基于深度学习的超声影像诊断对终末期慢性肾病的价值

目的探讨基于深度学习的卷积神经网络模型DenseNet121对终末期肾病的诊断价值。 方法回顾性选择2019年1月1日至9月30日期间中日友好医院诊断为终末期肾病的489张肾超声影像和对照组450张健康肾超声影像。采用深度卷积神经网络模型DenseNet121进行网络的训练和验证,把是否为终末期肾病作为参考标准。然后将深度学习模型的诊断结果与专业影像医师的诊断结果进行比较。以受试者工作特征曲线（ROC）评价深度学习模型的诊断性能,以准确性、特异度、敏感度和曲线下面积（AUC）作为衡量指标比较深度学习模型和专业影像医师的诊断性能,采用Delong方法比较2种诊断方式AUC的差异。 结果专业医师对终末期肾病诊断的准确性为89.36%,敏感度为81.63%,特异度为97.77%,AUC为0.897。基于深度学习的卷积神经网络模型对终末期肾病诊断的准确性为93.51%,敏感度为96.12%,特异度为90.66%,AUC为0.934;与专业医师相比,具有更高的诊断能力（Z=3.034,P=0.002）。 结论基于深度学习的超声诊断方法显示了较高的诊断性能,有潜力辅助专业影像医师,进行终末期肾病的诊断。     

基于剪切波弹性成像和卷积神经网络建立深度学习模型预测肾脏病变

目的 基于剪切波弹性成像（SWE）量化参数和卷积神经网络建立深度学习（DL）模型预测肾脏病变。方法 采集94例肾脏病变患者（病例组）和109名健康人（对照组）的肾脏超声SWE量化参数。利用卷积神经网络建立DL模型,比较DL模型和支持向量机、随机森林模型预测肾脏病变的敏感度、特异度、准确率和曲线下面积（AUC）。结果 DL模型对预测肾脏病变的敏感度为90.48%,特异度为100%,准确率为95.12%,AUC为0.93;支持向量机模型的敏感度、特异度、准确率和AUC分别为80.74%、80.71%、80.98%、0.90,随机森林模型分别为82.22%、77.87%、80.33%和0.88。DL模型预测敏感度、特异度、准确率和AUC均高于支持向量机和随机森林模型,与支持向量机模型和随机森林模型预测肾脏病变差异均有统计学意义（P均<0.05）。结论 基于SWE量化参数和卷积神经网络的DL模型预测肾脏疾病性能良好,具有一定临床价值。