10.13267/j.cnki.syzlzz.2021.050
三维卷积神经网络预测肺腺癌患者肺CT内并发结节属性
目的 比较基于三维卷积神经网络(three-dimensional convolution neural network,3D CNN)的计算机辅助检测(computer aided diagnosis,CAD)模型的检测性能与具有良好经验水平的放射科医师(三级检测)在薄层CT上检测肺腺癌患者肺内并发的肺结节的预测效能.方法 该三维模型系统回顾性分析1800例在多个机构接受薄层CT并有明确病理结果的患者进行建模,并对结节预测的3D CNN模型进行重新培训,并辅以专家增强.依托病理结果并由放射科医师及临床医师组成的协商一致小组进行再标注,进行深度学习后对模型再优化而得出.选取2015年至2018年在包头市肿瘤医院初治的肺腺癌患者238例,筛选其中拥有并发肺结节的患者,每例患者选取特征性结节1~3枚(不包含原发灶)进行测试.拥有结节病理检测结果或经临床医师治疗后确认结节性质的患者共74例,结节数量171枚.利用该3D CNN系统检测以上结节的属性.后期可利用该系统的回溯对照功能管理评估肺腺癌患者的治疗及预后.测试组中,人工智能(artificial intelligence,AI)截断组使用改进后的3D CNN系统进行结节属性预测,测试重新训练的CAD模型的检测性能.人工组使用人工判定模拟正常三级放射科医师CT检查报告模式检测该结节属性的检测性能.最终比较二组结节属性预测的敏感度、特异度、接收者操作特征(receiver operating characteristic,ROC)曲线及ROC曲线下面积(area under curve,AUC).结果 再训练CAD模型检测性能比放射科医师具有更好的预测性能(敏感度:89.57%vs 76.07%;特异度:86.79%vs 77.78%;AUC:0.887 vs 0.769,P=0.012).人工联合AI对肺腺癌内并发结节的预测结果的敏感度为91.3%,特异度为88.68%,AUC为0.943.结论 重新训练的基于3D CNN的CAD模型是预测肺腺癌内并发肺结节性质以供后续管理的准确有效工具.
肺腺癌、肺结节、计算机辅助检测、计算机断层扫描、三维卷积神经网络
36
TP391.41;TP183;R445
吴阶平医学基金会临床科研专项320.6750.2020-19-37
2021-06-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
240-246