基于卷积神经网络胃食管结合部腺癌转移淋巴结人工智能诊断系统的建立

目的利用更快的区域卷积神经网络(Faster RCNN)构建胃食管结合部腺癌(AEG)转移淋巴结人工智能(AI)自动诊断系统,协助临床诊疗。方法回顾性选取2015年12月—2019年12月在青岛大学附属医院治疗的248例AEG病人,随机分为训练组和测试组。利用训练组CT图像训练Faster RCNN,建立AI诊断系统。对测试组病人的增强CT图像进行测试,并通过绘制受试者工作特征(ROC)曲线和计算ROC曲线下面积(AUC)、正确率、特异度、灵敏度、阳性预测值、阴性预测值、测试耗时等评估指标,分析AI诊断系统识别转移淋巴结的能力。结果AI系统诊断单张CT图片的时间约为0.15 s。AI系统诊断转移淋巴结的AUC为0.912,正确率为0.870,特异度为0.883,灵敏度为0.858,阳性预测值为0.892,阴性预测值为0.847。结论本研究建立的AI诊断系统识别AEG增强CT图像转移淋巴结的准确率高,且识别速度比临床医师快,具有辅助临床诊疗的潜力。

基于病理大切片的深度卷积神经网络对于直肠癌脉管癌栓的预测价值

目的基于病理大切片数字图像构建预测直肠癌脉管癌栓的深度卷积神经网络(DCNN)模型,以提高临床医生对该病的预测能力。方法收集2019年1月—2019年10月青岛大学附属医院西海岸院区120例患者(内部数据集)、市南院区+崂山院区40例患者(外部数据集)的直肠癌术后病理标本,经石蜡包埋、切片、染色、扫描后共获得2400张病理大切片HE染色数字图像。将内部数据集患者按7∶3比例随机分为训练组(84例)和测试组(36例),用以构建和测试预测脉管癌栓的DCNN模型,以外部数据集患者的数字图像验证该模型。通过准确率、精准率、灵敏度、特异度、受试者工作特征(ROC)曲线及曲线下面积(AUC)、精度-召回率曲线(PR)及曲线下面积(AP)等指标来测试和验证模型的性能。结果本研究成功建立了脉管癌栓预测的DCNN模型。该模型的测试结果显示,准确率为85.2%,精准率为83.8%,灵敏度为84.6%,特异度为84.8%,AUC值为0.83,AP值为0.80;验证结果显示,准确率为84.7%,精准率为83.1%,灵敏度为84.3%,特异度为84.1%,AUC值为0.82,AP值为0.78,其中在验证结果中,模型的自动预测时间、准确率、灵敏度及特异度与病理医师人工HE染色阅片结果相比,均有显著差异(χ^(2)=5.028~6.842,t=-73.84,P<0.05)。结论基于病理大切片数字图像构建的预测直肠癌脉管癌栓的DCNN模型与人工HE染色阅片相比对直肠癌患者脉管癌栓具有较高的预测能力,对临床医生诊断直肠癌脉管癌栓具有一定的辅助作用。