目的 探讨临床放射组学列线图(CRN)和深度学习卷积神经网络(DCNN)对非典型肺错构瘤(APH)和非典型肺腺癌(ALA)的鉴别诊断价值。方法 从两家医疗机构回顾性收集307例患者。机构1的患者按照7∶3的比例随机分为训练集(n=184:APH=97,ALA=87)...目的 探讨临床放射组学列线图(CRN)和深度学习卷积神经网络(DCNN)对非典型肺错构瘤(APH)和非典型肺腺癌(ALA)的鉴别诊断价值。方法 从两家医疗机构回顾性收集307例患者。机构1的患者按照7∶3的比例随机分为训练集(n=184:APH=97,ALA=87)和内部验证集(n=79:APH=41,ALA=38),机构2的患者作为外部验证集(n=44:APH=23,ALA=21)。分别建立CRN模型和DCNN模型,并采用德隆检验和受试者工作特性曲线(ROC)对两种模型的性能进行比较。通过人-机竞赛评估人工智能(AI)在肺结节Lung-RADS分类中的价值。结果 DCNN模型在训练集和内、外部验证集中的曲线下面积(AUC)均高于CRN模型(0.983 vs 0.968、0.973 vs 0.953、0.942 vs 0.932),但差异无统计学意义(P=0.23、0.31、0.34)。在放射科医师-AI竞争实验中,AI倾向于下调APH组中更多的Lung-RADS类别,并肯定ALA中更多的Lung-RADS类别。结论 DCNN及CRN在区分APH和ALA方面具有较高价值,前者表现更优;AI在评价肺结节的Lung-RADS分类方面优于放射科医师。展开更多
文摘目的 探讨临床放射组学列线图(CRN)和深度学习卷积神经网络(DCNN)对非典型肺错构瘤(APH)和非典型肺腺癌(ALA)的鉴别诊断价值。方法 从两家医疗机构回顾性收集307例患者。机构1的患者按照7∶3的比例随机分为训练集(n=184:APH=97,ALA=87)和内部验证集(n=79:APH=41,ALA=38),机构2的患者作为外部验证集(n=44:APH=23,ALA=21)。分别建立CRN模型和DCNN模型,并采用德隆检验和受试者工作特性曲线(ROC)对两种模型的性能进行比较。通过人-机竞赛评估人工智能(AI)在肺结节Lung-RADS分类中的价值。结果 DCNN模型在训练集和内、外部验证集中的曲线下面积(AUC)均高于CRN模型(0.983 vs 0.968、0.973 vs 0.953、0.942 vs 0.932),但差异无统计学意义(P=0.23、0.31、0.34)。在放射科医师-AI竞争实验中,AI倾向于下调APH组中更多的Lung-RADS类别,并肯定ALA中更多的Lung-RADS类别。结论 DCNN及CRN在区分APH和ALA方面具有较高价值,前者表现更优;AI在评价肺结节的Lung-RADS分类方面优于放射科医师。