基于低剂量胸部CT深度学习模型自动测量骨密度研究

目的:评价基于低剂量胸部CT深度学习模型全自动测量与定量CT(QCT)手动测量骨密度的一致性。方法:回顾性分析2018年6月-2019年12月在弋矶山医院行低剂量胸部CT筛查联合定量CT(QCT)骨密度测量的1406例体检者的临床和影像资料。随机分为训练集(985例)和测试集(421例)。应用深度学习等方法构建骨分割模型等及内部组织校准模型,应用测试集检测其效能。以QCT结果作为参考标准,应用Spearman相关系数、组内相关系数、Bland-Altman分析两种测量方法的相关性和一致性;以QCT测量结果的骨质疏松(OP)诊断作为参考标准,应用ROC曲线评价其对OP的诊断效能。结果:训练集及测试集中深度学习模型与QCT的骨密度测量结果均呈正相关(训练集：r=0.957,P<0.001;测试集：r=0.955,P<0.001),组内相关系数为0.946(训练集)、0.945(测试集)。该模型在训练集中ROC曲线下面积(AUC)、灵敏度、特异度、准确度分别为0.986、47.5%、100%、95.7%;在测试集中分别为0.975、42.1%、100%、94.8%。结论:基于低剂...     

基于胸部X线片的深度迁移学习模型早期诊断儿童肺炎支原体肺炎

【摘要】目的：探讨基于VGG19的深度迁移学习模型在儿童胸部X线片（胸片）早期诊断肺炎支原体肺炎（MPP）中的价值。方法：搜集常州市第二人民医院儿科就诊的患儿3763例,其临床及影像资料齐全。将患儿胸片分成细菌性肺炎组、MPP组和病毒性肺炎组,并按照9:1随机分为训练集和测试集。另外选择150例患儿胸片作为验证集（细菌性肺炎、MPP和病毒性肺炎各50例）。模型性能评价指标包括在训练集和测试集中的准确率（Ac）及在验证集中的精确度（Pr）、召回率（Rc）、F1评分（F1）和ROC曲线下面积（AUC）。结果：VGG19在训练集和测试集中的最高Ac分别为0.99和0.95。细菌性肺炎组的Pr、Rc、F1、AUC分别为0.87、0.82、0.85、0.92,MPP组分别为0.85、0.74、0.78、0.90,病毒性肺炎组分别为0.76、0.88、0.81、0.93。VGG19对三组图像分类诊断的总体AUC为0.92。结论：基于VGG19的深度迁移学习模型是儿童胸部X线片诊断MPP的可靠方法,能够帮助临床早期诊断MPP。     

基于卷积神经网络的胸片肺野分割与肺结核的筛查研究

目的 探究基于卷积神经网络的级联深度学习模型在胸部X线平片图像上对肺野分割以及肺结核筛查的应用价值。方法 搜集2018年10月至2020年2月行胸部X线摄影检查的健康对照组1300名和肺结核患者825例，随机选择140名健康对照组和60例患者组成肺野分割数据集，评价基于U-net++网络的深度学习模型对胸片肺野的分割效果。划分数据集中的80%(1700例)作为训练集，20%(425例)作为测试集，使用四种分类网络(VGG 16、Inception V3、Resnet 101、Densenet 121)对分割结果内是否存在结核病灶进行判断，并使用网络公开的深圳市第三人民医院肺结核数据集(CHX)对模型的检出效能进行评价。结果 级联模型中U-net++分割网络对胸片肺野分割的Dice相似指数与交并比(IOU)分别达到99.42%和98.84%;VGG 16、Inception V3、Resnet 101及Densenet 121四种分类网络对肺结核的筛查率最高分别为95.77%、96.00%、94.35%和95.06%;四种分类网络在CHX数据集上的最高检出率分别为84.44%、83.99...     

肋骨抑制成像在胸部平片肺结节检出中的应用

目的 评价肋骨抑制成像技术在胸部平片检出肺结节中的价值.方法 回顾性分析141例胸部后前位X线片,其中95例有单发肺结节,作为研究组,46例无肺结节作为对照组.2名高年资与2名低年资放射科医师分别独立阅读所有胸部后前位X线片和经肋骨抑制成像技术处理后的胸部后前位X线片.阅读、记录结节的部位、大小并对结节存在的肯定度进行评分.观察的结果采用受试者工作特征(ROC)曲线进行分析.结果 肺结节的平均直径为(1.9±1)cm,直径范围是0.9~2.9 cm.胸部后前位X线片ROC曲线下面积(AUC)为0.844,肋骨抑制成像技术处理后的胸部后前位X线片AUC为0.873,两者有统计学差异(P<0.01).结论 肋骨抑制成像技术可以显著提高放射科医师对胸部后前位X片中肺结节的检出率.     

基于CT影像组学列线图鉴别甲状腺乳头状癌与结节性甲状腺肿的价值

目的 探讨基于CT影像组学列线图鉴别诊断甲状腺乳头状癌(PTC)与结节性甲状腺肿(NG)的临床价值。方法 回顾性分析经病理证实的甲状腺结节患者的临床资料及CT图像。术前2周内行CT平扫及增强扫描；PTC 113例，NG 119例；以7∶3的比例随机分层抽样划分成训练集(n=162)和测试集(n=70)。从CT平扫及双期增强图像中提取甲状腺结节相关征象和影像组学特征，通过临床影像征象和影像组学特征筛选，训练集与测试集均构建4个独立模型并计算影像组学评分，基于影像组学评分和临床模型构建联合模型，并基于联合模型绘制列线图。通过受试者工作特征曲线、曲线下面积(AUC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)等多个指标评估各模型对PTC与NG的鉴别诊断效能，利用校准曲线直观的评估列线图的可靠性与准确性，使用决策曲线评估列线图的临床实用价值。结果 平扫、动脉期、静脉期分别保留了6、4、3个影像组学特征，分别构建单期相影像组学模型。单期相中，平扫模型鉴别诊断效能最优，6个独立预测因子用于构建临床模型，基于联合模型的列线图对PTC与NG具有最高的鉴别诊断效能(训练集：AUC为0.980...     

基于CT双期增强图像的深度迁移学习模型对甲状腺良恶性结节的分类研究

【摘要】目的：评价基于CT双期增强图像的不同深度迁移学习（DTL）模型对甲状腺良恶性结节的分类效能。方法：采用相同程序架构和相同数据集对3种DTL模型（VGG19、ResNet50和DenseNet201）的分类诊断效能进行测试和评估。以不同模型在训练集和测试集中的最高预测符合率和在验证集中的符合率、召回率、F1评分和受试者工作特性曲线（ROC）下面积作为评估模型效能的指标。结果：DenseNet201模型获得了最好的训练和测试结果,在训练集和测试集中的最高预测符合率分别为1.00和0.98;VGG19模型用时最长,其在训练集和测试集中的预测符合率分别为0.99和0.98,较DenseNet201略差;ResNet50模型用时最短,但测试结果最差,在训练集和测试集中的最高符合率分别为0.93和0.92。VGG19、ResNet50和DenseNet201模型在验证集中的平均符合率为0.96、0.92和0.98）,召回率分别为0.96、0.91和0.98,F1评分分别为0.96、0.91和0.98。DenseNet201模型的ROC曲线下面积为0.98,高于VGG19模型（0.95）和ResNet50模型（0.91）。结论:基于DenseNet201的DTL模型对甲状腺CT良恶性结节具有较高的分类效能,有助于提高影像诊断准确性。     

基于深度学习自动分割模型的DWI影像组学模型预测前列腺癌盆腔骨转移

【摘要】目的：探讨基于DWI图像利用深度学习方法建立的分割模型对盆腔骨结构的自动分割价值,以及基于自动分割图像建立的影像组学模型对前列腺癌骨转移的诊断效能。方法：回顾性搜集2017年1月－2020年1月因临床怀疑前列腺癌而行盆腔多参数MRI扫描的614例患者的DWI数据,训练3D U-Net模型对盆腔骨质结构进行自动分割。以两位影像科医师手工勾画和标注的8个盆腔骨质结构（下腰椎、骶骨、髂骨、髋臼、耻骨、坐骨、股骨头、股骨颈）为金标准,在不同数据集（训练集、调优集、测试集）中,采用Dice相似系数（DSC）、Jaccard相似系数（JSC）和Hausdorff表面距离（HSD）评估3D U-Net模型自动分割盆腔各骨质结构的效能。另搜集2020年2月-2020年12月在本院经病理证实为前列腺癌的275例患者的影像资料,用于盆腔骨质结构分割模型的外部验证集及建立预测骨转移灶的影像组学模型,采用受试者工作特征曲线（ROC）评估影像组学模型的分类效能。结果：U-Net分割模型在测试集中的DSC、JSC和HSD值分别为0.87±0.03、0.77±0.04和21.75±12.08;在外部验证集中相应参数值分别为0.82±0.06、0.71±0.08和16.27±4.35。基于275例前列腺癌患者的盆腔骨质结构自动分割图像,共提取和筛选出20个影像组学特征参数,所建立的影像组学模型在测试集中的ROC曲线下面积（AUC）为0.965（95%CI：0.899~0.993）,敏感度为97.14%（95%CI：85.1%~99.9%）,特异度为89.36%（95%CI：76.9%~96.5%）。结论：基于DWI图像利用深度学习方法建立的自动分割模型能准确分割盆腔骨质结构,随后建立的影像组学模型可以有效检出盆腔范围内的骨转移灶,为自动评估前列腺癌患者盆腔骨转移提供了新方法。     

基于增强 CT 影像组学模型在鉴别良恶性小肾肿瘤的价值

目的 探讨增强CT影像组学模型鉴别良恶性小肾肿瘤(直径≤4 cm)的价值。方法 选取经病理证实为恶性小肾肿瘤患者151例，良性小肾肿瘤患者49例。采用分层抽样方法将200例患者按照7∶3比例随机划分为训练集140例及验证集60例，分别于肾皮髓质期、实质期及排泄期逐层手动勾画感兴趣区(ROI),提取影像组学特征。采用最小绝对收缩和选择算法(LASSO)进行降维，建立单独期相模型和联合期相模型共7个模型：1)皮髓质期；2)实质期；3)排泄期；4)皮髓质期-实质期；5)皮髓质期-排泄期；6)实质期-排泄期；7)三期联合模型。通过绘制受试者工作特征曲线(ROC)及曲线下面积(AUC)评估模型的诊断效能。使用De-Long检验比较不同模型间的效能差异。结果 三期联合模型的鉴别效能(训练集AUC为0.931;验证集AUC为0.870)高于两两联合模型和单独期相模型，差异有统计学意义(P<0.05);皮髓质期-实质期模型的鉴别效能(训练集AUC为0.913,验证集AUC为0.832)高于皮质期-排泄期模型、实质期-排泄期模型和单独期相模型，差异有统计学意义(P<0.05)。单独期相模型中...     

增强MRI影像组学对肝癌微血管侵犯的预测价值

【摘要】目的：探讨基于增强MRI影像组学方法对肝细胞肝癌微血管侵犯(MVI)的术前预测价值。方法：回顾性分析108例经手术病理证实为肝细胞肝癌病例的临床及增强MRI图像资料,其中MVI阳性45例,MVI阴性63例。对增强MRI动脉期（AP）、门静脉期（PVP）及延迟期（DP）图像进行影像组学特征提取,筛选最有价值的组学特征,采用五折交叉验证将样本量训练组和测试组,对训练组构建基于AP、PVP、DP及基于3期特征融合的影像组学联合逻辑回归模型,并对MVI的独立预测因子构建逻辑回归模型。选择最优影像组学模型并结合临床影像特征模型构建临床影像组学模型。所有模型结果均用五折交叉均值表示。模型采用受试者工作特征曲线(ROC)分析模型的有效性,并用测试组进一步验证。结果：MVI临床影像特征的独立预测因素包括甲胎蛋白、肿瘤最大径、瘤内动脉及包膜情况。临床影像特征模型在训练组的诊断效能ROC曲线下面积(AUC)值0.864,测试组AUC值0.843。AP、PVP、DP及3期联合模型在训练组的诊断效能AUC值分别为0.898、0.874、0.894及0.898,测试组AUC值分别为0.861、0.864、0.86及0.881。Delong检验分析发现测试组中增强MRI影像组学模型中3期联合模型的诊断效能较高,其与临床影像特征结合建立的临床影像组学模型诊断性能达到最优,训练组与测试组AUC值为0.934及0.911。结论：基于增强MRI建立的临床影像组学模型能够在术前无创地评估和预测MVI。     

基于增强CT影像组学评估肝硬化患者肝储备功能的应用

【摘要】目的：基于增强CT影像组学特征构建列线图预测模型对肝硬化患者肝储备功能进行Child-Pugh分级。方法：回顾性分析经临床证实的144例肝硬化患者,按照Child-Pugh评分标准分成Child-Pugh A级33例, B级60例,C级51例。构建Child-Pugh A vs Child-Pugh B/C及Child-Pugh A/B vs Child-Pugh C两个数据集,分别以8：2的比例随机分成训练集和测试集。在3期增强CT图像上手动勾画肝脏区域作为感兴趣区(ROI),于感兴趣区中提取并筛选特征。建立影像组学标签并构建列线图预测模型,将模型用于训练集及测试集,并绘制受试者工作特性曲线（ROC）评估其效能。结果：在Child-Pugh A vs Child-Pugh B/C数据集中,列线图在训练集与测试集中AUC分别为0.920和0.807,敏感度分别为0.933和0.741,特异度分别为0.846和0.826。在Child-Pugh A/B vs Child-Pugh C数据集中,列线图在训练集与测试集中AUC分别为0.880和0.821,敏感度分别为0.805和0.818,特异度分别为0.878和0.947。结论：基于不同肝脏储备功能肝硬化患者的腹部3期CT增强图像组学特征建立的列线图模型可作为预测Child-Pugh分级较为可靠的辅助诊断工具。     

CT影像组学对中轴骨脊索瘤与骨巨细胞瘤的鉴别诊断价值

目的:建立术前鉴别中轴骨脊索瘤与骨巨细胞瘤的影像组学模型,并验证其诊断效能。方法:回顾性纳入中轴骨脊索瘤59例、骨巨细胞瘤33例共92例患者,64例为训练集,28例为验证集。基于CT图像进行影像组学特征提取,采用LASSO模型进行特征选择,构建影像组学模型,并计算影像组学得分(Rad-score)。通过Logistic多元回归分析,以独立临床预测因素联合Rad-score构建综合模型,通过校正、ROC曲线、决策曲线评估模型效能。结果:从CT图像中共提取1409个组学特征,降维后获得7个最有鉴别价值的特征构建影像组学模型。该标签在训练集(AUC为0.890,95%CI:0.800~0.980)和验证集(AUC为0.860,95%CI:0.700~1.000)中均有较高的诊断效能。年龄和位于中轴骨两端是独立的临床预测因素。联合独立临床预测因素和Rad-score构建的综合模型,在训练集(AUC为0.970,95%CI:0.930~1.000)和验证集(AUC为0.920,95%CI:0.810~1.000)中均具有较高的诊断效能;训练集中,综合模型的AUC优于组学模型(Z=2.092,P=0.036)。决策曲线分析结果表明,综合模型较组学模型具有更高的临床净获益。结论:基于CT影像组学联合临床特征建立的综合模型术前鉴别中轴骨脊索瘤和骨巨细胞瘤具有较高的诊断效能,有助于临床决策。     

胸部X线影像的深度学习:应用卷积神经网络进行肺结核自动分类

正摘要目的评价深度卷积神经网络(DCNN)在胸部X线影像上检测肺结核(TB)的效能。材料与方法本研究经伦理审查委员会批准,采用4个符合HIPAA规定的去标识数     

基于CT影像组学列线图鉴别腮腺多形性腺瘤与基底细胞腺瘤的价值

目的:探讨CT影像组学列线图对腮腺多形性腺瘤(PA)和基底细胞腺瘤(BCA)的鉴别诊断价值。方法:回顾性分析2020年1月-2022年8月在本院经病理证实的88例PA和29例BCA患者的临床资料和CT平扫及双期增强图像。以7∶3的比例将所有患者随机分为训练集(n=81)和测试集(n=36)。分别在3期(动脉期、平扫和静脉期)CT图像上沿病灶边缘逐层勾画ROI,提取病灶的全容积影像组学特征，并采用Spearman相关性分析、互信息法以及递归特征消除法行特征筛选，构建训练集模型和验证测试集模型并计算相应的影像组学评分(Radscore)。经单因素分析，将有统计学意义的临床资料和CT征象用于构建临床模型。基于影像组学模型和临床模型建立联合模型，并绘制联合模型的列线图。采用受试者工作特征曲线(ROC)、连续净重分类改善度(NRI)及综合判别改善度(IDI)来评估各模型的诊断效能，采用校准曲线评估和决策曲线评估列线图的准确性和临床实用价值。结果:基于CT平扫、动脉期和静脉期图像分别筛选出7个、8个和8个最佳组学特征。单期相(动脉期、平扫和静脉期)影像组学模型及临床模型鉴别PA与BAC的AUC分别...     

术前CT图像影像组学联合深度学习预测肝细胞癌经动脉化疗栓塞术后疗效的价值

目的探讨术前CT图像影像组学联合深度学习方法预测肝细胞癌(HCC)首次经动脉化疗栓塞术(TACE)疗效的价值。方法该研究为回顾性队列研究。回顾性收集2015年1月至2021年1月于哈尔滨医科大学附属第二医院行TACE治疗的HCC患者影像及临床信息。共纳入265例患者, 于初次TACE后1～2个月, 根据改良的实体瘤疗效评估标准(mRECIST)评估病灶术后改变, 分为有反应组(175例)和无反应组(90例)。采用随机数表法按8∶2的比例分为训练集(212例, 有反应组140例、无反应组72例)和测试集(53例, 有反应组35例、无反应组18例)。采用单因素和多因素logistic回归筛选临床变量, 构建临床模型。从术前CT图像中提取影像组学特征, 经降维构建影像组学模型。采用深度学习方法, 建立3种残差神经网络(ResNet)模型(ResNet18、ResNet50和ResNet101), 并对其效能进行比较和集成, 取最佳模型为深度学习模型。应用logistic回归将3个模型两两联合, 建立联合模型。采用受试者操作特征曲线在测试集中评价模型区分TACE后有反应与无反应的效能。结果在测...     

基于机器学习的多种分类模型在新型冠状病毒肺炎与社区获得性肺炎鉴别诊断中的效能

【摘要】目的:将14种常用的机器学习分类模型应用于新型冠状病毒肺炎（COVID-19）与社区获得性肺炎（CAP）的鉴别诊断,探讨能为COVID-19的早期诊断提供最优效能的机器学习分类模型。方法:搜集经临床确诊的86例COVID-19患者和100例CAP患者的胸部CT图像,利用影像组学方法提取病变区域的纹理特征,使用14种机器学习分类模型构建放射组学特征,通过ROC曲线下面积（AUC）评估模型的诊断效能,AUC最高者的效能最优。结果:14种分类模型的AUC均大于0.9,随机森林（Random Forest）模型的AUC最高（0.9406）,高斯贝叶斯（Gaussian NB）模型的AUC最低(0.9037)。结论:14种机器学习分类模型均可有效鉴别COVID-19与CAP,均具有较高的鉴别诊断效能（AUC值均＞0.9）,效能最高的模型是Random Forest（AUC=0.9406）,能够在早期诊断COVID-19方面发挥优势。     

基于增强CT影像组学预测食管鳞癌淋巴血管侵犯状态的价值

目的:探讨基于增强CT影像组学预测食管鳞癌(ESCC)淋巴血管侵犯(LVI)的价值。方法:回顾性搜集行根治性切除术并经术后病理证实的224例食管鳞癌患者,其中包括66例LVI阳性和158例LVI阴性患者。所有患者均在术前2周内进行胸部增强CT扫描。将入组的患者按照7:3的比例随机分为训练集和测试集。使用3D Slicer软件逐层勾画全肿瘤感兴趣区(ROI),采用Python软件的Pyradiomics包提取肿瘤组织的影像组学特征,建立影像组学模型用于预测食管鳞癌的LVI状态并进行验证。采用受试者工作特征(ROC)曲线的曲线下面积(AUC)、敏感度、特异度、准确度、阳性预测值和阴性预测值来评价影像组学模型的诊断效能,使用校准曲线评价影像组学模型在训练集和测试集中的拟合程度。使用决策曲线分析(DCA)评价影像组学模型的临床应用价值。结果:从全肿瘤ROI中提取了1130个组学特征,经过筛选最终保留了7个影像组学特征,并使用多因素logistic回归建立影像组学预测模型。在训练集中,影像组学模型预测LVI的AUC值为0.930,敏感度为0.851,特异度为0.919,准确度为0.899,阳性预...     

CT影像组学预测胰腺导管腺癌患者术后无病生存期的价值

【摘要】目的：探讨基于平扫和三期增强CT的影像组学模型及临床-组学综合模型对胰腺导管腺癌（PDAC）患者术后无病生存期（DFS）的预测价值。方法：回顾性分析2013年12月－2021年6月在本院经术后病理证实的124例胰腺导管腺癌患者的病例资料。所有DFS患者术后随访时间大于3个月。采用随机分组法,按照7:3的比例将患者分为训练集（n=87）和验证集（n=37）。所有患者术前行腹部CT平扫及三期（动脉期、静脉期、延迟期）增强扫描。使用ITK-SNAP软件分别在四期CT图像上沿胰腺肿瘤边缘逐层勾画ROI并融合生成三维容积ROI（VOI）,然后导入FAE软件中提取影像组学特征。采用单因素Cox回归分析及LASSO-Cox回归分析进行纹理特征的筛选,然后分别构建各期和多期联合（动脉期+静脉期+延迟期）影像组学模型并计算相应的影像组学标签得分。采用单因素和多因素Cox回归分析筛选临床特征和CT形态学特征并构建临床模型。采用多因素Cox回归分析结合临床模型变量及影像组学标签构建临床-组学综合模型并绘制其诺莫图。采用一致性指数（C-index）、时间依赖性（time-dependent）ROC曲线、校正曲线和决策曲线分析（DCA）对模型的诊断效能及临床效益进行评价。利用R语言计算临床-组学综合模型的最佳截断值,并据此将患者分为高风险组和低风险组,采用Kaplan-Meier法分析生存资料并进行log-rank检验。结果：基于平扫、动脉期、静脉期和延迟期及多期联合分别筛选得到5、16、4、12和17个组学特征,分别建立相应的组学模型并获得影像组学标签值。经log-rank检验,所有组学标签均与DFS具有相关性（P<0.05）,其中多期联合模型的预测效能最佳（训练集：C-index=0.786,6~24个月AUC=0.850~0.928;验证集：C-index=0.802,6~24个月AUC=0.796~0.874）;而临床模型的预测效能较低（训练集：C-index=0.635,6~24个月AUC=0.647~0.679;验证集：C-index=0.596,6~24个月AUC=0.545~0.656）。临床-组学综合模型的预测效能（训练集：C-index=0.812,6~24个月AUC=0.883~0.958;验证集：C-index=0.796,6~24个月AUC=0.813~0.894）明显优于临床模型;校准曲线显示临床-组学综合模型的拟合度好;DCA显示临床-组学综合模型的临床净收益优于临床模型。临床-组学综合模型的截断值为2.738。Kaplan-Meier生存分析显示在训练集和验证集中,高风险组患者的DFS明显短于低分风险组。结论：基于多期CT扫描的影像组学模型结合临床特征构建的临床-组学综合模型在预测胰腺导管腺癌患者术后DFS方面,相较于临床模型和影像组学模型具有更好的预测效能,有助于指导临床制订个体化的治疗策略和改善患者的预后。     

基于X线摄影影像组学特征鉴别乳腺良恶性肿块的价值

目的探讨X线摄影影像组学对乳腺肿块良、恶性鉴别诊断的价值。方法选取乳腺肿块136例患者的相关X线摄影及病理资料,采用人工智能Mask R-CNN算法对乳腺肿块的精确分割,应用回归算法建立模型并验证,利用ROC曲线及决策曲线评价模型,并使用Delong检验比较不同模型的效能,同时将Shap方法应用于模型的解释。结果筛选后最终纳入乳腺侧斜位(MLO)视角21个特征,头尾位(CC)视角20个特征,两个融合视角38个特征进行建模。三个模型在测试集中对乳腺肿块良恶性判别的AUC值分别为0.842、0.843、0.955。且MLO视角的组学特征建模模型和CC视角的组学特征建模模型效能差异无统计学意义(P=0.9454),两个单视角模型与融合视角模型ROC曲线下面积差异有统计学意义(P=0.0012和P=0.0059)。结论基于乳腺X线摄影多视角融合模型对良、恶性肿块的鉴别具有较大的应用价值。     

基于18F－FDG PET/CT的机器学习模型对风湿性多肌痛的诊断价值

目的探讨基于18F-FDG PET/CT的机器学习模型对风湿性多肌痛(PMR)的诊断价值。方法回顾性分析2014年11月至2022年12月间入住常州市第一人民医院免疫风湿科, 疑似PMR并行18F-FDG PET/CT检查的177例患者[男119例、女58例, 年龄67.0(61.0, 72.0)岁]资料。将患者按照7∶3随机等比抽样分为训练集和验证集。利用分类和回归树(CART)、最小绝对收缩和选择算子(LASSO)算法和logistic回归3种机器学习模型对PET/CT影像学特征进行学习。通过ROC曲线分析评估各模型的诊断效能, 采用Delong检验比较不同AUC的差异。结果 PMR患者78例(44.1%, 78/177), 非PMR患者99例(55.9%, 99/177);训练集124例, 验证集53例。Logistic回归模型(训练集:AUC=0.961;验证集:AUC=0.930)在诊断PMR方面优于CART(训练集:AUC=0.902, z=2.96, P=0.003;验证集:AUC=0.844, z=2.46, P=0.014), 与LASSO算法诊断效能相似(训练集:A...     

基于深度残差网络研发辅助诊断软件用于X线胸片分类诊断

【摘要】目的:研究以深度残差网络（ResNet）为基础架构建立深度学习模型,对X线胸片(CXR )做出“有发现”与“无发现”鉴别诊断的可行性。方法:回顾性收集2017年1月1日至2018年7月1日的连续CXR图像及诊断报告,经过数据清洗后分为“无发现”组（无任何异常发现,诊断印象为“两肺心膈未见异常”,共9765例）与“有发现”组（诊断印象中提及了一种以上影像所见,共9956例）。使用ResNet152（152 layers）作为二分类模型的基础架构,结合Grad-CAM技术生成模型激活热图,训练二分类模型。数据随机分为训练集（70%）、调优集（20%）和测试集（10%）。以测试集的预测结果检测CXR二分类模型的效能。结果:在测试集中（“有发现”者1018例,“无发现”者995例）,CXR二分类模型鉴别“有发现”与“无发现”的精确度分别为0.885和0.894,召回率分别为0.898和0.880,F1-分数分别为0.891和0.887,ROC曲线下面积均为0.96。 结论:使用CXR二分类模型可对X线胸片做出“无发现”与“有发现”的预测。