基于机器学习的椎弓根螺钉钉道超声图像评估方法

目的 探讨基于支持向量机（SVM）构建的人工智能辅助诊断模型对椎弓根螺钉钉道完整性进行超声鉴别与验证的方法研究。 方法 本文提出了一种基于超声图像智能分析的椎弓根钉道完整性评估方法。数据采自4个新鲜人体胸腰椎标本。预建立钉道50个，共800张超声图像（其中钉道完整与破损的样本各400个），采用五折交叉验证的方法对样本进行训练集与测试集的划分，对人工智能辅助诊断模型进行训练及测试。首先对超声图像进行裁剪，并采用亮度映射方法进行图像增强得到易于计算机判断识别且排除无效信息干扰的超声图像；然后通过灰度共生矩阵算法进行纹理特征提取，并采用支持向量机模型对正常和严重破损样本的初始分类模型进行搭建；其次，使用灰度分布得到用于区分前景和背景的阈值，并通过设计的损失函数得到得到钉道同心圆的半径；最后将同心圆外部图像的熵、方差、对比度、能量、平均绝对偏差作为第二类特征，最后进行轻微破损样本和未破损样本的二次分类模型搭建。 结果 初始分类的准确率为74.75%，特异性为71.81%，灵敏度为81.5%，F1值为76.35%，假正率为32%，假负率为18.5%。二次分类的准确率为93.75%，特异性为91.55%，灵敏度为97.5%，F1值为94.43%，假正率为9%，假负率为2.5%。二次类准确率与初始分类相比较，准确率提升19%。 结论 本文提出的基于SVM机器学习模型的方法可较为准确地检测椎弓根钉道的破损情况，且准确率较高，可用于术中实时判断椎弓根钉道的状态。     

基于影像组学和机器学习的胃肠道间质瘤与非胃肠道间质瘤鉴别

目的 建立并验证基于影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤。方法 纳入符合标准的患者435例,采集胃肠道间质瘤与非胃肠道间质瘤(包括胃平滑肌瘤、神经鞘瘤)共3279张超声内镜图像,按7:3比例分为训练集和测试集,采用Pyradiomics提取肿瘤影像组学特征并应用PCA、LASSO、Xgboost、Random Forest、RFE算法设计特征筛选方案,基于所选特征通过SVM分类器建立模型并评估对胃肠道间质瘤与非胃肠道间质瘤的预测性能。 结果 由最终筛选得到的影像组学特征建立影像组学模型,五种特征筛选模型(PCA, PCA+LASSO, PCA+Xgboost, PCA+ Random Forest, PCA+RFE)的曲线下面积(Area under curve,AUC)分别为0.581,0.870,0.874,0.860, 0.661。结论 PCA与Xgboost的特征筛选方法效果最佳,基于上述影像组学和机器学习方法鉴别胃肠道间质瘤与非胃肠道间质瘤的模型可用于患者的术前预测,并可作为指导后续个性化治疗的有效临床工具。     

基于深度学习的4种肺部超声征象分类

目的　探究基于残差卷积神经网络ResNet152对4种常见肺部超声征象的分类。方法　前瞻性收集了2020年6－9月在上海市肺科医院超声科进行超声检查的患者的超声图像,分别采集A线、B线、胸腔积液、肺实变的肺部超声图像各1 500张。选择其中清晰、未被骨骼遮挡、征象单一的图像,最终入选A线图像1 388张、B线图像1 375张、胸腔积液图像1 384张、肺实变图像1 398张。采用深度残差网络ResNet152进行分类模型的训练和验证,并在完全独立于训练集和验证集的测试集上测试模型的泛化能力。以精确率、准确度、特异度、召回率和F1指数评价深度分类模型的分类性能,并通过混淆矩阵直观地展示分类结果。结果　基于深度残差网络的分类模型分类A线、B线、胸腔积液和肺实变4种征象的精确率分别为97.51%、87.31%、85.42%、93.70%,召回率分别为90.38%、86.97%、94.25%、91.18%。4种肺征象的整体分类精确率为90.99%,准确度为90.70%,特异度为96.85%,F1指数为90.50%,表现出优秀的分类特性。结论　基于深度残差网络的肺部超声分类模型表现出较高的分类特性,有潜力辅助超声医师做出诊断。