基于深度学习的CT肺腺癌病理分类辅助诊断研究

• 作者: 侯秋阳 戴钢 田玉龙 邓克学 邢江浩
• 来源期刊: 实用放射学杂志
• 学科: 医学
• 关键词: 深度学习 人工智能 肺腺癌 计算机体层成像
• 年，卷（期）: 2020,（7）
• 所属期刊栏目: 胸部放射学
• 页码范围: 1048-1051
• 页数: 4页
• 分类号: TP18|R743.2|R814.42
• 字数: 3004字
• 语种: 中文
• DOI: 10.3969/j.issn.1002-1671.2020.07.009

摘要

目的 分析基于深度学习的人工智能辅助诊断系统对直径≤3 cm肺腺癌病理分类的应用价值,并评估其预测表现.方法 回顾性分析713例经病理证实且病灶直径≤3 cm的肺腺癌患者的CT图像,按照2︰1的比例随机分为训练组和验证组,训练深度学习模型并利用验证组数据测试该模型.按照病理类型分为浸润前病变[非腺瘤样增生(AAH)及原位腺癌(AIS)]、微浸润腺癌(MIA)及浸润性腺癌(IAC)3组,分析验证组病灶的形态学征象,并自动测算出病灶的CT定量参数,按2～5级评分对肺腺癌病理类型进行预测,比较各组间参数差异.结果 在模型判断的CT定量参数中,3组间三维最大长短径、体积、最大CT值、平均CT值及预测得分差异均有统计学意义(P<0.05);形态学征象中,分叶征、毛刺征、血管集束征、胸膜凹陷征差异均有统计学意义(P<0.05);以得分>3.5分作为诊断浸润性病变的临界点,AUC=0.873,诊断敏感度81.9％,特异度84.4％.结论 基于深度学习的人工智能辅助诊断系统对鉴别≤3 cm肺腺癌的病理类型具有一定预测价值,具有较好的可重复性,可有效提高肺腺癌病理分类的准确性.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	邓克学	安徽医科大学附属省立医院影像科	52	366	12.0	16.0
2	侯秋阳	安徽医科大学附属省立医院影像科	2	5	1.0	2.0
3	田玉龙	安徽医科大学附属省立医院影像科	1	0	0.0	0.0
4	戴钢	安徽医科大学附属省立医院影像科	3	9	2.0	3.0
5	邢江浩	安徽医科大学附属省立医院影像科	3	6	1.0	2.0