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
目的探讨卵巢-附件超声报告和数据风险分层系统(O-RADS US)结合卵巢恶性肿瘤风险算法(ROMA)鉴别卵巢-附件肿瘤良恶性的价值。方法回顾性分析2021年6月至2023年5月于青岛市市立医院妇产科住院治疗的卵巢-附件肿瘤患者89例的临床资料。采...目的探讨卵巢-附件超声报告和数据风险分层系统(O-RADS US)结合卵巢恶性肿瘤风险算法(ROMA)鉴别卵巢-附件肿瘤良恶性的价值。方法回顾性分析2021年6月至2023年5月于青岛市市立医院妇产科住院治疗的卵巢-附件肿瘤患者89例的临床资料。采用经阴道超声观察病灶的大小、回声、形态、内部分隔及血流分布等超声特征,按照O-RADS US对病灶进行分类,并通过糖类抗原125(CA125)和人附睾蛋白4(HE4)表达水平计算ROMA值。采用受试者操作特征(ROC)曲线分析O-RADS US、ROMA及其联合诊断卵巢癌的效能。结果本研究共收集到93个病灶,卵巢癌病灶的最大径及ROMA值均高于良性病灶,差异有统计学意义(P<0.05)。O-RADS US分类为2、3、4、5类的病灶分别占21.5%(20/93)、26.9%(25/93)、33.3%(31/93)和18.3%(17/93);联合ROMA对O-RADS US分类进行校正,则O-RADS US分类为2、3、4、5类的病灶分别占34.4%(32/93)、29.0%(27/93)、14.0%(13/93)、22.6%(21/93)。联合ROMA后,O-RADS US 2、3、4类卵巢-附件病灶分别有4、6、9个升级为O-RADS US 3、4、5类;同样,O-RADS US 5、4、3类卵巢-附件病灶分别有5、20、16个降级为O-RADS US 4、3、2类。O-RADS US诊断卵巢癌的敏感度、特异度、准确度、曲线下面积分别为80.0%、75.3%、76.3%、0.861。ROMA诊断绝经前和绝经后患者卵巢癌的敏感度、特异度、准确度及曲线下面积分别为85.0%、82.2%、82.8%、0.876及90.0%、89.0%、89.2%、0.904。O-RADS US联合ROMA诊断卵巢癌的敏感度、特异度、准确度及曲线下面积分别为95.0%、91.8%、92.5%、0.926。以O-RADS US联合ROMA诊断卵巢癌的曲线下面积最大,其次是ROMA,差异有统计学意义(P<0.05)。结论O-RADS US分类系统可以有效识别卵巢癌,与ROMA联合应用,能够克服单独应用的不足,提高卵巢癌诊断的性能,减少不必要的穿刺活检。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。
文摘目的探讨卵巢-附件超声报告和数据风险分层系统(O-RADS US)结合卵巢恶性肿瘤风险算法(ROMA)鉴别卵巢-附件肿瘤良恶性的价值。方法回顾性分析2021年6月至2023年5月于青岛市市立医院妇产科住院治疗的卵巢-附件肿瘤患者89例的临床资料。采用经阴道超声观察病灶的大小、回声、形态、内部分隔及血流分布等超声特征,按照O-RADS US对病灶进行分类,并通过糖类抗原125(CA125)和人附睾蛋白4(HE4)表达水平计算ROMA值。采用受试者操作特征(ROC)曲线分析O-RADS US、ROMA及其联合诊断卵巢癌的效能。结果本研究共收集到93个病灶,卵巢癌病灶的最大径及ROMA值均高于良性病灶,差异有统计学意义(P<0.05)。O-RADS US分类为2、3、4、5类的病灶分别占21.5%(20/93)、26.9%(25/93)、33.3%(31/93)和18.3%(17/93);联合ROMA对O-RADS US分类进行校正,则O-RADS US分类为2、3、4、5类的病灶分别占34.4%(32/93)、29.0%(27/93)、14.0%(13/93)、22.6%(21/93)。联合ROMA后,O-RADS US 2、3、4类卵巢-附件病灶分别有4、6、9个升级为O-RADS US 3、4、5类;同样,O-RADS US 5、4、3类卵巢-附件病灶分别有5、20、16个降级为O-RADS US 4、3、2类。O-RADS US诊断卵巢癌的敏感度、特异度、准确度、曲线下面积分别为80.0%、75.3%、76.3%、0.861。ROMA诊断绝经前和绝经后患者卵巢癌的敏感度、特异度、准确度及曲线下面积分别为85.0%、82.2%、82.8%、0.876及90.0%、89.0%、89.2%、0.904。O-RADS US联合ROMA诊断卵巢癌的敏感度、特异度、准确度及曲线下面积分别为95.0%、91.8%、92.5%、0.926。以O-RADS US联合ROMA诊断卵巢癌的曲线下面积最大,其次是ROMA,差异有统计学意义(P<0.05)。结论O-RADS US分类系统可以有效识别卵巢癌,与ROMA联合应用,能够克服单独应用的不足,提高卵巢癌诊断的性能,减少不必要的穿刺活检。
