深度神经网络辅助评估^(99)Tc^(m)O_(4)^(-)显像甲状腺癌术后残留组织

目的采用计算机深度神经网络技术,构建一款人工智能模型辅助^(99)Tc^(m)O_(4)^(−)甲状腺图像诊断。资料与方法回顾性纳入四川大学华西医院核医学科2013年1月—2020年6月临床已完成甲状腺全切手术、拟进行131I治疗的甲状腺癌患者3515例图像集,按甲状腺残留程度分类标注后,以8∶2随机分成训练集2811例和测试集704例。利用3种深度神经网络模型Resnet34、InceptionV3和Densenet161分别对训练集样本进行特征提取和训练后,对测试集样本进行效能验证,并与3名初级医师独立阅片结果进行对比,记录3名医师和模型的阅片时间,采用Kappa检验分析医师阅片的一致性,采用受试者工作特征曲线分析不同模型的诊断效能。结果在704例甲状腺图像分类测试时,3名医师的判断准确度分别为89.5%、86.5%、86.6%;Resnet34、InceptionV3和Densenet161神经网络模型的判断准确度分别为91.3%、90.4%和91.2%。3名医师两两比较诊断一致性较好(Kappa=0.773、0.746、0.711,P均<0.05),3名医师判断所需总时间分别为170 min、172 min和131 min;Resnet34、InceptionV3和Densenet161神经网络模型诊断总时间分别为4.5 s、2.9 s和17.3 s。结论人工智能辅助诊断技术可快速、准确地完成甲状腺显像的阅片与甲状腺残留分类工作。