基于机器学习的低剂量胸部CT肺结节分类和预后随访的研究
目的 研究基于机器学习的影像组学方法对胸部低剂量CT(LDCT)图像中肺结节进行分类并预测随访过程中形态变化的可行性.方法 建立两个回顾性队列,采集LDCT图像和肺CT筛查报告和数据系统(Lung-RADS)结构式报告中结节大小、位置、性质,随访过程中形态变化等信息,用于建模.在队列1中,首先使用深度学习算法在718个连续病例中检出肺结节,经专家清洗后得到有效直径为4～20 mm的肺结节,分为实性结节(n=317)、纯磨玻璃结节(n=185)、混合型磨玻璃结节(n=57)和钙化结节(n=128).利用梯度提升树(GBDT)算法进行肺结节分类建模,通过交叉验证算法选择最优的GBDT分类器建模参数,然后利用最优参数建立肺结节分类模型,并验证其效能.在队列2中,仅选择初诊患者LDCT中结节分类最高为Lung-RADS 3类的病例(n=116),在12个月内再次行LDCT检查,且部分进行了＞12个月的随访.根据随访结果将Lung-RADS 3类结节分为:有风险的活动性结节(n=56)和无风险的非活动性结节(n=60).利用多变量非平衡调整逻辑回归算法(IALR)进行肺结节生长预测建模,并验证其效能.结果 基于影像组学特征根据GBDT算法建立肺结节分类模型,平均ROC曲线下面积(AUC)为0.80(纯磨玻璃结节AUC=0.91,钙化结节AUC=0.90,实性结节AUC=0.81,混合型磨玻璃结节AUC=0.57).预测Lung-RADS 3类肺结节变化的模型,其ROC曲线AUC为0.69,敏感性、特异性及准确性分别为62.3％、64.1％和62.6％.结论 基于机器学习的LDCT肺结节分类有较高的准确性,对Lung-RADS 3类结节预后随访的效能仍需进一步研究.
肺CT筛查报告和数据系统、机器学习、影像组学、随访、结构式报告
39
R814.42;R734.2;TL72
2021-05-11（万方平台首次上网日期，不代表论文的发表时间）
共5页
1962-1966
