10.16016/j.2097-0927.202307139
基于胸部CT图像的肺炎深度学习分类预测模型
目的 建立基于胸部CT图像的AI模型,实现对细菌、真菌、病毒性(包括COVID-19)肺炎的快速分类预测.方法 回顾性收集2013-2020年就诊于陆军军医大学附属第一医院的559例细菌性、真菌性及非COVID-19病毒性肺炎患者及2020年就诊于重庆大学附属三峡医院的53例COVID-19患者的影像资料,首先利用Resnet_18、Efficientnet_b5、ViT、Swin-Transformer等4种典型的深度神经网络构建图像级三分类及四分类预测模型,在独立测试集中进行验证选出最优模型;然后分析采用单张图像和3张图像融合构建数据集对模型的影响;最后分别使用按图像类别占比投票及随机森林2种方法进行患者级分类预测.使用精确率、召回率、特异性、F1值、AUC、准确率评估模型效能,最终筛选出表现最优的AI预测模型.结果 在图像级分类中Swin-Transformer模型表现最佳,三分类准确率为0.932,四分类准确率为0.948.测试Swin-Transformer模型分别采用单张图像和3张图像融合构建数据集的效果,采用融合图像的Swin-Transformer_C模型效能进一步提升,在测试集中三分类准确率和AUC值分别为0.931、0.989,四分类准确率和AUC值分别为0.952、0.990.使用Swin-Transformer_C模型进行患者级分类,采用随机森林的方法预测效能更佳,三分类准确率和AUC值分别为0.984、0.987,四分类准确率和AUC值分别为0.967、0.971.Resnet_18、Efficientent_b5、Vit等3种网络也取得了较好的效果,但总体效能低于Swin-Transformer网络.结论 基于融合数据建立的深度学习模型Swin-Transformer_C与其他4种模型相比在图像级分类中效果最佳,其融合随机森林分类器在患者级分类中也取得最优性能.表明深度学习可用于不同病原体感染所致肺炎类型的快速分类预测.
肺炎、新型冠状病毒肺炎、人工智能、深度学习、预测模型
45
R319;R563.1;R814.42(医用一般科学)
2023-11-22(万方平台首次上网日期,不代表论文的发表时间)
共9页
2266-2274