深度学习模型对纯磨玻璃结节肺腺癌病理亚型的预测分析

• 作者: 于朋鑫 吴重重 张弛 张荣国 方瑞 赵绍宏 陶雪敏
• 来源期刊: 中国医学科学院学报
• 关键词: 人工智能 深度学习 卷积神经网络 CT 肺腺癌
• 年，卷（期）: 2020,（4）
• 所属期刊栏目: 论著
• 页码范围: 477-484
• 页数: 8页
• 分类号: R445.3
• 语种: 中文
• DOI: 10.3881/j.issn.1000-503X.11693

摘要

目的 利用深度学习对CT上表现为纯磨玻璃密度结节(pGGN)的肺腺癌进行分型,并与手术病理结果对比,探讨其对病理亚型的预测价值.方法 收集219例(共240个病灶)经病理证实且胸部CT上表现为pGGN的肺腺癌患者的CT影像与病理资料,根据病理分型,将其分为非浸润性腺癌组[包括浸润前病变(不典型腺瘤样增生和原位腺癌)以及微浸润腺癌]和浸润性腺癌组.首先对pGGN进行勾画与标记,然后将标记好的数据随机分为学习训练组(80％)及验证测试组(20％),其中验证测试组中的结果需与两位胸部影像专家的诊断结果进行对比.结果 深度学习模型对pGGN肺腺癌病理亚型的预测取得了较高的性能.深度学习模型对pGGN判断的准确率为0.8330,95％CI为0.7016～0.9157,专家1对pGGN诊断的准确率为0.5000,95％ CI为0.3639～0.6361,专家2对pGGN诊断的准确率为0.5625,95％ CI为0.4227 ～0.6931,两位专家联合对pGGN诊断的准确率为0.5417, 95％ CI为0.4029 ～0.6743,深度学习模型的准确率明显高于专家个人及专家组(P =0.002).专家个人前后两次诊断的一致性Kappa值分别为0.939和0.799,专家个人前后两次的诊断一致性为良好;专家间的一致性Kappa值为0.667,专家间的诊断一致性为中等(P =0.000).结论 深度学习模型能相对准确地判别pGGN的病理类型,诊断效能优于专家组判断.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	吴重重	中国人民解放军总医院第一医学中心放射诊断科	6	44	3.0	6.0
2	于朋鑫	北京推想科技有限公司先进研究院	2	0	0.0	0.0
3	陶雪敏		1	0	0.0	0.0
7	方瑞	中国人民解放军总医院第一医学中心放射诊断科	1	0	0.0	0.0
8	张弛	北京推想科技有限公司先进研究院	1	0	0.0	0.0
9	张荣国	北京推想科技有限公司先进研究院	5	49	2.0	5.0