СРАВНЕНИЕ ЭФФЕКТИВНОСТИ ТРАДИЦИОННЫХ МЕТОДОВ ДИАГНОСТИКИ И МОДЕЛЕЙ ГЛУБОКОГО ОБУЧЕНИЯ ПРИ ОБНАРУЖЕНИИ РАКА ЛЕГКИХ НА КТ-СНИМКАХ

COMPARISON OF THE EFFECTIVENESS OF TRADITIONAL DIAGNOSTIC METHODS AND DEEP LEARNING MODELS IN DETECTING LUNG CANCER ON CT SCANS

Ilya Kolosov

student, Department of Digital Technologies for Transport Process Management, Russian University of Transport (RUT (MIIT)),

Russia, Moscow

Kamilla Dzhakhangirova

student, Department of Digital Technologies for Transport Process Management, Russian University of Transport (RUT (MIIT)),

Russia, Moscow

АННОТАЦИЯ

Рак легких остается одной из ведущих причин смертности от онкологических заболеваний. Ранняя диагностика критически важна для повышения выживаемости пациентов. В работе проведено сравнительное исследование эффективности традиционных методов анализа КТ-снимков (визуальная оценка рентгенологов и полуавтоматические алгоритмы) и современных моделей глубокого обучения (CNN, трансформеры). Результаты демонстрируют превосходство глубокого обучения по ключевым метрикам (точность: 94% vs. 86%, чувствительность: 92% vs. 78%), однако подчеркивают необходимость интеграции подходов для клинического применения.

ABSTRACT

Lung cancer remains one of the leading causes of cancer-related mortality. Early diagnosis is crucial for improving patient survival rates. This study conducted a comparative analysis of the effectiveness of traditional CT image analysis methods—such as visual assessment by radiologists and semi-automated algorithms—versus modern deep learning models (CNNs, transformers). The results demonstrate the superiority of deep learning in key metrics (accuracy: 94% vs. 86%; sensitivity: 92% vs. 78%), yet highlight the necessity of integrating these approaches for clinical application.

Ключевые слова: рак легких, компьютерная томография, глубокое обучение, диагностика, сверточные нейронные сети.

Keywords: lung cancer, computed tomography (CT), deep learning, diagnosis, convolutional neural networks (CNNs).

Введение

Рак легких ежегодно уносит более 1,8 млн жизней, при этом 5-летняя выживаемость на ранних стадиях достигает 56%, против 5% на поздних. Компьютерная томография (КТ) — золотой стандарт скрининга, но визуальный анализ снимков рентгенологами подвержен субъективности (межэкспертная вариативность до 32%) и требует значительного времени. Полуавтоматические алгоритмы, основанные на анализе морфологии узлов (размер, плотность, текстура), улучшают воспроизводимость, но обладают низкой чувствительностью к малым (<6 мм) и субплевральным образованиям.

Модели глубокого обучения (DL), особенно сверточные нейронные сети (CNN), революционизируют анализ медицинских изображений. Однако их внедрение в клинику требует строгой валидации против традиционных методов. Цель работы — сравнительный анализ эффективности DL-моделей и классических подходов в задаче обнаружения легочных новообразований на КТ.

Материалы и методы

Наборы данных:

• LIDC-IDRI: 1018 КТ-исследований с аннотациями от 4 экспертов.
• LUNA16: подвыборка LIDC-IDRI с предобработанными 3D-срезами и размеченными узлами.
• Данные разделены на тренировочные (70%), валидационные (15%), тестовые (15%).

Традиционные методы:

1. Визуальная оценка:

• Анализ рентгенологами по критериям Fleischner Society (размер, форма, кальцификация).
• Использованы оценки 3 независимых экспертов.

2. Полуавтоматические алгоритмы:

• Сегментация узлов методом регионарного роста с пороговой фильтрацией.
• Классификация по морфологическим признакам (площадь, компактность, интенсивность).

Модели глубокого обучения

• Архитектуры:

• 3D U-Net: для сегментации узлов.
• EfficientNet-B4: классификация доброкачественных/злокачественных
• образований.
• Vision Transformer (ViT): обработка патчей 16×16×16 вокселей.

• Обучение:

• Аугментация данных (повороты, шум Гаусса).
• Оптимизатор Adam, скорость обучения 1e-4, кросс-энтропийная потеря.

Метрики оценки

• Чувствительность (Sensitivity), Специфичность (Specificity), F1-score, AUC-ROC.
• Время обработки одного исследования (среднее ± SD).

Результаты

Таблица 1.

Сравнение эффективности методов диагностики рака легких

Рисунок 1. Сравнение точности методов диагностики

Рисунок 2. Чувствительность и специфичность методов

Рисунок 3. Время обработки одного исследования

Рисунок 4. Сравнение AUC-ROC для всех методов

• Глубокое обучение превзошло традиционные методы по всем метрикам (, t-тест).
• Наибольший прирост чувствительности (+14%) достигнут для узлов <6 мм.
• ViT показал сопоставимую с CNN эффективность, но требовал на 40% больше данных для обучения.

Точность DL-моделей объясняется способностью выявлять сложные паттерны (неоднородность текстуры, микрокальцификации), неочевидные для человека.

Ложноположительные срабатывания у DL (5-7%) связаны с артефактами движения и фиброзными изменениями.

Ограничения:

• Для обучения ViT требовалось >1000 аннотированных исследований.
• "Черный ящик" DL осложняет интерпретацию решений.

DL-модели целесообразно использовать как второй читатель для сокращения времени диагностики.

Критически важна интеграция с традиционными методами (например, CADe-системы с подсказками для рентгенолога).

Выводы

Модели глубокого обучения демонстрируют статистически значимое превосходство над традиционными методами в задаче обнаружения рака легких на КТ. Однако их внедрение требует решения проблем объяснимости и адаптации к клиническим workflow. Перспективным направлением является разработка гибридных систем, сочетающих скорость DL и экспертный контроль.

Список литературы:

1. Ardila D. et al. // Nature Medicine. 2019. – P.67-91.
2. National Lung Screening Trial Research Team // NEJM. 2011. – P.15-19.
3. Ronneberger O. et al. // MICCAI. 2015. – P.112-120.