论文部分内容阅读
目的通过应用基于深度学习的人工智能辅助诊断系统评估不同病理分类肺腺癌间CT形态学征象、定量参数及预测得分的差异,分析系统对直径≤3cm肺腺癌病理分类的应用价值并评价其预测表现。方法回顾性分析713例经病理证实且病灶直径≤3cm的肺腺癌患者的CT图像,按照2:1的比例随机分为训练组和验证组,各476例、237例。按照病理类型分为浸润前病变(AAH及AIS)、微浸润腺癌(MIA)及浸润性腺癌(IAC)三组。采用Discovery CT750扫描机进行低剂量胸部平扫,将扫描图像行1.25mm薄层重建后上传至PACS系统。采用融合全卷积网络(FCN)、端到端的目标检测模型(SSD)与长短期记忆网络模型(LTSM)的两阶段级联3D-CNN模型。由3名高年资影像医师共同标注476例训练组病例的CT形态学特征,并根据肺腺癌的浸润程度划分4个等级。训练深度学习模型并利用237例验证组数据测试该模型,分析验证组病灶的CT形态学征象,并自动测算出病灶的CT定量参数,包括:结节三维最大长径、短径、体积以及最大CT值、最小CT值、平均CT值。按2-5级评分对肺腺癌病理类型进行预测,比较各组间参数差异。多组间比较差异采用单因素方差分析LSD-t法,计数资料的分析采用χ2检验或Fisher确切概率法。绘制ROC曲线,计算曲线下面积(AUC),分析各个指标诊断效能,并确立最佳诊断阈值。结果在三组不同病理分类肺腺癌之间的CT定量参数中,AI测算的三维最大长短径、体积、最大CT值、平均CT值及预测得分差异均有统计学意义(P<0.05),最小CT值差异无统计学意义(P>0.05);三组不同病理分类肺腺癌之间的CT形态学征象中,AI测算的分叶征、毛刺征、血管集束征、胸膜凹陷征差异均有统计学意义(P<0.05),空泡征在三组间差异无统计学意义(P>0.05);以AI预测得分>3.5分作为诊断浸润性病变(包括微浸润腺癌、浸润性腺癌)的临界点,曲线下面积(AUC)=0.873,诊断敏感度81.9%,特异度84.4%;此外三维最大长径、短径、体积、最大CT值及平均CT值的AUC值分别为0.873,0.890,0.879,0.892,0.805,0.719,均具有良好的诊断效能。结论基于深度学习的人工智能辅助诊断系统对鉴别≤3cm肺腺癌的病理类型具有一定预测价值,且具有较好的可重复性,可有效提高肺腺癌病理分类的准确性。