基于多任务学习构建尘肺病鉴别诊断及分期模型

目的 基于多任务学习，构建深度学习模型辅助临床医师进行尘肺病鉴别诊断与分期。方法 收集2011—2022年四川省某职业病医院3 600名就诊者的数字化摄影后前位胸片，使用全卷积神经网络（UNet）进行肺野分割。基于多任务学习，利用任务间相关性，以DenseNet121为骨干网络，添加两个分类器构建多任务模型，并在ChestX-ray14数据集上预训练。采用配对t检验比较单任务模型与多任务模型之间准确率、精确度、灵敏度、F1分数的差异。结果 测试集结果显示，单任务模型鉴别诊断和诊断分期性能约90%和77%。多任务模型鉴别诊断和诊断分期性能约94%和86%，分别高于单任务模型约4%和9%，评价指标间差异具有统计学意义（P<0.05）。结论 多任务模型较单任务模型更具优势，可有效实现尘肺病与肺结核的鉴别诊断和尘肺病精准分期。