基于神经网络分析法的肺磨玻璃密度结节侵袭性CT分析预测模型研究

• 作者: 叶兆祥 崔效楠 李绪斌 赵颖如
• 来源期刊: 临床放射学杂志
• 关键词: 磨玻璃密度结节 神经网络 多层感知器
• 年，卷（期）: 2017,（8）
• 所属期刊栏目: 胸部放射学
• 页码范围: 1101-1105
• 页数: 5页
• 语种: 中文

摘要

目的 利用神经网络分析法构建肺磨玻璃密度结节(GGN)侵袭性的CT预测模型,探讨其预测的准确性.方法 回顾性分析203例经手术病理证实为肺腺癌的肺GGN的CT影像特征.采集患者基本信息,统计肺结节密度(纯磨玻璃结节或混合磨玻璃结节)、是否含有内核、大小、实性成分比例;采用评分法对空泡征、胸膜牵拉征、血管集束征三个影像特征进行量化评分,利用单因素方差分析各CT特征在不同病理分组间的差异,利用神经网络法将病例随机分为培训组(103例)和检验组(100例),建立各CT特征与GGN病理之间的预测模型.结果 203例肺GGN中AAH 20例,AIS 26例,MIA 74例,I-ADC 83例.四组病理类型间的结节性质、直径、实性成分比例以及三个影像特征通过单因素方差分析均存在显著性差异(P＜0.05).基于此数据而使用神经网络的“多层感知器”(MLP)建立预测模型.培训组总体预测准确率为80.6％ (AAH 92.9％,AIS 38.5％,MIA 91.2％,I-ADC81.0％)检验组预测总体准确率为72.0％ (AAH 50.0％,AIS 46.2％,MIA 72.5％,I-ADC 82.9％),各自变量在模型中的重要性WTMW/WTLW(0.270,100％),影像特征评分(0.263,97.6％),WTMW(0.099,36.7％),WTLW(0.097,36.0％),胸膜牵拉征(0.085,31.5％),血管集束征(0.084,31.0％),空泡征(0.051,18.8％),内核(0.027,9.9％),结节密度(0.025,9.4％).结论 基于神经网络建立的GGN侵袭性CT预测模型可用于GGN病理侵袭性评估.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	崔效楠	天津市天津医科大学肿瘤医院放射科	1	6	1.0	1.0
2	赵颖如	天津市天津医科大学肿瘤医院放射科	1	6	1.0	1.0
3	李绪斌	天津市天津医科大学肿瘤医院放射科	1	6	1.0	1.0
4	叶兆祥	天津市天津医科大学肿瘤医院放射科	1	6	1.0	1.0