计算机辅助诊断技术与断层乳腺摄影对乳腺疾病诊断的效能对比分析

目的:研讨对比乳腺疾病诊断中采用计算机辅助诊断技术、断层乳腺摄影的诊断优势。方法:选取2018年7月—2020年12月苏州市立医院收治的70例乳腺疾病治疗患者,均采用计算机辅助诊断技术、断层乳腺摄影诊断,对比手术病理诊断结果,分析比较两种诊断结果的准确率、特异度、灵敏度、误诊率、漏诊率及疾病类型符合率。结果:70例检查患者病理确诊恶性共计47例,其中浸润性癌44例,乳头状癌3例;良性23例,其中纤维腺瘤16例,乳头状瘤1例,乳腺病5例,囊肿1例。计算机辅助诊断技术诊断的准确率(95.71%)、灵敏度(95.74%)与断层摄影(75.71%、74.47%)相比有显著差异(P<0.05);计算机辅助诊断技术的漏诊率(2.17%)相对较低,与断层摄影(12.50%)相比无显著差异(P>0.05);计算机辅助诊断技术的误诊率(4.26%)低于断层摄影(25.53%)诊断,差异有统计学意义(P<0.05);计算机辅助诊断技术与断层摄影浸润性癌分型符合率有显著差异(P<0.05),计算机辅助诊断技术与病理检查符合度更高。结论:应用计算机辅助诊断技术实现乳腺疾病诊断有效性更高。

计算机辅助诊断技术在超声医学中的应用进展

计算机辅助诊断(computer aided diagnosis,CAD)在超声医学中的应用已有多年历史,在乳腺、甲状腺、颈动脉和肝脏等领域已有较好的应用成果。近年来,随着深度学习的提出,以其为核心的超声图像分类和分割研究也逐渐兴起。本文对传统超声CAD技术、应用深度学习的新型超声CAD技术及其最新应用进行评述。

乳腺癌计算机辅助诊断技术研究进展

计算机辅助诊断技术（computer aided diagnosis,CAD）是随着计算机技术的飞速发展而应用于影像诊断领域的一项新技术[1-2].CAD技术是数字图像处理、模式识别等专业的综合应用,主要包括图像采集、图像预处理、ROI域分割、特征提取和分类识别等工作模块[3].2012年全球肿瘤统计结果显示,乳腺癌高居女性恶性肿瘤患病率第1位[4],早发现、早诊断、早治疗是降低乳腺癌病死率的关键.目前乳腺癌的主要影像诊断技术包括乳腺X线摄影、超声和乳腺动态增强MRI等,CAD技术的应用有利于提高乳腺癌影像诊断的价值.笔者就CAD在乳腺X线摄影、超声及MRI中的最新研究进展进行综述,并对其发展前景进行展望.

基于容积超声的胎儿心脏计算机辅助诊断技术在定量评估主动脉和肺动脉内径中的价值

目的评价基于容积超声的胎儿心脏计算机辅助诊断(SonoVCADheart)技术获得胎儿心室流出道切面的可行性。比较SonoVCADheart与二维超声心动图(2DE)在胎儿主动脉(AO)和肺动脉(PA)内径测量中的一致性。方法选取2019年1月在浙江大学医学院附属邵逸夫医院检查的80例中晚孕单胎胎儿作为研究对象,常规进行2DE检查,测量胎儿AO和PA内径。再应用容积探头以四腔心切面为初始切面采集胎儿心脏容积数据并储存,使用SonoVCADheart对数据进行脱机分析,对显示清晰的胎儿心脏的AO和PA内径进行测量。采用线性Pearson相关分析法评价两种方法测得AO、PA内径的相关性。采用Bland-Altman制图,对两种方法的一致性进行检验。采用同类相关系数(ICC)比较SonoVCADheart测量AO和PA内径的观察者间及观察者内的可靠性。结果在80例胎儿中,73例(91.2%)应用SonoVCADheart成功获得图像质量清晰的胎儿心室流出道切面。经线性Pearson相关分析显示,两种方法测得的AO、PA内径值均呈高度正相关(r=0.953,0.971;均P<0.001)。Bland-Altman分析显示两种方法在测量AO和PA内径上有较好的一致性,AO的95%一致性界限为-0.669~0.568 mm,PA的95%一致性界限为-0.632~0.580 mm。ICC分析显示SonoVCADheart获得AO及PA内径的观察者间及观察者内重复性良好。结论SonoVCADheart技术能清晰显示胎儿心脏流出道切面,并可定量评估AO和PA内径,有较好的重复性和可靠性。

计算机辅助诊断在医学影像诊断中的基本原理和应用进展

在医学影像诊断治疗过程中,应用计算机辅助诊断技术可以自动提取病症图像中的特征,并运用高效的机器学习算法针对病变部位进行诊断。目前时期,该项技术主要被应用于多种临床疾病的多模态影像诊断分析过程中,对于医学影像诊断检查质量的提升具有重要的促进作用。鉴于此,文中对计算机辅助诊断在医学影像诊断中的基本原理和应用进展进行了一系列的分析,首先对该项技术的基本原理进行了阐述,包括数据处理原理、图像分割原理、样本采集原理等,随后对其应用进展进行了研究,包括在肺结节诊断、乳腺癌诊断、CT结肠癌等临床病症诊断中的应用,旨在提升计算机辅助诊断在医学影像诊断中的应用价值。

计算机图像识别在白血病形态学诊断中的应用

血细胞的分类计数对白血病的诊断及病情评估有很大价值。传统的人工镜检费力、耗时,且高度依赖于检验医师的经验。血细胞分析仪和流式细胞仪检测速度快、准确性高,但不能检测细胞形态学异常。计算机图像识别技术能够提供细胞形态学信息。本文分别从血细胞识别的基本过程和相关技术及其在白血病细胞学诊断中的应用研究展开综述。以此内容为基础下一步可以进行算法改进并拓展到骨髓各个系统细胞的识别,为进一步实现骨髓细胞的自动分类奠定基础。

通过分布式人工智能实现CT结肠成像的计算机辅助慢性息肉辨识

目的通过计算机辅助诊断技术（CAD），利用分布式人工智能进行CT结肠成像的病理诊断。材料与方法本研究经人体实验保护局（OfficeofHumanSubjectsResearch）批准。研究内容中涉及健康保险流通与责任法案（HIPAA）的患者知情同意要求并未报批。CT数据采集于24名患有至少一块6mm息肉的病人，相关图样的分析通过计算机辅助诊断（CAD）软件完成，共鉴别268处疑似病灶。每处疑似病灶均由20名来自同一众包平台的知识工作者（KnowledgeWorkers，KWs）判断是否是息肉。为了检验本方法的可重复性，共228名知识工作者参与了两轮病灶鉴别工作。本文中，通过比较知识工作者和CAD软件分析结果的受试者工作特征曲线覆盖面积（AUC）来评价本方法的效果。结果知识工作者的检测水平AUC结果为：第1轮0．845±0．045（标准差），第2轮0．855±0．044。计算机辅助诊断软件（CAD）分析结果的AUC为0．859±0．043，两种方法之间并没有显著区别。根据病灶判断难度分析，容易的诊断中知识工作者表现更佳：第1轮AUC为0．951±0．032，第2轮0．966±0．027（P=0．039），CAD的AUC为0．877±0．048。对于两轮检验都参加的知识工作者而言，第2轮的诊断结果有显著的提升：第1轮AUC为0．759±0．052，第2轮为0．839±0．046（P=0．041）。结论在慢性息肉的诊断方面，分布式人工智能和计算机辅助诊断（CAD）技术的结果之间并无显著差异。

MSCT LungCARE软件对孤立性肺结节的诊断价值

孤立性肺结节（Solitary pulmonarynodule，SPN）是指直径≤30mm的肺内单发的圆形或类圆形致密影，而不伴有肺不张及纵隔的病变。随着影像学检查设备的发展及计算机辅助诊断技术的应用，对SPN的研究有了进一步发展。

放射组学在肺癌诊断中的应用

目的:通过放射组学对肺癌病例进行定量特征提取,优化选择,然后通过机器学习方法实现肺癌病例讨论和分析。方法:通过公开数据库LIDC中提取224例和医院收集250例肺结节病例,提取共841个放射组学特征;对特征进行正态分析和方差齐性分析,双独立样本t检验进行降维;其余采用秩和分析降维,之后采取Pearson相关系数降维,最后通过机器学习方法进行分类。结果:来自LIDC数据库和来自医院的数据在基于随机森林的分类器中的结果分别为AUC=0.657 1、ACC=76.26%,AUC=0.866 7、ACC=76%;在基于支持向量机的分类器中的结果分别为AUC=0.642 9,ACC=76.37%,AUC=0.773 3、ACC=72%。结论:在肺癌良恶诊断鉴别中,使用放射组学特征方法可以鉴别良恶性。基于纹理特征的计算机辅助诊断系统可以提高对此类结节的诊断效能。

S-Detect联合弹性成像辅助常规超声诊断乳腺肿瘤的价值

目的探讨S-Detect技术联合弹性成像辅助常规超声鉴别诊断乳腺肿瘤良恶性的价值。方法回顾性分析2018年4月至2020年1月在汕头大学医学院第一附属医院超声检查的136例乳腺肿块患者的超声诊断资料,对超声科诊断为乳腺影像学报告和数据系统3类及以上的乳腺病灶,依次采用常规超声、应变式弹性成像应变率比值法(strain ratio,SR)、S-Detect检查技术进行横断面研究,并获得相应的良恶性判断结果,比较分析各单独诊断及联合诊断的效能。结果常规超声、SR、S-Detect单独及常规超声+SR、常规超声+S-Detect、常规超声+S-Detect+SR联合诊断乳腺肿瘤等六种方法的受试者工作曲线下面积(area under the receiver operating characteristic curve,AUC)分别为0.776、0.839、0.802、0.861、0.832和0.870。SR、S-Detect、常规超声+SR、常规超声+S-Detect常规超声+SR+S-Detect与常规超声组间比较,差异具有统计学意义(Z值分别为1.49、0.70、2.76、2.52、2.96,P值分别为0.137、0.484、0.006、0.012、0.003)。其中以常规超声+S-Detect+SR联合方法的准确度最高,为84.1%;与病理结果比较,其Kappa值为0.687,一致性最强。结论S-Detect联合应变式弹性成像技术辅助常规超声能显著提高乳腺肿瘤良恶性的诊断效能。

基于注意力机制的肺结节分类研究

为进一步提升肺结节分类的效果,引入一种基于注意力机制的分类算法。通过在神经网络中添加空间和通道注意力因子,使得肺结节分类网络生成更有效的特征映射,结合梯度提升树算法,进一步提升模型的性能。经过大量实验后,证明了该方法的有效性。

基于多参数磁共振的影像组学在前列腺癌中的研究进展

前列腺癌已经成为威胁全球男性健康最常见恶性肿瘤之一。早期发现和准确诊断可以提高癌症的存活率,降低治疗成本。随着各种检查技术手段日趋发展,前列腺磁共振成像不断地显示出其独特优势,目前发展已趋于多参数磁共振成像(mp-MRI)。自精准影像医疗提出后,符合其本质要求的影像组学技术发展迅速,在前列腺癌的检出与鉴别、分级与分期、复发预后以及疗效评估等方面均起着积极的作用。本文对基于mp-MRI的影像组学前列腺癌的应用进展进行综述。

影像组学在非小细胞肺癌基因突变中的应用进展

原发性肺癌高居世界范围内恶性肿瘤发病率及病死率的首位,其中80%以上为非小细胞肺癌(NSCLC),由于其起病隐匿且症状不典型,多数患者确诊时已错失手术时机。特异性靶向治疗为晚期非小细胞肺癌患者的非手术治疗提供了新的途径,目前最常应用于表皮生长因子受体基因(EGFR)突变型肺癌。影像组学通过剖析非小细胞肺癌的基因表型、肿瘤分级分期、疗效评估及预后预测等,可为临床的“个体化治疗”和“精准治疗”提供指导。本文对基于影像组学在非小细胞肺癌基因突变中的应用进展进行综述。

S-Detect技术在甲状腺结节超声诊断中的初步应用

目的:探讨S-Detect技术在甲状腺结节超声诊断的临床价值。方法:选取292例患者,共321个结节应用S-Detect技术进行检查分类,将得到的结果与病理结果进行对比分析。结果:病理结果中良性病灶104个(32. 4%),恶性病灶217个(67. 6%)。以细胞学病理为金标准,S-Detect技术横切面及纵切面的诊断准确率分别为61. 22%(150/245)、66. 12%(162/245),两者的敏感性、特异性、阳性预测值、阴性预测值分别为68. 39%、48. 89%、69. 74%、47. 31%及74. 19%、52. 22%、72. 78%、54. 02%;以组织学病理为金标准,S-Detect技术横切面及纵切面诊断的准确率分别为69. 74%(53/76)、77. 63%(59/76),两者的敏感性、特异性、阳性预测值、阴性预测值分别为74. 19%、50. 00%、86. 79%、30. 43%及83. 87%、50. 00%、88. 14%、41. 18%。结论:S-Detect技术对于提高甲状腺结节诊断准确率、降低超声医生劳动负荷有积极意义,其使用规范及操作指南有待建立。

改进残差网络的猴痘病毒皮肤病变分类

目前猴痘病毒在全球范围内传播,这种病毒在临床上与其他皮肤疾病难以区分,特别是天花病毒和水痘病毒.在确定性聚合酶链式反应技术和其他生物检测技术还没有完全成熟的情况下,通过计算机辅助诊断技术检测猴痘病毒皮肤病变是一种可行的方法,因此提出了一种基于残差网络的猴痘病毒皮肤病变分类算法.该算法以残差网络为基本框架,结合深度可分离卷积和轻量化注意力,在降低模型计算量与复杂度的同时,也提高了模型的分类性能.实验结果表明,该算法对猴痘病毒皮肤病变表现出较好的分类性能,对猴痘皮肤病变的分类准确率、召回率和精度分别为97.3%, 96.8%和97.2%,且均优于实验中所对比的常见分类模型和其他研究方法.

孤立性肺结节CT应用现状及进展

孤立性肺结节(SPN)的CT检查方法主要分两大类:一是无需注射对比剂的低剂量、高分辨率扫描及计算机辅助诊断技术;二是需注射对比剂的动态增强、灌注及双能量CT扫描。虽然上述方法的综合应用明显提高了SPN定性诊断准确率,但是仍需要进一步对肺结节进行生物学状态研究,从而实现肺结节的客观精准诊疗。本文主要对SPN的CT应用现状及进展予以综述。

CAD对重型与危重型Omicron感染者的临床意义

目的:探讨计算机辅助诊断技术(CAD)对张家界市重型与危重型Omicron感染者的临床意义,为重型与危重型Omicron感染者的救治工作提供更多的参考依据。方法:收集了2022年12月―2023年1月在张家界市人民医院住院治疗的重型与危重型Omicron感染者的一般资料、qSOFA评分、实验室检查、肺部CT等,将肺部CT使用CAD技术进行分割与重建,输出炎症占比,比较重型与危重型患者间临床特征与炎症占比有无差异,并探讨炎症占比与疾病分型之间的关系。结果:共有116名重型、危重型患者被纳入本项研究,年龄中位数73.0(65.0,84.0)岁,60.3%(n=70)的患者入住ICU,86.2%(n=100)患者合并有基础疾病。相比于重型患者,危重型患者有着更高的炎症占比、qSOFA评分、C-反应蛋白、D-二聚体等(P<0.05)。炎症占比越高,疾病进展为危重型的可能性越大(r=0.24,P=0.009),炎症占比在判断病情进展为危重型时的灵敏度、特异度、准确度分别为0.656、0.745、0.638,截断值为31.46%。结论:CAD对于重症COVID-19肺炎患者病情评估有一定的价值,炎症占比越高,疾病进展为危重型的可能性越大,当肺部炎症占比≥31.46%时,患者极有可能进展为危重型。