目的:评价基于深度学习的继发性肺结核CT辅助诊断模型在临床应用中的价值。方法:回顾性收集2018年12月至2023年4月在重庆市公共卫生医疗救治中心接受胸部CT平扫的2004例患者的病例资料,分为肺部正常组(544例)、普通肺部感染组(526组)和...目的:评价基于深度学习的继发性肺结核CT辅助诊断模型在临床应用中的价值。方法:回顾性收集2018年12月至2023年4月在重庆市公共卫生医疗救治中心接受胸部CT平扫的2004例患者的病例资料,分为肺部正常组(544例)、普通肺部感染组(526组)和继发性肺结核组(934例)。按照随机分组(通过R语言的sample函数实现训练集和测试集的完全随机分组)的方式,将数据集划分为训练集(1402例,70.0%)和测试集(602例,30.0%)。所有图像采用肺野自动分割算法,获得肺野区域。进一步采用BasicNet和DenseNet算法进行三组间的分类研究。采用曲线下面积(area under curve,AUC)、敏感度、特异度和准确率评价模型的分类性能。最后,在测试数据中,将最优模型与3位不同年资的放射科医生的诊断结果进行比较。结果:602例独立测试集中,DenseNet模型的性能优于BasicNet模型,两种模型的平均AUC、敏感度、特异度和准确率分别为92.1%和89.4%、79.7%和74.0%、89.4%和86.6%、86.2%和83.3%。其中,DenseNet模型的诊断性能优于低年资医生(准确率分别为90.7%和89.1%,Kappa=0.677),与中年资和高年资医生的诊断水平(准确率分别为90.7%、92.2%和95.3%,Kappa值分别为0.746和0.819)保持高度一致性。结论:DenseNet模型能较准确地识别继发性肺结核,与放射科中年资医师的诊断水准相当,可以作为继发性肺结核的辅助诊断工具。展开更多
文摘目的:评价基于深度学习的继发性肺结核CT辅助诊断模型在临床应用中的价值。方法:回顾性收集2018年12月至2023年4月在重庆市公共卫生医疗救治中心接受胸部CT平扫的2004例患者的病例资料,分为肺部正常组(544例)、普通肺部感染组(526组)和继发性肺结核组(934例)。按照随机分组(通过R语言的sample函数实现训练集和测试集的完全随机分组)的方式,将数据集划分为训练集(1402例,70.0%)和测试集(602例,30.0%)。所有图像采用肺野自动分割算法,获得肺野区域。进一步采用BasicNet和DenseNet算法进行三组间的分类研究。采用曲线下面积(area under curve,AUC)、敏感度、特异度和准确率评价模型的分类性能。最后,在测试数据中,将最优模型与3位不同年资的放射科医生的诊断结果进行比较。结果:602例独立测试集中,DenseNet模型的性能优于BasicNet模型,两种模型的平均AUC、敏感度、特异度和准确率分别为92.1%和89.4%、79.7%和74.0%、89.4%和86.6%、86.2%和83.3%。其中,DenseNet模型的诊断性能优于低年资医生(准确率分别为90.7%和89.1%,Kappa=0.677),与中年资和高年资医生的诊断水平(准确率分别为90.7%、92.2%和95.3%,Kappa值分别为0.746和0.819)保持高度一致性。结论:DenseNet模型能较准确地识别继发性肺结核,与放射科中年资医师的诊断水准相当,可以作为继发性肺结核的辅助诊断工具。
