wanneer: | 27 mei 2025 |
| Aanvang: | 11:00 |
| Promotors: | prof. dr. R. (Rozemarijn) Vliegenthart, prof. dr. ir. P.M.A. (Peter) van Ooijen |
| Waar: | Academiegebouw RUG |
| Faculteit: | Medische Wetenschappen / UMCG |
AI voorspelt het verdwijnen van knobbeltjes bij longkankerscreening
Dit proefschrift van Jingxuan Wang onderzoekt de toepassing van machine learning en deep learning-technieken om het verdwijnen van longnoduli te voorspellen met behulp van real-world beeldvormingsdata.
Hoofdstuk 1 introduceert de onderzoeksachtergrond en geeft een overzicht van de structuur van het proefschrift. Hoofdstuk 2 presenteert een praktische, stapsgewijze AI-workflow voor het werken met een dataset met longnoduli, met codevoorbeelden en richtlijnen voor onderzoekers, clinici en technici.
Hoofdstukken 3 tot en met 5 ontwikkelen voorspellende modellen voor het verdwijnen van onbepaalde longnoduli (IPN's). Hoofdstuk 3 onderzoekt machine learning-benaderingen met behulp van demografische en radiologische kenmerken uit de NELSON-dataset. Van de geteste modellen behaalde een random forest de beste prestaties met een AUC van 0,865. Analyse van kenmerkbelangrijkheid identificeerde volume, maximale diameter en minimale diameter als de meest invloedrijke variabelen.
Hoofdstuk 4 richt zich op deep learning-modellen die zijn getraind met beeldvormende en niet-beeldvormende kenmerken uit de ImaLife-dataset. De resultaten toonden aan dat modellen met alleen beeldvorming vergelijkbaar presteerden met modellen die demografische informatie integreerden, wat duidde op een beperkte toegevoegde waarde van niet-beeldvormende data. Uitlegtools bevestigden dat beeldvormende kenmerken de belangrijkste drijfveren waren voor de modelprestaties.
Hoofdstuk 5 introduceert een multi-view deep learning-model dat meerdere ruimtelijke perspectieven van nieuwe IPN's integreert. Dit model presteerde beter dan alle single-view-benaderingen op de NELSON-dataset en behaalde een AUC van 0,81. Uitlegbare heatmaps brachten de meest voorspellende beeldgebieden verder in beeld.
Tot slot vat hoofdstuk 6 de bevindingen samen, bespreekt de klinische relevantie ervan en schetst toekomstige onderzoeksrichtingen voor het verbeteren van voorspellende modellering in pulmonale beeldvorming.