10.3760/cma.j.issn.1005?1201.2019.11.006
利用深度学习模型判断基线胸部平扫CT肺结节的良恶性
基于深度学习肺结节良恶性鉴别诊断模型,探讨基线胸部平扫CT对肺结节良恶性的鉴别诊断价值.方法 回顾性连续纳入东部战区总医院2009年5月至2017年6月在胸部平扫CT上表现为肺结节且有病理证实的130例患者,共纳入136个结节,其中恶性结节86个,良性结节50个.所有患者至少有2次及以上随访胸部平扫CT检查,其中第1次检查为基线检查,病理前最后1次检查为最终检查.使用Dr.Wise Lung Analyzer中基于细粒度特征的深度学习良恶性鉴别诊断模型对肺结节的良恶性进行判断.绘制深度学习模型的ROC,计算曲线下面积(AUC),采用Delong检验比较模型在基线和最终检查的AUC.根据结节的密度对结节进行分组,其中亚实性结节(纯磨玻璃和混合磨玻璃结节)87个,实性结节49个.分别计算两组内,模型在基线和最终检查的AUC差异.结果采用深度学习模型判断结节良恶性,最终检查AUC为0.876,基线检查AUC为0.819,两者差异无统计学意义(P=0.075).对长径≤10 mm的肺小结节,深度学习模型在最终检查AUC为0.847,在基线检查AUC为0.734,最终检查优于基线检查,但两者差异没有统计学意义(P=0.058).对于实性结节,深度学习模型在最终检查的AUC(0.932)优于基线检查的AUC(0.835),但两者之间差异没有统计学意义(P=0.066).对于亚实性结节,深度学习模型在最终检查的AUC(0.759)和基线检查的AUC(0.728)相仿,两者之间差异没有统计学意义(P=0.580).结论 基于胸部平扫CT的深度学习模型可以在基线判断肺结节包括小结节的良恶性,对于亚实性结节的判断在基线检查和随访最终检查的效能更接近.
肺结节、深度学习、随访
53
R734.2;R445.3;R581
2020-04-29(万方平台首次上网日期,不代表论文的发表时间)
共6页
957-962