10.3760/cma.j.cn112137-20230726-01230
基于近红外自体荧光显像的卷积神经网络在甲状旁腺识别中的应用
目的:探讨基于近红外自体荧光显像的卷积神经网络(CNN)自动识别甲状旁腺的应用价值。方法:回顾性分析2020年8月至2022年3月在首都医科大学附属北京同仁医院耳鼻咽喉头颈外科接受甲状腺乳头状癌手术的83例患者临床资料,收集其术中甲状旁腺自体荧光图像共725幅,同时收集其中10例患者术区的非甲状旁腺荧光显像视频,截取非甲状旁腺荧光图像共928幅。将甲状旁腺及非甲状旁腺的荧光图像直接作为深度学习的输入特征,构建用于自动识别甲状旁腺的ResNet 34、VGGNet 16及GoogleNet模型。通过准确率、特异度、灵敏度、精确率、受试者工作特征曲线下面积(AUC)评估不同模型识别甲状旁腺的能力。另外,采集2022年3至5月行甲状腺手术13例患者的甲状旁腺荧光图像30幅,非甲状旁腺荧光图像35幅,对表现最好的CNN模型进行前瞻性测试。结果:83例患者中,男25例,女58例,年龄(46.7±12.4)岁。在二分类(甲状旁腺、非甲状旁腺)中,ResNet 34模型在不同的CNN模型中表现最好,识别甲状旁腺的准确率、特异度、灵敏度及精确率分别为97.6%、96.3%、99.3%及95.5%,AUC达到0.978(95%
CI:0.956~0.991)。前瞻性测试中ResNet 34模型预测准确率达到93.8%,AUC为0.938(95%
CI:0.853~0.984)。
结论:基于近红外自体荧光显像的深度CNN在自动识别甲状旁腺中具有良好的应用价值,可用于辅助甲状腺癌手术中甲状旁腺的识别和保护。
甲状腺肿瘤、甲状旁腺、近红外自体荧光显像、深度学习
103
首都卫生发展科研专项2022-2-2059;Special Scientific Research Project of Capital Health Development2022-2-2059
2024-01-30(万方平台首次上网日期,不代表论文的发表时间)
共6页
3193-3198