基于钼靶影像组学列线图预测乳腺癌Her-2表达状态

目的：探讨基于钼靶影像组学列线图在术前预测乳腺癌Her-2表达状态的应用价值。方法：分析手术或穿刺前行乳腺钼靶检查的262例女性浸润性导管癌(IDC)病人。按照7∶3比例随机分为训练集183例和测试集79例。利用钼靶图像手动勾画感兴趣区(ROI),通过最小绝对收缩和选择算子(least absolute shrinkage and selection operator, LASSO)回归提取影像组学特征,通过统计和LASSO机器学习方法降维,保留纳入模型的最优预测特征,采用logistic回归作为分类器,建立影像组学模型;结合影像资料,通过单-多因素logistic回归,筛选独立危险因素建立影像特征模型;将影像组学特征结合独立危险因素建立影像组学列线图模型。采用受试者操作特征(ROC)曲线分析各模型的预测效能并计算曲线下面积(AUC),并绘制校准曲线及决策曲线评估其效能。结果：列线图模型的预测效能最佳,训练集敏感度84.62%,特异度84.75%,AUC值为0.920,测试集敏感度84.00%,特异度83.33%,AUC值为0.916。校准曲线中列线图模型的预测曲线与理想曲线一致性较好...     

基于超声深度学习影像组学的乳腺癌新辅助化疗疗效预测

目的 开发一种结合超声影像组学、深度学习和临床特征的综合模型,以预测乳腺癌新辅助化疗（Neoadjuvant Chemotherapy,NAC）后的病理完全缓解（Pathological Complete Response,pCR）。方法 共纳入117例乳腺癌患者,按照7∶3的比例随机划分为训练集和验证集。采用Mann-WhitneyU检验、随机森林递归消除算法和最小绝对收缩和选择算子进行特征筛选及影像组学/深度学习标签构建。对患者的临床参数进行单/多因素分析,以选择有效特征构建临床模型。然后利用逻辑回归算法将临床特征与影像组学、深度学习标签相结合,构建临床-影像组学-深度学习综合模型。从预测效果、校准能力和临床实用性方面评估模型性能。结果 临床-影像组学-深度学习综合模型相比于单独的临床、影像组学和深度学习模型在训练集和验证集中均显示出最高的曲线下面积（训练集：0.949 vs. 0.788 vs. 0.815 vs. 0.928;验证集：0.931 vs.0.643 vs. 0.778 vs. 0.901）。校准曲线和决策曲线证实综合模型具有良好的预测性能。结论 与单一模型比较,综...     

常规超声特征早期预测乳腺癌 Ki-67高表达的模型构建

目的 基于常规超声特征构建Ki-67 表达水平预测模型，探讨模型对乳腺癌Ki-67 高表达的早期无创诊断效能。 方法 回顾1999年5月至2022年5月浙江省人民医院行常规超声检查且手术病理行Ki-67检测的337例女性乳腺癌患者的影像 学和临床病理资料。按照 1∶4 随机抽样分为训练集 269 例和验证集 68 例，并以 20％作为 Ki-67 高表达状态的阈值分为高表达组 （训练集169 例，验证集43 例）和低表达组（训练集100 例，验证集25 例）。应用单因素及多因素logistic 回归分析常规超声特征与 Ki-67 表达水平的关系，构建基于常规超声特征的乳腺癌 Ki-67 高表达早期预测模型，并验证模型预测的准确性和效能。 结果 单因素分析显示，肿瘤最大径、边缘、血供、腋窝淋巴结异常在 Ki-67 高表达组与低表达组间比较差异均有统计学意义（均 P＜ 0.05）。多因素 logistic 回归分析显示，肿瘤最大径（OR=1.043，P＜0.05）、边缘（OR=3.044，P＜0.05）、腋窝淋巴结异常（OR= 2.935，P＜0.01）是乳腺癌 Ki-67 高表达的独立预测因素。基于上述特征构建乳腺癌 Ki-67 表达水平早期预测模型：方程 Logit（p）=-1.891+1.077×腋窝淋巴结（正常=0，异常=1）+0.042×肿瘤最大径（mm）+1.113×边缘（光整=0，不光整=1），AUC为 0.735（95%CI：0.672~0.798），灵敏度为 0.746，特异度为 0.660。验证集验证预测模型的 AUC 为 0.794（95%CI：0.684~0.904），灵 敏度为0.651，特异度为0.840。 结论 肿瘤最大径、边缘、腋窝淋巴结异常是乳腺癌Ki-67高表达的独立预测因素，基于常规超声 特征构建的Ki-67高表达预测模型可以对乳腺癌Ki-67表达情况进行早期快速无创评估。     

基于CT影像组学对食管鳞状细胞癌病理分化程度的预测

目的：探讨CT影像组学在预测食管鳞状细胞癌分化程度中的价值。方法：回顾性分析2008年1月到2016年8月经手术病理切片证实为食管鳞状细胞癌,临床资料完善和术前行CT增强扫描并获得完整图像的160例,随机分成训练集(103例)和验证集(57例),运用Matlab软件对图像进行特征提取并进行筛选,建立影像组学标签。结合获得的影像组学标签和临床资料建立多变量logistic回归分析,建立影像组学模型(radiomics predictive mode)并进行验证。运用受试者操作特征(receiver operator characteristic,ROC)曲线评价模型术前预测食管鳞状细胞癌分化程度的效能。结果：影像组学标签为食道癌病理分化程度显著的独立预测因素。影像组学预测模型在训练组中的曲线下面积(area under curve,AUC)值为0.791,敏感度为81.6%,特异度为72.3%;在验证集中的AUC值为0.757,敏感度为70.0%,特异度为73.0%。结论：基于CT影像提取的影像组学特征构建的模型,对于术前预测食管癌分化程度具有一定的效能。     

HER2阳性乳腺癌新辅助化疗疗效的影响因素及列线图预测模型建立

目的:探讨人表皮生长因子受体2(HER2)阳性乳腺癌新辅助化疗(NAC)疗效的影响因素及列线图预测模型建立。方法:选取96例HER2阳性乳腺癌患者为研究对象，根据NAC是否获得病理完全缓解(pCR)分为pCR组(n=36)和非pCR组(n=60)。采用Logistic回归分析法确立影响HER2阳性乳腺癌患者NAC疗效的因素，并构建疗效列线图模型，应用受试者工作特征(ROC)曲线验证模型的预测效能。结果:96例患者中，36例获得pCR,获得率37.50%。pCR组患者年龄>40岁、体质指数(BMI)>24 kg/m²、有病灶钙化、组织学分级高、Ki-67表达≥15、HR阴性、肿瘤浸润淋巴细胞阳性、BPE下降明显的占比高于非pCR组(P<0.05)。回归分析显示，组织学分级、HR状态、肿瘤浸润淋巴细胞状态及BPE是影响HER2阳性乳腺癌患者NAC疗效的预测因素(P<0.05)。HER2阳性乳腺癌患者NAC疗效列线图预测模型的ROC曲线下面积(AUC)为0.776(95%CI:0.679～0.855),敏感度为75.00%,特异度为73.33%。...     

基于增强CT影像组学术前预测胃癌淋巴结转移

目的 探讨基于增强CT图像的影像组学术前预测胃癌淋巴结转移的价值。方法 回顾性分析经手术后病理证实的胃癌患者259例,将其随机分为训练集(n=183)和验证集(n=76)。在CT增强静脉期图像上对肿瘤区域进行分割,使用AK软件计算提取396个影像组学特征,在训练集中采用最小冗余最大相关方法 (mRMR)及最小绝对收缩和选择算子(LASSO)来选择最有预测价值的影像组学特征,使用多元逻辑回归分析构建影像组学预测模型,最后使用受试者工作特征(ROC)曲线,在训练集和验证集中分别通过曲线下面积(AUC)评估该模型预测胃癌淋巴结转移的效能。结果 在提取的396个影像组学特征中,最终筛选出12个对胃癌淋巴结转移最有预测价值的影像组学特征构建影像组学模型,其在训练集和验证集中的AUC分别为0.82和0.78,其准确度、敏感度、特异度分别为0.79、0.74、0.83及0.76、0.63、0.85。结论 基于增强CT图像的影像组学对术前预测胃癌淋巴结转移具有潜在的价值。     

多参数MR影像组学标签鉴别非典型纤维腺瘤与浸润性乳腺癌

目的 探讨基于多参数磁共振T₂WI及弥散加权成像序列的影像组学模型在鉴别非典型纤维性腺瘤与浸润性乳腺癌中的价值。方法 回顾性分析154例因乳腺肿块就诊患者的影像资料。其中包括经乳腺影像报告和数据系统评估为4类但病理活检证实为纤维腺瘤的ABF43例,病理活检为IBC的111例。利用达尔文科研平台将数据集按照4∶1随机分成训练集和测试集,提取所勾画病灶上的影像组学特征,利用支持向量机建立影像组学鉴别模型,通过对受试者操作特征曲线、敏感度、特异度及准确率进行分析,探讨单独T₂WI图、单独DWI图及T₂WI联合DWI图像三种模型在ABF组和IBC组间的鉴别价值。结果 T₂WI图和DWI图训练集及测试集的ROC曲线下面积分别为0.80、0.75,0.75、0.70;T₂WI图像联合DWI图像模型训练集及测试集的ROC曲线下面积分别为0.85,0.79。结论 T₂WI联合DWI图像影像组学模型对鉴别ABF及IBC具有一定价值,可辅助临床更精准的判断患者肿块类型,尽可能...     

肺腺癌CT影像组学特征与病理结果对照研究

目的 评估电子计算机断层扫描(CT)成像影像组学技术在鉴别肺腺癌浸润性上的预测价值。方法 回顾分析本院收治的121肺腺癌患者的CT影像资料,使用CT影像组学技术提取CT特征,并使用受试者工作特征曲线(ROC)分析相关特征参数在预测肺腺癌浸润性上的价值。结果 浸润组的病灶大小和平均CT值与微浸润组差异显著(P<0.05)。病灶大小的AUC=0.726,特异度为84.48%,敏感度为53.9 7%;平均CT值的AUC=0.781,特异度为87.93%,敏感度为61.9 0%;CT影像组学特征模型对肺腺癌浸润性的AU C=0.962,特异度为94.83%敏感度为82.54%。结论 CT影像组学可以鉴别肺腺癌的浸润情况,特异度和敏感度较高。     

基于T2WI与RS-EPI DWI影像组学特征的自动化机器学习模型预测直肠癌术前T分期的价值

  目的  探讨基于磁共振T2加权成像（T2 weighted image, T2WI）和分段读出平面回波成像（readout-segmented EPI, RS-EPI）与扩散加权成像（diffusion weighted image, DWI）的影像组学特征,通过开发和验证自动化机器学习模型,预测直肠癌术前病理T分期的价值。  方法  回顾性分析2016年10月?2018年12月经手术病理结果证实为直肠癌且在我院行术前直肠磁共振的患者131例。采用ITK-SNAP软件从T2WI和RS-EPI DWI图像中手动分割出肿瘤区域。使用PyRadiomics包提取出200个特征〔100个特征来自于T2WI,100个特征来自RS-EPI DWI的表观弥散系数（apparent diffusion coefficient, ADC）图〕。使用mwmote与neater重采样均衡数据,加入13例T_1-2期模拟数据。根据3∶1的比例将总体数据分割成训练集111例和测试集37例。在训练集上使用Tree-based Pipeline Optimization Tool（TPOT）最优化模型参数并选取最重要的组学特征建模,得到5个互相独立的T分期模型。使用准确率和受试者工作特征（ROC）曲线下面积（area under the curve, AUC）筛选出最优模型。在测试集和原数据集上预测直肠癌T分期。  结果  自动化机器学习推荐的5个T分期模型,在训练集上的准确率为0.802～0.838,敏感度为0.762～0.825,特异度为0.833～0.896,AUC范围为0.841～0.893,average precision（AP）范围为0.870～0.901。经过对比后,最终选择的模型的敏感度、特异度、AUC,在训练集上为0.810、0.875、0.893,在测试集上为0.810、0.813、0.810,在原始数据集上为0.810、0.830、0.860。  结论  基于T2WI和RS-EPI DWI的影像组学数据,通过自动化机器学习建立的模型在预测直肠癌T分期上有较高的准确率。     

基于3D MRI影像组学模型鉴别IA期宫颈癌与高级别鳞状上皮内瘤变的价值研究

目的 探讨基于3D磁共振T₂WI及动态对比增强DCE序列影像组学模型在鉴别ⅠA期宫颈癌与高级别鳞状上皮内瘤变(HSIL)中的价值。方法 回顾性分析经手术病理证实的ⅠA期宫颈癌患者52例与HSIL患者35例,收集患者的临床资料及影像资料,利用汇医慧影平台将患者按10:3随机分成训练集和测试集,在矢状位T₂WI和DCE上由三名放射科医生手动勾画宫颈,获得宫颈三维容积感兴趣区(VOI),提取影像组学特征。并进行数据降维。采用KNN算法建立模型并绘制受试者工作特性曲线(ROC曲线),对训练集和测试集ROC曲线下的总面积(AUC)、敏感度、特异度、准确率4个指标展开分析。结果 T₂WI模型、DCE模型以及T2WI联合DCE模型最终提取出的影像组学特征征别为23、11、28,训练集及测试集的AUC值分别为0.833、0.797,0.877、0.870,0.897,0.813。结论 T₂WI联合DCE图像影像组学模型比单一模型更具有临床价值,有助于评估病情,并针对病情所处阶段制定个体化治疗方案。     

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。     

基于动态增强MRI瘤内和瘤周的影像组学模型在预测三阴性乳腺癌的诊断价值

目的 探讨基于动态增强磁共振(DCE-MRI)瘤内和最佳瘤周区域影像组学模型来预测三阴性乳腺癌(TNBC)。方法 回顾性分析东部战区总医院2017年6月至2022年5月入院治疗并行手术病理证实的232例乳腺癌患者。采用随机抽样的方法按照8∶2比例分为训练集(n=185)和测试集(n=47)。所有患者均行乳腺DCE-MRI检查，在DCE-MRI序列上手动逐层勾画感兴趣区(ROI),瘤周区域分别等距外扩。线性相关阈值和方差分析用于特征筛选，联合逻辑回归(LR)的机器学习方法构建影像组学模型。融合模型由瘤内及最佳瘤周影像组学特征共同组成。采用受试者工作特性曲线(ROC)来评价各模型的诊断性能，Delong检验来比较各模型预测性能。结果 瘤内模型的训练集和测试集的ROC曲线下面积(AUC)分别为0.833、0.768。瘤周特征建模以瘤周6 mm范围结果最佳，在训练集和测试集AUC分别为0.814、0.790。瘤内和瘤周的融合模型的预测效能最佳，在训练集和测试集AUC分别为0.924、0.881。结论 基于乳腺DCE-MRI瘤内和瘤周的融合影像组学模型可以很好的预测三阴性乳腺癌。     

基于ADC图的三维卷积神经网络模型在判断直肠癌T分期的应用

目的 利用三维卷积神经网络与磁共振弥散加权成像(DWI)序列的ADC图对直肠癌患者肿瘤T分期进行分类判断,提高分期准确度。方法 回顾性分析183例直肠癌病例,其中训练集160例,测试集23例(T1/T2期13例,T3/T4期10例)。训练集图像采用水平、垂直翻转等方式进行4倍扩充。基于三维卷积神经网络进行训练,采用十折交叉验证方法降低模型过拟合程度。根据测试结果数据绘制受试者工作特征(ROC)曲线,并计算曲线下面积(AUC),分析卷积网络模型的准确性与可靠性。结果 测试集测试结果显示,卷积网络模型判断肿瘤T分期的准确率为82.6%,ROC曲线的AUC为0.850,敏感度和特异度分别为84.6%和80.0%。结论 基于卷积神经网络模型与ADC图自动判断直肠癌肿瘤T分期相比人工分期提高了准确性与效率。     

基于MRI的神经网络模型预测胶质母细胞瘤O6-甲基鸟嘌呤-DNA-甲基转移酶启动子状态

目的 基于神经网络模型使用术前常规模态磁共振图像预测胶质母细胞瘤O⁶-甲基鸟嘌呤-DNA-甲基转移酶(MGMT)启动子甲基化状态。方法 回顾性分析兰州大学第二医院经手术病理证实的129例胶质母细胞瘤患者的T2WI序列和T1WI对比增强序列的磁共振图像，其中MGMT甲基化患者66例，MGMT非甲基化患者63例。基于EfficientNet卷积神经网络分别构建T2-net、T1C-net及两种序列联合的TS-net，通过受试者工作特征(ROC)曲线、曲线下面积(AUC)敏感度、准确度及特异度评价模型预测效能。结果 TS-net在训练和验证数据集的AUC分别为0.944和0.838,T1C-net模型的AUC分别为0.951和0.830,T2-net的AUC分别为0.929和0.781。结论 基于磁共振常规序列图像训练深度学习模型可有效预测胶质母细胞瘤患者的MGMT甲基化状态，帮助制定进一步治疗计划。     

超声影像组学模型对乳腺癌人表皮生长因子受体2表达的预测价值

目的探讨超声影像组学模型对乳腺癌分子标志物人表皮生长因子受体2（HER-2）表达的预测价值。方法回顾2018年1月至2023年4月三峡大学第一临床医学院经病理检查证实为乳腺癌女性患者235例,其中HER-2表达阳性患者85例,HER-2表达阴性患者150例。将患者按7∶3随机分为训练集164例和验证集71例。选取显示乳腺病灶最大径线切面的超声图像,利用3D-Slicer软件手动图像分割和影像组学特征提取。然后对特征进行筛选,将特征进行Z-Score标准化,通过Pearson相关系数最小冗余最大相关算法和最小绝对收缩和选择算子筛选特征,利用AdaBoost算法构建影像组学模型。使用ROC曲线评估模型效能,Delong检验评价训练集和验证集间AUC的差异。结果最终选取8个影像组学特征用于构建超声影像组学模型。该模型在训练集和验证集中预测HER-2阳性表达的AUC、准确度、灵敏度、特异度、阳性预测值和阴性预测值分别为0.830（95%CI：0.772～0.888）、0.718、0.853、0.642、0.574、0.885,0.771（95%CI：0.629～0.912）、0.723、0.706、0.733、0.600、0.815。Delong检验结果显示训练集和验证集AUC的差异无统计学意义（P＞0.05）。结论超声影像组学模型对乳腺癌分子标志物HER-2表达的预测具有重要价值。     

预测浸润性乳腺癌无病生存期的临床影像融合模型研究

目的 构建术前临床影像组学融合模型,探讨其预测浸润性乳腺癌无病生存期的效能。方法 收集2015年7月至2017年5月浙江中医药大学附属第一医院术前接受乳腺动态增强MRI检查的浸润性乳腺癌女性患者131例。按照7∶3的比例随机分为训练集91例与内部验证集40例。从肿瘤和瘤体向外扩5mm区域分别提取原始肿块和瘤内加瘤周的影像组学特征。运用F检验及logistic回归分析对影像组学特征进行缩减后,分别建立影像组学模型。采用多因素Cox比例风险模型分析临床病理风险因素与无病生存期的关系,并确定有效的预测因素建立临床模型。将最优影像组学模型的影像组学评分（Radscore）和独立临床病理风险因素结合建立融合模型。采用ROC曲线评估影像组学模型和融合模型的预测效能。结果 在验证集中,临床模型、原始肿块影像组学模型、瘤内加瘤周影像组学模型及融合模型的AUC(95%CI)分别为0.791(0.690～0.893)、0.898(0.839～0.956)、0.930(0.878～0.983)、0.969(0.941～0.996),灵敏度分别为0.789、0.895、0.842、0.947,特异度分别为0....     

梯度提升机模型在非静脉曲张上消化道出血后再出血中的预测价值

目的：探讨梯度提升机（GBM）模型在预测非静脉曲张上消化道出血（NVUDB）患者再出血中的临床价值。方法：回顾性分析2020年10月至2021年12月本院收治的258例NVUDB患者的临床资料，并按照7∶3比例将数据集随机分为训练集和验证集，分别用于构建GBM模型和验证模型的可靠性。采用受试者工作特征（ROC）曲线分析评价模型性能，校准曲线评估模型预测概率与样本概率之间的一致性，决策曲线评估该模型的临床实用性。结果：NVUDB患者再出血发生率为20.9%。GBM算法模型中重要特征得分前5项为Rockall评分、入院时休克、D-二聚体水平、白蛋白水平、红细胞分布宽度。训练集曲线下面积为0.985(95%CI:0.971～0.998)，验证集为0.873(95%CI:0.785～0.960)。训练集的预测准确率为92.2%，验证集的预测准确率为83.3%。校准曲线显示GBM模型预测值与实际观测值之间具有良好的一致性，模型能够较好地预测实际概率。临床决策曲线分析结果展示了模型具有良好的临床表现能力。结论：基于GBM算法模型可以较好地预测NVUDB患者再出血的风险因素，且具有较高的临床有效性。     

肿瘤出芽与乳腺癌临床病理特征、肿瘤浸润淋巴细胞及患者预后的相关性探讨

目的 探讨肿瘤出芽与乳腺癌临床病理特征、肿瘤浸润淋巴细胞及患者预后的相关性。方法 选取2015年1月～2017年1月我院收治的89例乳腺癌患者肿瘤组织切片和资料,在显微镜下对乳腺癌临床病理特征观察,同时分析肿瘤浸润淋巴细胞与患者预后相关性。结果 乳腺癌临床病理特征与人类表皮生长因子受体2、年龄、Ki67和肿瘤大小没有相关性,脉管癌栓侵袭、淋巴结阳性、组织学分级高与乳腺癌临床病理特征存在相关性;乳腺癌肿瘤浸润淋巴细胞水平与出芽状况呈反比关系,肿瘤出芽数量越多,乳腺癌肿瘤浸润淋巴细胞水平越低,肿瘤出芽数量越少,乳腺癌肿瘤浸润淋巴细胞水平越高;经随访,高肿瘤出芽组无病生存率为90%,低肿瘤出芽组无病生存率为98%,两组生存率存在明显差异,患者预后与乳腺癌肿瘤出芽水平存在相关性。结论 乳腺癌肿瘤浸润淋巴细胞水平与出芽状况呈负相关,乳腺癌肿瘤恶性程度与出芽水平存在相关性,与恶性程度高的临床病理指标密切相关,可对患者预后产生影响。对肿瘤出芽与乳腺癌临床病理特征、肿瘤浸润淋巴细胞及患者预后的相关性探讨,可为患者临床治疗提供更有效理论依据和重要基础。     

CT影像组学和机器学习预测胆囊息肉样病变性质的研究

目的 探讨不同机器学习的影像组学模型预测胆固醇性胆囊息肉和腺瘤牲胆囊息肉的价值。方法 回顾性分析2015年9月至2022年9月我院100例经手术病理证实的胆固醇性息肉和腺瘤性息肉患者的临床及影像资料。基于术前增强CT提取的影像组学特征,训练集采用T检验和最小绝对收缩和选择算子交叉验证法进行特征筛选。然后用3种机器学习方法 (人工神经网络、逻辑回归和支持向量机)构建预测模型,利用ROC曲线下面积、准确率以及F1度量值评估3种模型的预测能力,并通过验证集进行验证。结果 人工神经网络算法在基于10个影像组学特征的息肉病变性质鉴别模型中预测效果最好,具有最高的曲线下面积(训练集为1;验证集为0.81)、准确率(训练集为1;验证集为0.83)及F1度量值(训练集为1;验证集为0.76)。10个影像组学特征中,基本特征1个、小波特征9个。结论 基于增强CT的机器学习影像组学模型有助于预测胆固醇性胆囊息肉和腺瘤牲胆囊息肉的病变性质,为两者的定性诊断及治疗方式的选择提供依据。     

基于图像分类技术在医学影像数据治理过程中的研究与应用

目的 探讨在数据治理过程中利用深度学习的图像分类方法对每幅X线检查图像进行准确分类的可行性。方法 将安徽省全省范围内80%以上的医疗机构的不同类型设备上传至安徽省影像云平台中的脱敏后X线数据纳入本研究,并选取25种常见的X线检查项目,由两名影像科技师参考放射科信息系统的检查项目名称,对数据治理平台中获取的12857幅影像数据进行标注。标注数据集按照7∶1∶2的比例分为训练集、验证集和测试集,其中训练集9006张图像,验证集1279张图像,测试集2572张图像。基于ResNet50搭建深度学习网络,利用训练集和验证集数据进行模型训练,测试集测试结果采用受试者工作特征曲线（Receiver Operating Characteristic Curve,ROC）和敏感度作为模型的性能评价指标。结果 测试集的测试结果显示,大多数图像分类正确,图像分类平均ROC曲线下的面积为99.94%,敏感度为98.05%±5.68%,但仍有少量图像不准确。结论 在医学影像数据治理过程中,基于图像分类的方法可以实现大部分X线检查项目图像的准确分类,但少量图像由于拍摄图像不规范,无法正确分类,需要结合放射科信息...