基于深度学习的肝外伤超声图像自动识别模型

目的建立基于深度学习的卷积神经网络肝损伤模型（CNLDM）,并评估其对肝实质挫裂伤的诊断价值。 方法通过动物实验获得2009张含有肝实质挫裂伤超声图像及1302张正常肝超声图像,作为模型的训练集和验证集。回顾性收集2015年1月至2021年4月解放军总医院第一医学中心确诊存在肝实质挫裂伤的超声图像153张,以及81张不含肝实质挫裂伤的肝超声图像,作为模型的外部测试集。6名不同年资医师分别对测试集图像数据进行判读。使用受试者操作特征（ROC）曲线及决策曲线分析（DCA）检验模型效能,比较不同年资医师与CNLDM模型预测肝实质挫裂伤的敏感度、特异度、准确性、阴性预测值及阳性预测值。 结果CNLDM模型诊断效能（敏感度为80%,特异度为77%,阳性预测值为87%,阴性预测值为66%）优于低年资医师组（敏感度为61%,特异度为75%,阳性预测值为82%,阴性预测值为51%）,略差于高年资医师组（敏感度为84%,特异度为86%,阳性预测值为92%,阴性预测值为75%）,差异具有统计学意义（H=15.306,P＜0.001;H=3.289,P＜0.001）,而模型效能与中年资医师组接近,差异无统计学意义（P＞0.05）。DCA显示模型在阈值0.4~0.6之间有较好的测试集收益。 结论基于超声的人工智能模型可以较为准确地区分正常肝与含有肝实质挫裂伤的异常肝,对进一步指导临床诊治工作具有重要的意义。     

人工智能辅助床旁超声诊断肾创伤的基础研究

目的探讨基于卷积神经网络（CNN）构建的人工智能辅助诊断模型对肾钝性创伤超声诊断的应用价值。 方法建立不同程度动物肾创伤模型,通过床旁超声仪采集正常肾及创伤肾超声图片,分成训练集及测试集,根据造模位置和超声造影结果,手动勾画出肾轮廓,采用3折交叉验证进行分类训练及测试。绘制受试者工作特征（ROC）曲线,计算人工智能辅助诊断模型的敏感度、特异度、准确性和曲线下面积（AUC）。 结果采集正常肾图片共1737张,各级别创伤肾图片共2125张,经过对测试集的验证,该模型可自动对肾创伤有无进行分类,对肾创伤诊断的平均敏感度为73%、平均特异度为85%、平均准确性为79%、AUC为0.80,诊断价值较高。 结论基于CNN构建的深度学习模型辅助床旁超声仪在诊断肾创伤有无分类中取得了较满意的结果。