基于超声图像的迁移学习模型在 乳腺肿块良恶性鉴别诊断中的价值

目的 探讨基于超声图像的迁移学习模型在乳腺肿块良恶性鉴别诊断中的应用价值。方法 收集我院2018年5月至2021年3月经手术或穿刺活检病理证实的300例乳腺肿块患者共计582张超声图像作为超声数据集（训练集482张,测试集100张）。采用迁移学习方法对经过ImageNet数据集预训练的三种深度卷积神经网络模型（VGG-16,Inception-v3,ResNet-50）进行训练和测试。第一次迁移学习,三种模型分别对公共数据库CBIS-DDSM(Curated　Breast　Imaging　Subset　of　DDSM)数据集中的良恶性乳腺肿块X线图像进行识别学习,并对模型进行微调;第二次迁移学习,利用超声数据集中随机挑选的训练集超声图像对三种模型进行微调。分别比较三种模型使用不同次数迁移学习后对乳腺肿块良恶性诊断效能。结果 VGG-16、Inception-v3、ResNet-50三种模型经过迁移学习后所有评价指标均有提高,其中基于ResNet-50建立的模型对乳腺肿块良恶性鉴别具有更优的效果,准确率为88.0%,敏感性为82.7%、特异性为93.8%、AUC值为0.915。结论 基于超声图像的ResNet-50迁移学习模型在乳腺肿块良恶性鉴别诊断中具有较高的准确率,可为低年资医师精准诊断提供决策支持。