基于深度学习和图像融合诊断甲状腺结节良恶性的研究

目的设计一种基于甲状腺超声图像深度学习的人工智能模型,对比设计的模型同目前主流人工智能诊断模型、超声科专家诊断甲状腺结节的价值。方法收集行手术治疗的2421例甲状腺肿瘤患者的术前超声图像共3493张;对图片进行预处理后,随机选取2591张图像通过重采样和图像融合技术作为人工智能模型训练集,288张图像作为验证集,614张图像作为测试集。以术后病理结果为金标准,统计分析主流的DenseNet、VGGNet、ResNet、改进的ResNet模型、超声科专家诊断甲状腺结节良恶性的准确性、敏感度、特异度、受试者工作特征(ROC)曲线下面积(AUC)。结果DenseNet模型诊断甲状腺结节准确性为73.1%、敏感度为61%、特异度为81%、阳性预测值0.79、阴性预测值0.67,AUC为0.79;VGGNet模型诊断甲状腺结节准确性为73.6%、敏感度为67%、特异度为78%、阳性预测值0.78、阴性预测值0.65,AUC为0.80;ResNet模型诊断甲状腺结节准确性为72.3%、敏感度为68%、特异度为75%、阳性预测值0.77、阴性预测值0.63,AUC为0.81;改进的ResNet模型组诊断甲状腺结节准确性为74.4%、敏感度为65%、特异度为81%、阳性预测值0.80、阴性预测值0.68,AUC为0.82。超声科专家诊断甲状腺结节准确性为84%、敏感度为78%、特异度为90%、阳性预测值0.90、阴性预测值0.78,AUC为0.89。结论通过重采样和图像融合技术,研究设计的模型对甲状腺结节的诊断效能高于基线模型,且优于主流模型,对比超声科专家诊断效能仍有不足,需要持续改进。