CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images

准确诊断肺癌病理亚型对后续治疗和预后管理至关重要。利用深度学习技术的评估方法为临床诊断引入了新的方法。然而，现有模型大多仅依赖于单模态图像输入，导致诊断准确性有限。为此，我们提出了一种新型的深度学习网络，旨在使用多维和多模态图像（即CT和病理图像）准确分类肺癌亚型。该模型的优势在于其能够动态处理成对的CT-病理图像集以及独立的CT图像集，并因此优化从CT图像中提取与病理相关的特征。这种自适应学习方法增强了处理多维和多模态数据集的灵活性，并在模型测试阶段提高了性能。我们还开发了一个对比约束模块，通过网络训练量化跨模态关联，从而有助于从相应的CT扫描中探索“黄金标准”的病理信息。为评估我们的模型的有效性、适应性和泛化能力，我们在大规模的多中心数据集上进行了广泛的实验，并将我们的模型与一系列最先进的分类模型进行了比较。实验结果证明了我们的模型在肺癌亚型分类方面的优越性，展示了在准确度指标（如ACC、AUC和F1-score）方面的显著提高。

论文旨在解决肺癌亚型的准确诊断问题，利用多维度和多模态图像进行分类。现有的模型仅依赖于单一模态的图像输入，导致诊断准确性有限。

论文提出了一种新的深度学习网络，能够动态处理配对的CT-病理图像集以及独立的CT图像集，并从中优化与病理相关的特征提取。该自适应学习方法增强了处理多维度和多模态数据集的灵活性，并在模型测试阶段提高了性能表现。

论文开发了对比约束模块，通过网络训练量化跨模态关联，从相应的CT扫描中探索“黄金标准”病理信息。在大规模多中心数据集上进行了广泛的实验，与一系列最先进的分类模型进行了比较，证明了该模型在肺癌亚型分类方面的优越性。

最近的相关研究包括：1. “Multi-Modal and Multi-Scale Deep Feature Learning for Pancreatic Cancer Classification”；2. “A Deep Learning Framework for Automatic Diagnosis of Pulmonary Nodules in CT Images”；3. “Lung Cancer Classification Using Deep Learning with CT Images”