基于深度学习和图像融合诊断甲状腺结节良恶性的研究
目的 设计一种基于甲状腺超声图像深度学习的人工智能模型,对比设计的模型同目前主流人工智能诊断模型、超声科专家诊断甲状腺结节的价值.方法 收集行手术治疗的2 421例甲状腺肿瘤患者的术前超声图像共3493张;对图片进行预处理后,随机选取2591张图像通过重采样和图像融合技术作为人工智能模型训练集,288张图像作为验证集,614张图像作为测试集.以术后病理结果为金标准,统计分析主流的DenseNet、VGGNet、ResNet、改进的ResNet模型、超声科专家诊断甲状腺结节良恶性的准确性、敏感度、特异度、受试者工作特征(ROC)曲线下面积(AUC).结果 DenseNet模型诊断甲状腺结节准确性为73.1％、敏感度为61％、特异度为81％、阳性预测值0.79、阴性预测值0.67,AUC为0.79;VGGNet模型诊断甲状腺结节准确性为73.6％、敏感度为67％、特异度为78％、阳性预测值0.78、阴性预测值0.65,AUC为0.80;ResNet模型诊断甲状腺结节准确性为72.3％、敏感度为68％、特异度为75％、阳性预测值0.77、阴性预测值0.63,AUC为0.81;改进的ResNet模型组诊断甲状腺结节准确性为74.4％、敏感度为65％、特异度为81％、阳性预测值0.80、阴性预测值0.68,AUC为0.82.超声科专家诊断甲状腺结节准确性为84％、敏感度为78％、特异度为90％、阳性预测值0.90、阴性预测值0.78,AUC为0.89.结论 通过重采样和图像融合技术,研究设计的模型对甲状腺结节的诊断效能高于基线模型,且优于主流模型,对比超声科专家诊断效能仍有不足,需要持续改进.
人工智能、甲状腺结节、超声图像
43
R581;R445(内分泌腺疾病及代谢病)
广东省基础与应用基础研究基金项目2020B1515020048
2022-11-04（万方平台首次上网日期，不代表论文的发表时间）
共5页
925-929
