CT人工智能模型对急性阑尾炎分类的多中心研究

• 作者: 左宗叶 张琪 黄国权 杨光 张林杰 章婷婷 胡宪林 杨兰英 .蚌埠医科大学研究生院 .芜湖市第二人民医院医学影像科 .华东师范大学上海市磁共振重点实验室 .南京大学医学院附属南京国际医院医学影像科 .安徽医科大学第一附属医院放射科 .芜湖市第一人民医院放射科
• 来源期刊: 国际医学放射学杂志
• 学科: 医学
• 关键词: 急性阑尾炎;体层摄影术,X线计算机;深度学习;人工智能;计算机辅助诊断
• 年，卷（期）: 2025,（1）
• 所属期刊栏目: 论著
• 页码范围: 42-47
• 页数: 6页
• 语种: 中文
• DOI: 10.19300/j.2025.L21614

摘要

目的 探讨基于常规腹部CT平扫影像的深度学习模型对急性单纯性和急性非单纯性阑尾炎的诊断效能，并评估其临床应用价值。方法 回顾性收集3所医院经手术病理证实的336例急性阑尾炎病人的临床及CT平扫影像资料，根据病理结果将病人分为急性单纯性阑尾炎109例和急性非单纯性阑尾炎227例。按8∶2的比例随机将病人分为训练集（268例）和独立测试集（68例），并采用5折交叉验证方法将训练集进一步分为训练子集（214例）和验证子集（54例）。基于密集连接卷积网络121(Densenet 121)构建模型，并进行训练和测试。绘制受试者操作特征（ROC）曲线、精确度-召回率（PR）曲线和混淆矩阵来评估模型的诊断效能，并分别计算其曲线下面积（AUC、PR-AUC）等。结果 Densenet 121深度学习模型在训练子集、验证子集、独立测试集中对急性单纯性阑尾炎和急性非单纯性阑尾炎分类的诊断效能俱佳，模型的AUC分别为0.999、0.895、0.894,PR-AUC分别为0.999、0.831、0.813。混淆矩阵显示，模型在3个数据集中对急性单纯性和非单纯性阑尾炎均具有较高的预测准确性，分类效果良好。结论基于神经网络的深度学习模型在急性阑尾炎CT分类诊断中具有良好的稳定性和诊断效能，可为临床医生决策提供参考依据。