基于CT图像的肺结核病灶治愈状态判定深度学习模型的建立

目的:基于CT影像构建深度学习模型判定肺结核病灶的活动性。方法:回顾性纳入2018年12月至2020年12月首都医科大学附属北京胸科医院就诊的具有治疗前、中和后时间点的CT影像资料的肺结核治愈患者(102例),按照8∶2的比例将病灶随机分为训练集和测试集。另外,于2021年10月至2022年12月在同一家医院前瞻性纳入肺结核治愈患者(72例),在治疗前、中和后时间点纳入CT资料作为独立验证集。通过迁移学习方式进行深度学习模型构建;采用掩膜区域卷积神经网络(Mask R-CNN)架构实现病灶自动分割及活动性判定。基于三维病灶标签进行模型训练,通过计算测试集受试者工作特性(ROC)曲线下面积(AUC)、敏感度、特异度,并与独立验证集比较,评估模型对肺结核病灶活动性的判定效能。结果:回顾性队列共纳入符合标准的肺结核治愈患者102例,共收集到770份CT影像资料;332个病灶为活动性,464个病灶为非活动性。前瞻性队列纳入肺结核治愈患者72例,共收集到540份CT影像资料。基于迁移学习的Mask R-CNN深度学习模型计算,测试集的AUC为87.5%,敏感度为85.7%,特异度为78.6%;独立验证集的AUC为79.9%,敏感度为78.7%,特异度为75.0%。结论:基于迁移学习的Mask R-CNN深度学习模型在小样本量肺结核病灶活动性预测中展现出一定潜力,可以为快速、自动的临床决策提供科学参考。

基于深度学习分割掩膜的胸片图像配准技术及其应用

医学图像配准技术对临床诊断治疗具有重要意义。相比传统的图像配准方法,目前基于深度学习的配准方法提高了配准的精度和速度。为了将深度学习图像配准技术应用于胸片的配准以及减影分析,本研究先采用深度学习掩膜对原始胸片进行预处理,然后以掩膜图像作为输入,以ResUNet网络作为配准框架来实现胸片图像配准,最后评估配准效果。结果显示深度学习掩膜结合深度学习图像配准方法训练出的模型在胸片配准上具有良好的图像配准精度。这种基于掩膜的深度学习配准模型可以较好地应用于胸片的减影分析。

用于肺结核诊断的痰涂片自动镜检系统双中心临床应用评价

目的评价痰涂片自动镜检系统(ASSMS)在结核分枝杆菌筛检上的效果和价值,探究该系统在临床使用过程中的应用方式。方法回顾性地收集了新疆医科大学第八附属医院(中心Ⅰ)的474份痰标本以及深圳市慢性病防治中心(中心Ⅱ)的451份痰标本制作痰涂片,然后分别采用人工阅片方式和自动镜检系统阅片方式进行痰检,最后评估ASSMS阅片在临床上的应用价值。结果2个中心的925例样本中,ASSMS阅片的检出率高于人工阅片(中心Ⅰ:P<0.05,中心Ⅱ:P>0.05)。中心Ⅰ的实验结果显示,人工阅片与ASSMS阅片的准确率、灵敏度和特异度分别为91.8%和90.5%、74.4%和86.7%、97.7%和91.8%,ASSMS阅片可以检出31份被医生漏诊的痰标本(25.8%)。中心Ⅱ的实验结果显示,人工阅片与ASSMS阅片的准确率、灵敏度和特异度分别为90.7%和85.8%、52.3%和68.2%、94.8%和87.7%,ASSMS阅片可以检出21份被医生漏诊的痰标本(47.7%)。结论采用ASSMS阅片的方式辅助人工阅片可以提高阳性检出率,减少医生漏诊病例。