论文部分内容阅读
目的:利用人工智能深度学习算法回顾性对胸部CT上表现为肺结节的良恶性质进行预测性诊断,旨在尝试建立肺结节定性诊断的辅助诊断模型,以实现肺结节的智能化快速和准确诊断,为临床提供一种现代化、智能化辅助诊断方法。方法:本研究回顾性收集2013年1月至2017年12月以大连大学附属中山医院为主的多家三甲医院行胸部CT发现肺结节的患者997例,共计肺结节数目为1177个,全部肺结节均经过手术病理证实或临床治疗随访证实,其中恶性结节763个(占64.8%),良性结节414个(占35.2%)。男性410例(占41.1%),女性587例(占58.9%),年龄范围23~91岁,平均年龄(61.3±10.7)岁。首先,由两名受过训练的住院医师将全部目标结节标注出来,随机抽取957个结节作为训练组,剩余220个结节作为测试组。然后采用一种融合卷积神经网络与长短时记忆型递归神经网络的方法训练模型。为了提升模型的泛化能力,对训练组进行了数据增强。最后将训练得到的模型在测试组中测试,得出模型对CT检出的肺结节良恶性的鉴别准确率、精确率、召回率和F-Score,并计算相应的ROC曲线下面积(AUC)。另由高年资影像诊断医师采用盲法进行阅片,对测试组220个结节进行良恶性诊断。采用SPSS 20.0统计学软件进行统计分析和处理,用ROC曲线分析人工智能模型与影像医师对肺结节良恶性预测和诊断的效能,以AUC代表其诊断效能;检验水准设定为α=0.05,以P<0.05认为差异具有统计学意义。结果:本研究利用深度学习算法对全部1177个肺结节进行特征提取,并建立与改进了基于ResNet的3D U-Net模型。在测试组140个恶性肺结节中,模型成功预测出其中130个肺结节为恶性,占92.9%,有10个误诊为良性,占7.1%;在80个良性肺结节中,模型成功预测出其中56个肺结节为良性,占70.0%;有24个误诊为恶性,占30.0%。若以恶性肺结节为阳性标准,模型的诊断准确率为84.5%,精确度为84.4%,相应敏感度和特异度分别为92.9%、70.0%,假阳性率为30.0%,召回率为92.9%,F-Score为0.88。通过调整判别阈值参数得到对应的真阳性率和假阳性率,绘制成ROC曲线,计算曲线下面积得到分类器的AUC值为0.84。当判定肺结节良恶性的阈值为0.52时,诊断率最高,可达84.5%。本研究中高年资影像医师对测试组220个肺结节进行鉴别诊断,在全部140个恶性肺结节中,正确诊断出其中118个肺结节为恶性,占84.3%,有22个被误诊为良性结节,占15.7%;在80个良性肺结节中,正确诊断出其中60个肺结节为良性,占75.0%;有20个被误诊为恶性结节,占25.0%。同样以恶性肺结节为阳性标准,影像医师的诊断准确率为81.0%,精确度为85.5%,相应敏感度和特异度分别为84.3%、75.0%,假阳性率为25.0%,召回率为84.3%,F-Score为0.85。结论:1.本研究证实,基于人工智能的深度学习算法,采用改进后的3D U-Net结构模型对较大样本量的肺结节进行良恶性鉴别诊断的预测是可行和有效的,并具有较高的诊断准确率与敏感度。2.本研究表明,该模型预测肺结节良恶性的准确率可达84.5%,尤其对恶性肺结节的预测准确率高达92.9%,已高出具有十年工作经验的影像诊断医师的水平,有望成为未来对肺结节良恶性预测及鉴别诊断得力的辅助诊断系统。