基于深度学习的甲状腺结节良恶性预测方法研究

甲状腺结节是一种常见临床疾病,其发病率逐年增高。对于诊治甲状腺结节的首要问题是明确及鉴别其良恶性质。为了提高甲状腺结节良恶性预测的准确率,提出一种基于深度学习的甲状腺结节良恶性鉴别方法。实验在真实医疗数据集上对比了深度学习算法与传统BP神经网络和逻辑回归算法,结果表明基于深度学习的预测方法具有最高的准确率,在非稀疏数据和稀疏数据集上分别达到94%和88.84%。

基于影像组学的肺肿瘤良恶性预测

目的使用影像组学方法构建一个影像组学标签分类模型，对肺肿瘤良恶性进行分类预测。方法分析四川大学华西医院80例怖肿瘤患者的CT影像学数据，分割肿瘤区域，提取肿瘤形状、大小、强化程度、纹理和小波变换共485个影像组学特征。利用Lasso算法筛选出与肿瘤良恶性鉴别最密切的组学特征，并使用Logistic回归构建诊断肿瘤良恶性的预测模型。采用受试者工作特征（receiver operating characteristic．ROC）曲线及其曲线下面积（area under curve，AUC）来评估该影像组学标签在训练集和验证集中的效能。结果选取3个影像组学特征构建出影像组学标签，具有很好的预测分类效果。训练集的AUC为0870（95％CI：0760-0978J，灵敏度为0.870，特异度为0.818；验证集的AUC为0.853（95％CI：0.717-0.989），灵敏度为0.882，特异度为0.778。结论随着CT在临床诊断中的广泛使用，真有望成为辅助检测肿瘤良恶性的非侵入手段。

基于卷积神经网络的超声影像甲状腺结节良恶性预测研究

目的探讨深度学习在甲状腺结节良恶性鉴别诊断中的应用价值。方法利用卷积神经网络,对2659例匿名患者和480例测试患者的超声甲状腺结节进行图像采集、建模,对甲状腺结节良恶性进行预测,以术后病理结果为标准进行验证。结果超声医师的阳性预期率为84.3%,阴性预期率为90.5%,诊断敏感性为95.1%,诊断特异性为83.1%。深度学习阳性预期率为87.2%,阴性预期率为93.1%,诊断敏感性为97.4%,诊断特异性为87.3%。结论基于深度学习的卷积神经网络的预测方法具有高的诊断敏感性、诊断效率、诊断特异性,能够有效地预测甲状腺超声图像中的结节,并能判定其良恶性。

超声影像报告和数据系统分级对乳腺肿块良恶性的预测评估价值

目的探讨超声影像报告和数据系统(BI-RADS)分级对乳腺肿块良恶性诊断的预测评估价值。方法选择近几年在我院采用高频超声检查并手术的179例超声BI-RADS分级为3级、4级(4a、4b、4c)、5级的179个乳腺肿块,将超声分级与术后病理结果进行比对分析,评估BI-RADS分级对肿块良恶性的预测情况。结果 179例术后病理结果,良性病变90例,恶性病变89例。3级、4a级、4b级、4c级和5级的阳性预测值(PPV)分别为3.23%、28%、72.73%、85%、94%。结论超声BI-RADS分级规范了报告书写,比较客观地反映乳腺肿块声像特征,受检查医生主观影响较小,对肿块具有良好的良恶性预测功能。